의료 및 생명과학에 Amazon Comprehend Medical 및 LLMs 사용 - AWS 권장 가이드
개요수강 대상목표

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

의료 및 생명과학에 Amazon Comprehend Medical 및 LLMs 사용

Joe King, Rajesh Sitaraman, Ross Claytor, Amazon Web Services

2024년 12월(문서 기록)

개요

지속적으로 증가하는 의료 데이터의 양과 효율적이고 정확한 처리의 필요성으로 인해 인공 지능 및 기계 학습(AI/ML) 기술을 통해 자연어 처리(NLP)를 채택하게 되었습니다. 사전 훈련된 분류기 모델 및 대규모 언어 모델(LLMs)은 임상 질문 답변, 보고서 요약, 인사이트 생성 등 다양한 의료 NLP 작업을 위한 강력한 도구로 부상했습니다. 그러나 의료 및 생명과학 도메인은 의료 용어, 도메인별 지식 및 규제 요구 사항의 복잡성으로 인해 고유한 문제를 야기합니다. 이 도메인에서 사전 훈련된 분류자 또는 LLMs 효과적으로 사용하려면 이러한 모델의 강점을 도메인별 리소스 및 기법과 결합하는 잘 설계된 접근 방식이 필요합니다.

의료 및 생명과학 분야의 업계 관행은 전통적으로 규칙 기반 시스템, 수동 코딩 및 전문가 검토 프로세스에 의존해 왔습니다. 이러한 시스템 및 프로세스는 시간이 많이 걸리고 오류가 발생하기 쉽습니다. Amazon Comprehend Medical 및 Amazon Bedrock의 파운데이션 모델과 같은 AI 및 NLP 기술의 통합은 정확성과 일관성을 개선하는 동시에 의료 데이터를 처리하기 위한 효율적이고 확장 가능한 솔루션을 제공합니다.

이 가이드에서는 의료 산업에서 지능형 자동화를 위해 Amazon Comprehend Medical 및 LLMs을 사용하는 방법을 살펴봅니다. 의료 코딩, 환자 정보 추출 및 레코드 요약 프로세스를 간소화하기 위한 모범 사례, 과제 및 실제 접근 방식을 간략하게 설명합니다. 의료 기관은 Amazon Comprehend Medical 및 LLMs의 기능을 사용하여 새로운 수준의 운영 효율성을 실현하고, 비용을 절감하고, 잠재적으로 환자 관리를 개선할 수 있습니다.

이 가이드에서는 의료 용어 이해, 도메인별 LLMs 사용, AI/ML 시스템의 제한 사항 해결과 같은 의료 도메인의 고유한 고려 사항을 자세히 설명합니다. 의료 IT 관리자, 아키텍트 및 기술 책임자가 조직의 준비 상태를 평가하고, 구현 옵션을 평가하고, 성공적인 자동화를 위해 적절한 AWS 서비스 및 도구를 사용할 수 있는 포괄적인 의사 결정 경로를 제공합니다.

이 가이드에 설명된 지침과 모범 사례를 따르면 의료 조직은 AI/ML 기술의 힘을 활용하는 동시에 의료 도메인의 복잡성을 탐색할 수 있습니다. 이 접근 방식은 윤리적 및 규제 지침 준수를 지원하고 의료 분야에서 AI 시스템의 책임감 있는 사용을 촉진합니다. 정확하고 비공개적인 인사이트를 생성하도록 설계되었습니다.

수강 대상

이 가이드는 의료 데이터 분석 및 자동화를 위해 AI 기반 자연어 처리 솔루션을 구현하려는 기술 이해관계자, 아키텍트, 기술 책임자 및 의사 결정자를 대상으로 합니다.

목표

의료 및 생명과학 조직은 Amazon Comprehend Medical 및 LLMs. 이러한 결과에는 일반적으로 운영 효율성 향상, 비용 절감, 환자 치료 개선이 포함됩니다. 이 섹션에서는 주요 비즈니스 목표와이 가이드에 설명된 전략 및 모범 사례 구현의 관련 이점을 간략하게 설명합니다.

다음은 조직이이 가이드의 지침과 모범 사례를 구현하여 달성할 수 있는 몇 가지 목표입니다.

  • 개발 시간 단축 -이 가이드의 궁극적인 목표는 비용과 함께 개발 시간을 줄이고, 기술 부채를 줄이고, POC의 잠재적 프로젝트 장애를 완화하는 것입니다. Amazon Comprehend Medical과 같은 주요 AI/ML 서비스와 의료 작업을 위한 LLM 사용의 장단점을 이해하면 기업은 시장 출시 시간을 단축하고 비즈니스 목표 달성 속도를 높일 수 있습니다.

  • 의료 코딩 작업을 자동화하기 위한 정보 추출 - 환자 방문 후 코딩 전문가와 공급자는 주관적, 목표, 평가 및 계획(SOAP) 메모와 같은 의료 텍스트에서 인사이트를 추출할 수 있습니다. 이렇게 하면 수동 문서화 작업이 줄어들고 공급자가 환자의 필요에 집중할 수 있습니다. Amazon Comprehend Medical의 개체 인식 기능을 LLMs과 결합하여 조직은 환자 기록, 임상 기록 및 기타 의료 데이터 소스에서 관련 의료 정보를 추출할 수 있습니다. 이렇게 하면 인적 오류를 최소화하고 일관된 관행을 촉진할 수 있습니다.

  • 환자 기록 및 임상 문서 요약 - 환자 기록, 치료 계획 및 의료 결과를 자동으로 요약하면 의료 서비스 제공자에게 귀중한 시간을 절약할 수 있습니다. LLMs 포괄적이고 구조화된 임상 설명서를 생성하는 데 도움이 될 수 있습니다. Amazon Comprehend Medical과 추가 컨텍스트를 가져오거나, 의료 도메인 LLM을 사용하거나, 의료 데이터로 LLM을 미세 조정할 수 있습니다. 이러한 접근 방식은 정확한 요약을 제공하고 설명서가 규정 준수 요구 사항 및 표준을 준수하는지 확인하는 데 도움이 될 수 있습니다.

  • 임상 결정 및 환자 진료 지원 - Amazon Comprehend Medical에서 온톨로지 연결을 사용하고 LLMs 사용하여 공급자는 의학적 질문에 답변하거나 환자 진료에 대한 권장 사항을 찾을 수 있습니다. 이를 통해 의료 전문가는 정보에 입각한 결정을 내려 환자 결과를 개선하고 의료 오류 위험을 줄일 수 있습니다.