As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Perguntas frequentes sobre casos de uso de saúde e ciências biológicas
A seguir estão as perguntas mais frequentes relacionadas ao uso do Amazon Comprehend Medical ou LLMs para tarefas médicas de PNL.
## Como faço para escolher entre o Amazon Comprehend Medical e um LLM?
Se sua tarefa for detectar entidades médicas em seu texto médico, revise a [documentação do Amazon Comprehend Medical para entender quais entidades médicas](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-welcome.html) podem ser extraídas e se alguma das [ontologias](https://docs.aws.amazon.com/comprehend-medical/latest/dev/comprehendmedical-ontologies.html) aborda seu caso de uso. Caso contrário, considere usar um LLM. Para obter mais informações, consulte [Casos de uso do Amazon Comprehend Medical](comprehend-medical.md#comprehend-medical-use-cases) e [Casos de uso para um LLM](llms.md#llm-use-cases) neste guia.
## Como posso fornecer os resultados do Amazon Comprehend Medical a um LLM?
Você pode incorporar os resultados do Amazon Comprehend Medical como contexto em suas solicitações de LLM. Isso fornece conhecimento médico adicional e terminologia para o LLM. O contexto fornecido pode melhorar o desempenho do LLM em tarefas como reconhecimento de entidades, resumo ou resposta a perguntas. O guia fornece vários exemplos de como estruturar solicitações com os resultados do Amazon Comprehend Medical. Para obter mais informações, consulte [Combinando o Amazon Comprehend Medical com grandes modelos de linguagem](comprehend-medical-rag.md) neste guia.
## Quais são algumas das melhores práticas ao usar o Amazon Comprehend Medical com? LLMs
Recomendamos usar as pontuações de confiança do Amazon Comprehend Medical para filtrar ou priorizar entidades dentro de suas solicitações. Também é importante avaliar seu desempenho em seus dados específicos e validar se as definições da entidade estão alinhadas com seus requisitos. A combinação do Amazon Comprehend Medical com fontes de conhecimento específicas do domínio pode melhorar ainda mais o desempenho do LLM. Para obter mais informações, consulte [Melhores práticas para usar o Amazon Comprehend Medical em um fluxo de trabalho do RAG](comprehend-medical-rag.md#comprehend-medical-rag-best-practices) neste guia.
## Devo usar um LLM médico pré-treinado ou ajustar um LLM geral para meu caso de uso na área de saúde?
A decisão depende de seus requisitos específicos e da disponibilidade de dados de treinamento de alta qualidade. Um médico pré-treinado LLMs pode fornecer um bom ponto de partida. No entanto, talvez você ainda precise ajustá-los com os dados específicos do seu domínio. Se você tiver dados rotulados suficientes, ajustar um LLM geral pode ser uma opção viável. Para obter mais informações, consulte [Escolhendo um LLM](llms.md#llm-selection) e [Escolhendo uma abordagem de PNL para saúde e ciências biológicas](choosing-approach.md) neste guia.
## Como faço para avaliar o desempenho de tarefas médicas LLMs de PNL?
Recomendamos o uso de métricas quantitativas, como exatidão, precisão, recordação e pontuação F1 para classificação de texto e tarefas de reconhecimento de entidades nomeadas. Você pode usar ROUGE e METEOR para tarefas de geração de texto. É importante ter dados confiáveis verdadeiros identificados por especialistas no assunto e implementar processos para monitorar o desempenho do modelo ao longo do tempo. Para obter mais informações, consulte [Avaliação LLMs para aplicações em saúde e ciências biológicas](evaluation.md) neste guia.
## Quais são as vantagens e desvantagens entre soluções LLM de alta complexidade e baixa complexidade?
Ajustar um LLM ou criar um LLM personalizado são soluções altamente complexas. Essas abordagens podem melhorar o desempenho, mas implicam custos e requisitos de manutenção mais altos. Soluções mais simples, como usar o Amazon Comprehend Medical pré-treinado LLMs ou o Amazon Comprehend Medical, podem oferecer desempenho aceitável com custos mais baixos e ciclos de desenvolvimento mais rápidos. No entanto, essas abordagens podem não atender aos rigorosos requisitos de precisão para alguns casos de uso. Para obter mais informações, consulte [Considerações sobre a maturidade dos negócios](choosing-approach.md#business-maturity) neste guia.