本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

将 Amazon Comprehend Medical 与大型语言模型相结合

NEJM AI在2024年进行的一项研究表明，使用带有零镜头提示的法学硕士学位来完成医疗编码任务通常会导致表现不佳。将 Amazon Comprehend Medical 与法学硕士学位一起使用可以帮助缓解这些绩效问题。Amazon Comprehend Medical 的结果为执行自然语言处理任务的法学硕士提供了有用的背景。例如，提供从 Amazon Comprehend Medical 到大型语言模型的背景信息可以帮助您：

本节介绍如何使用检索增强生成 (RAG) 方法将 Amazon Comprehend Medical 与 LLM 相结合。检索增强生成 (RAG) 是一种生成式人工智能技术，其中法学硕士在生成响应之前引用其训练数据源之外的权威数据源。有关更多信息，请参阅什么是 RAG。

为了说明这种方法，本节使用了与 ICD-10-CM 相关的医疗（诊断）编码示例。它包括示例架构和快速工程模板，可帮助您加快创新。它还包括在 RAG 工作流程中使用 Amazon Comprehend Medical 的最佳实践。

基于 RAG 的架构，采用亚马逊 Comprehend Medical

下图说明了一种从患者记录中识别 ICD-10-CM 诊断代码的 RAG 方法。它使用亚马逊 Comprehend Medical 作为知识来源。在 RAG 方法中，检索方法通常从包含适用知识的矢量数据库中检索信息。该架构不是向量数据库，而是使用 Amazon Comprehend Medical 来执行检索任务。协调员将患者病历信息发送到 Amazon Comprehend Medical 并检索 ICD-10-CM 代码信息。协调器通过 Amazon Bedrock 将此上下文发送到下游基础模型 (LLM)。LLM 使用 ICD-10-CM 代码信息生成响应，并将该响应发送回客户端应用程序。

该图显示了以下 RAG 工作流程：

在 RAG 工作流程中使用 Amazon Comprehend Medical 的用例

Amazon Comprehend Medical 可以执行特定的 NLP 任务。有关更多信息，请参阅 Amazon Comprehend Medical 的用例。

您可能需要将 Amazon Comprehend Medical 集成到 RAG 工作流程中，以用于高级用例，例如：

在 RAG 工作流程中使用 Amazon Comprehend Medical 的最佳实践

在将 Amazon Comprehend Medical 成绩整合为法学硕士学位的提示时，必须遵循最佳实践。这可以提高性能和准确性。以下是主要建议：

通过遵循这些最佳实践，人工智能/机器学习从业者可以有效地利用亚马逊Comprehend Medical和的优势。 LLMs对于医疗 NLP 任务，这些最佳实践有助于降低潜在风险并提高绩效。

为亚马逊 Comprehend Medical 环境进行及时的工程设计

P@@ rompt Engineering 是设计和完善提示的过程，以指导生成式 AI 解决方案生成所需的输出。您可以选择最合适的格式、短语、单词和符号，以引导 AI 与用户进行更有意义的互动。

根据您执行的 API 操作，Amazon Comprehend Medical 会返回检测到的实体、本体代码和描述以及置信度分数。当您的解决方案调用目标 LLM 时，这些结果将成为提示中的上下文。您必须设计提示以在提示模板中呈现上下文。

通常，您需要在提示中同时插入原始医学文本和亚马逊 Comprehend Medical 结果。以下是常见的提示结构：

<medical_text>
medical text
</medical_text>

<comprehend_medical_text_results>
comprehend medical text results
</comprehend_medical_text_results>

<prompt_instructions>
prompt instructions
</prompt_instructions>

本节提供了将 Amazon Comprehend Medical 结果作为以下常见医疗 NLP 任务的即时上下文的策略：

筛选亚马逊 Comprehend Medical 结果

Amazon Comprehend Medical 通常会提供大量信息。您可能需要减少医疗专业人员必须审查的结果数量。在这种情况下，您可以使用 LLM 来筛选这些结果。Amazon Comprehend Medical 实体包括置信度分数，您可以在设计提示时将其用作筛选机制。

以下是患者笔记示例：

Carlie had a seizure 2 weeks ago. She is complaining of frequent headaches
Nausea is also present. She also complains of eye trouble with blurry vision
Meds : Topamax 50 mgs at breakfast daily,
Send referral order to neurologist
Follow-up as scheduled

在这份患者记录中，Amazon Comprehend Medical 检测到以下实体。

这些实体链接到以下 ICD-10-CM 用于癫痫发作和头痛的代码。

您可以将 ICD-10-CM 代码传递到提示符中以提高 LLM 精度。为了减少噪音，您可以使用亚马逊 Comprehend Medical 结果中包含的置信度分数筛选 ICD-10-CM 代码。以下是仅包含置信度分数高于 0.4 的 ICD-10-CM 代码的提示示例：

<patient_note>
Carlie had a seizure 2 weeks ago. She is complaining of frequent headaches
Nausea is also present. She also complains of eye trouble with blurry vision
Meds : Topamax 50 mgs at breakfast daily,
Send referral order to neurologist
Follow-up as scheduled
</patient_note>

<comprehend_medical_results>
<icd-10>
  <entity>
    <text>seizure</text>
    <code>
      <description>Unspecified convulsions</description>
      <code_value>R56.9</code_value>
      <score>0.8347607851028442</score>
    </code>
    <code>
      <description>Epilepsy, unspecified, not intractable, without status epilepticus</description>
      <code_value>G40.909</code_value>
      <score>0.542376697063446</score>
    </code>
    <code>
      <description>Other seizures</description>
      <code_value>G40.89</code_value>
      <score>0.43966275453567505</score>
    </code>
    <code>
      <description>Other generalized epilepsy and epileptic syndromes, not intractable, without status epilepticus</description>
      <code_value>G40.409</code_value>
      <score>0.41382506489753723</score>
    </code>
  </entity>
  <entity>
    <text>headaches</text>
    <code>
      <description>Headache</description>
      <code_value>R51</code_value>
      <score>0.4066613018512726</score>
    </code>
  </entity>
  <entity>
    <text>Nausea</text>
    <code>
      <description>Nausea</description>
      <code_value>R11.0</code_value>
      <score>0.6460834741592407</score>
    </code>
  </entity>
  <entity>
    <text>eye trouble</text>
    <code>
      <description>Unspecified disorder of eye and adnexa</description>
      <code_value>H57.9</code_value>
      <score>0.6780954599380493</score>
    </code>
    <code>
      <description>Unspecified visual disturbance</description>
      <code_value>H53.9</code_value>
      <score>0.5871203541755676</score>
    </code>
    <code>
      <description>Unspecified disorder of binocular vision</description>
      <code_value>H53.30</code_value>
      <score>0.5539672374725342</score>
    </code>
  </entity>
  <entity>
    <text>blurry vision</text>
    <code>
      <description>Other visual disturbances</description>
      <code_value>H53.8</code_value>
      <score>0.9001834392547607</score>
    </code>
  </entity>
</icd-10>
</comprehend_medical_results>

<prompt>
Given the patient note and Amazon Comprehend Medical ICD-10-CM code results above, please select the most relevant ICD-10-CM diagnosis codes for the patient. 
For each selected code, provide a brief explanation of why it is relevant based on the information in the patient note.
</prompt>

使用亚马逊 Comprehend Medical 扩展医疗 NLP 任务 Amazon Medical

在处理医学文本时，Amazon Comprehend Medical 的背景信息可以帮助法学硕士选择更好的代币。在此示例中，您希望将诊断症状与药物相匹配。您还想查找与医学检查相关的文本，例如与血液检查相关的术语。你可以使用 Amazon Comprehend Medical 来检测实体和药物名称。在这种情况下，你可以使用 DetectEntitiesV2 和 Amazon Comprehen InferRxNorm APIs d Medical。

以下是患者笔记示例：

Carlie had a seizure 2 weeks ago. She is complaining of increased frequent headaches
Given lyme disease symptoms such as muscle ache and stiff neck will order prescription.
Meds : Topamax 50 mgs at breakfast daily. Amoxicillan 25 mg by mouth twice a day
Place MRI radiology order at RadNet

为了重点介绍诊断代码，提示中仅使用与 wit MEDICAL_CONDITION h typ DX_NAME e 相关的实体。由于不相关，其他元数据被排除在外。对于药物实体，包括药物名称和提取的属性。由于无关紧要，不包括来自亚马逊 Comprehend Medical 的其他药物实体元数据。以下是使用筛选后的 Amazon Comprehend Medical 结果的提示示例。提示侧重于具有该DX_NAME类型的MEDICAL_CONDITION实体。此提示旨在更精确地将诊断代码与药物联系起来，并更精确地提取医疗命令测试：

<patient_note>
Carlie had a seizure 2 weeks ago. She is complaining of increased freqeunt headaches
Given lyme disease symptoms such as muscle ache and stiff neck will order prescription. 
Meds : Topamax 50 mgs at breakfast daily. Amoxicillan 25 mg by mouth twice a day
Place MRI radiology order at RadNet
</patient_note>

<detect_entity_results>
<entity>
    <text>seizure</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
<entity>
    <text>headaches</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
<entity>
    <text>lyme disease</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
<entity>
    <text>muscle ache</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
<entity>
    <text>stiff neck</text>
    <category>MEDICAL_CONDITION</category>
    <type>DX_NAME</type>
</entity>
</detect_entity_results>

<rx_results>
<entity>
    <text>Topamax</text>
    <category>MEDICATION</category>
    <type>BRAND_NAME</type>
    <attributes>
        <attribute>
            <type>FREQUENCY</type>
            <text>at breakfast daily</text>
        </attribute>
        <attribute>
            <type>DOSAGE</type>
            <text>50 mgs</text>
        </attribute>
        <attribute>
            <type>ROUTE_OR_MODE</type>
            <text>by mouth</text>
        </attribute>
    </attributes>
</entity>
<entity>
    <text>Amoxicillan</text>
    <category>MEDICATION</category>
    <type>GENERIC_NAME</type>
    <attributes>
        <attribute>
            <type>ROUTE_OR_MODE</type>
            <text>by mouth</text>
        </attribute>
        <attribute>
            <type>DOSAGE</type>
            <text>25 mg</text>
        </attribute>
        <attribute>
            <type>FREQUENCY</type>
            <text>twice a day</text>
        </attribute>
    </attributes>
</entity>
</rx_results>

<prompt>
Based on the patient note and the detected entities, can you please:
1. Link the diagnosis symptoms with the medications prescribed. 
Provide your reasoning for the linkages.
2. Extract any entities related to medical order tests mentioned in the note.
</prompt>

使用亚马逊 Comprehend Medical 安装护栏 Amazon Comprehend Medical

在使用生成的响应之前，你可以使用 LLM 和 Amazon Comprehend Medical 来创建护栏。您可以对未经修改或经过后处理的医学文本运行此工作流程。用例包括处理受保护的健康信息 (PHI)、检测幻觉或实施用于发布结果的自定义策略。例如，您可以使用 Amazon Comprehend Medical 中的上下文来识别 PHI 数据，然后使用 LLM 删除该 PHI 数据。

以下是患者记录中包含 PHI 的信息示例：

Patient name: John Doe
Patient SSN: 123-34-5678
Patient DOB: 01/01/2024
Patient address: 123 Main St, Anytown USA
Exam details: good health. Pulse is 60 bpm. needs to work on diet with BMI of 190

以下是包含亚马逊 Comprehend Medical 结果作为背景的示例提示：

<original_text>
Patient name: John Doe
Patient SSN: 123-34-5678 Patient DOB: 01/01/2024
Patient address: 123 Main St, Anytown USA
Exam details: good health. Pulse is 60 bpm. needs to work on diet with BMI of 190
</original_text>

<comprehend_medical_phi_entities>
<entity>
  <text>John Doe</text>
  <category>PROTECTED_HEALTH_INFORMATION</category>
  <score>0.9967944025993347</score>
  <type>NAME</type>
</entity>
<entity>
  <text>123-34-5678</text>
  <category>PROTECTED_HEALTH_INFORMATION</category>
  <score>0.9998034834861755</score>
  <type>ID</type>
</entity>
<entity>
  <text>01/01/2000</text>
  <category>PROTECTED_HEALTH_INFORMATION</category>
  <score>0.9964448809623718</score>
  <type>DATE</type>
</entity>
</comprehend_medical_phi_entities>

<instructions>
Using the provided original text and the Amazon Comprehend Medical PHI entities detected, please analyze the text to determine if it contains any additional protected health information (PHI) beyond the entities already identified. If additional PHI is found, please list and categorize it. If no additional PHI is found, please state that explicitly.
In addition if PHI is found, generate updated text with the PHI removed. 
</instructions>