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.

Desenvolvendo e orquestrando soluções generativas de IA para assistência médica

Para criar as soluções deste guia, você deve criar uma arquitetura RAG que use LLMs ajustados para fornecer dados de pacientes aumentados, insights clínicos e de diagnóstico e resultados previstos dos pacientes aos profissionais de saúde. Isso requer a integração de várias Serviços da AWS ferramentas para criar um fluxo de trabalho coeso e eficiente. Esta seção aborda o seguinte:

Amazon Q Developer

Ao criar uma solução generativa de IA, pode ser difícil criar agentes de IA e conectar os principais serviços. No entanto, o Amazon Q Developer ajuda cientistas de dados e engenheiros de IA fornecendo acesso a um assistente avançado de IA generativa. O Amazon Q pode resolver com rapidez e precisão as perguntas dos usuários e os erros de código, o que pode ajudar você a otimizar o processo de desenvolvimento do LLM. O Amazon Q oferece vantagens significativas para desenvolvedores que criam aplicativos que usam os modelos básicos do Amazon Bedrock. Ele pode simplificar os fluxos de trabalho e melhorar a qualidade do código. Ele automatiza a geração de scripts Python e configurações de infraestrutura como código (IaC), reduzindo significativamente o tempo e o esforço de desenvolvimento. Por meio de recursos avançados de refatoração, o Amazon Q pode melhorar o desempenho do código, identificar vulnerabilidades de segurança e garantir que os desenvolvedores sigam as melhores práticas. Além disso, facilita o aprendizado e a adoção para iniciantes, fornecendo sugestões e explicações contextuais, tornando as tarefas complexas de codificação mais acessíveis e eficientes.

Multi-retriever Design RAG

Em um aplicativo generativo de IA, um pipeline RAG com vários recuperadores pode recuperar com eficiência informações de várias fontes de dados para ajudar profissionais de saúde e médicos a responder perguntas médicas. Esse pipeline usa diferentes tipos de recuperadores para extrair dados relevantes de diferentes bases de conhecimento. Cada recuperador é especializado em buscar um tipo específico de informação, como históricos de pacientes, informações diagnósticas, notas clínicas ou conteúdo de pesquisas médicas e textos acadêmicos.

Use a natureza dos dados e os requisitos específicos do aplicativo para determinar qual é a base de conhecimento de back-end correta para seu caso de uso. Um banco de dados vetorial do Amazon OpenSearch Service é adequado para grandes volumes de dados de saúde não estruturados ou semiestruturados, incluindo resumos de avaliação de diagnóstico por imagem, resumos de alta, relatórios clínicos, pesquisas médicas e conteúdo de texto acadêmico. Por outro lado, um serviço de banco de dados gráfico, como o Amazon Neptune, pode ser ideal para casos de uso de assistência médica que exijam uma exploração profunda das relações temporais entre entidades, como paciente, histórico do paciente, profissional de saúde, medicamentos, sintomas e tratamentos.

Um componente essencial desse pipeline é a previsão da intenção de consulta do usuário. Isso garante que o sistema encaminhe a consulta para a cadeia de recuperação correta. Por exemplo, se um médico perguntar sobre o histórico de tratamento, os sintomas, a interação com o hospital, a probabilidade de readmissão hospitalar ou possíveis resultados do paciente, o módulo de predição da intenção de consulta identifica essa intenção. Ele direciona a solicitação para a cadeia de recuperadores, que pode buscar registros de pacientes ou dados cronológicos de tratamento a partir do gráfico de conhecimento médico. Como alternativa, se a pergunta for sobre a descoberta de doenças, avaliações diagnósticas específicas ou detalhes de procedimentos clínicos específicos de livros acadêmicos, a consulta será encaminhada para a cadeia de recuperadores que pode buscar essas informações do banco de dados vetoriais do Service. OpenSearch Você pode usar a funcionalidade de chamada de ferramentas do LangChain para vincular uma ferramenta personalizada ao Amazon Bedrock LLM que pode classificar uma pergunta do usuário em intenções predefinidas.

Esse sistema RAG com vários LangChain recuperadores inclui agentes projetados para gerenciar o acesso à base de conhecimento específica. Você pode usar LangChain para orquestrar a interação entre o Amazon Bedrock LLM, os diferentes recuperadores e ferramentas. LangChaininclui uma classe de chamada de ferramentas que ajuda você a criar ferramentas personalizadas, como um classificador de intenção, um recuperador para Neptune, um recuperador para OpenSearch Serviço ou qualquer outra ferramenta que possa ser desenvolvida para classificar a intenção do usuário e acessar dados de uma base de conhecimento específica em um formato estruturado. Em seguida, você fornece essas ferramentas à classe para criar um agente de Raciocínio e Ação (ReAct). O ReAct agente processa a pergunta do usuário, planeja as etapas sequenciais para responder à pergunta e, em seguida, executa iterativamente as ferramentas disponíveis e processa as respostas da ferramenta para finalmente responder à consulta do usuário.

A imagem a seguir mostra como funciona um sistema RAG com vários recuperadores projetado para recuperação eficiente de conhecimento e resolução inteligente de consultas. Um LangChain ReAct agente analisa a intenção do usuário, formula um plano estruturado para execução e seleciona as ferramentas de recuperação mais relevantes. O sistema consulta um cache de perguntas anteriores e verifica consultas semelhantes com base nos principais atributos, como ID do paciente, condição médica e data da visita. Se uma pergunta muito semelhante for encontrada, a resposta correspondente será recuperada diretamente. Caso contrário, o agente executa o recuperador apropriado. Para recuperar informações centradas no paciente, como histórico de tratamento, sintomas, interações hospitalares ou probabilidade de readmissão, o sistema usa um recuperador gráfico. Para avaliações diagnósticas, procedimentos clínicos e achados médicos estruturados, o agente emprega um recuperador de banco de dados vetoriais. Em cenários que exigem uma combinação de conhecimento contextual de ambos os armazenamentos de dados, para gerar uma resposta abrangente, o sistema usa uma estratégia de recuperação híbrida que integra os resultados do gráfico de conhecimento e do banco de dados vetorial.

ReAct agentes

Os agentes de Raciocínio e Ação (ReAct) são projetados para aplicações RAG multifacetadas. Esses agentes fornecem uma combinação poderosa de raciocínio e ação dinâmica, especialmente para aplicativos complexos que envolvem fluxos de trabalho lógicos de recuperação de informações passo a passo. Para obter mais informações, consulte ReAct: Sinergizando o raciocínio e a ação em modelos de linguagem.

Em contextos médicos e de saúde, as consultas de um clínico ou médico geralmente são multifacetadas. Por exemplo, um médico pode perguntar “Quais tratamentos foram dados a pacientes semelhantes com hipertensão e diabetes tipo 2?” Depois de identificar a intenção do usuário, que é buscar os tratamentos para hipertensão e diabetes tipo 2, o agente de IA precisa dividir essa consulta em subtarefas e, em seguida, escolher a estratégia de recuperação mais eficiente. Nesse caso, o agente de IA deve identificar os nós mais relevantes (como idade, sexo, condições, tratamentos e medicamentos do paciente) e, em seguida, consultar o gráfico dessas entidades e seus atributos e relacionamentos. ReAct os agentes são muito úteis porque combinam a capacidade de raciocínio (inferência lógica) de um LLM com uma ação (consultar ou interagir com recursos externos ou bases de conhecimento).

Para responder à pergunta do usuário “Quais tratamentos foram dados a pacientes semelhantes com hipertensão e diabetes tipo 2?” , o exemplo a seguir ilustra como um ReAct agente funciona: