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。
# 现代健康数据策略实施示例
AWS 提供了参考架构，医疗保健组织可以使用这些架构来理解和构建支持敏捷数据方法的数据平台。以下参考架构展示用于医疗保健的[数据网格](https://aws.amazon.com/what-is/data-mesh/)架构。在此架构中，数据管理责任围绕业务职能或技术领域组织。用户可以跨组织边界大规模搜索、共享和发现数据。领域团队负责收集、转换和提供与其业务职能相关或通过其业务职能创建的数据。
架构图包括以下组件：
1. 数据从外部和内部数据来源摄取。这些来源包括但不限于电子健康记录 (EHR) 系统、实验室、测序设施和成像中心。 AWS 提供了一系列服务 [AWS Data Exchange](https://aws.amazon.com/data-exchange/)，例如 [Amazon Kinesis](https://aws.amazon.com/pm/kinesis/)、[AWS Transfer Family](https://aws.amazon.com/aws-transfer-family/)、、[AWS DataSync[AWS Migration Hub[AWS HealthLake](https://aws.amazon.com/healthlake/)](https://aws.amazon.com/migration-hub/)](https://aws.amazon.com/datasync/)、和 [AWS Glue](https://aws.amazon.com/glue/)(ETL)。您可以使用这些服务来帮助迁移内部数据集以及订阅内部和外部数据集。
1. *数据域 1* 包含一个全面的工作流程，用于处理以患者为导向的多模态数据，包括临床、组学和影像数据。EHR 临床数据被摄取并存储在 HealthLake 数据存储中，这是一种专门为临床数据构建的托管服务。 [AWS HealthOmics](https://aws.amazon.com/healthomics/)是一项专门为组学数据构建的服务，用于处理序列和变体存储以及工作流程。影像数据被摄取并存储在 [AWS HealthImaging](https://aws.amazon.com/healthimaging/) 中。然后，这些数据将转换为可供使用的产品，并在企业数据市场中发布，以供广泛访问和使用。
1. *在 data domain 2 中，*Amazon Kinesis AWS Glue，然后将原始数据 AWS Data Exchange 摄取到数据管道中。数据的来源可能包括公共注册表、远程患者监测和企业资源规划（ERP）计划。该管线将原始数据加载到 [Amazon Simple Storage Service（Amazon S3）](https://aws.amazon.com/s3/)存储桶中。这些数据经过清理、整理、转换和存储，以作为数据产品发布。[Amazon Athena](https://aws.amazon.com/athena/) 提供一个交互式查询引擎，数据生产者可将其用于使用 SQL 转换数据。[AWS Glue DataBrew](https://aws.amazon.com/glue/features/databrew/) 提供可视化数据转换、标准化和剖析能力。
1. [Amazon DataZone](https://aws.amazon.com/datazone/) 负责将元数据、协作数据项目和数据产品库发布到中央业务目录。
1. 统一的数据分析门户通过联合治理提供数据产品视图，从而实现围绕数据的协作。Amazon DataZone 支持由 AWS Glue Data Catalog 支持的自助式工作流程 AWS Lake Formation，因此用户可以共享、搜索、发现数据和请求使用许可。
1. [数据使用者可以访问数据、创建下游视图，并使用专门构建的工具，例如亚马逊 Athena、Amazon Qu [ick、Amazon Redshift、](https://aws.amazon.com/quicksight/) Amazon A [ SageMaker I](https://aws.amazon.com/sagemaker/) 和 A [mazon Bed](https://aws.amazon.com/redshift/) rock 来执行以下操作：](https://aws.amazon.com/bedrock/)
+ 运营分析
+ 临床信息学
+ 研究
+ 患者和临床参与
数据使用者还可以使用生成式人工智能开发创新应用程序，其可以将数据产品发布到业务目录。
有关数据网格架构的更多信息，请参阅[什么是数据网格？](https://aws.amazon.com/what-is/data-mesh/)
## 生成式人工智能
医疗保健组织将生成式人工智能用于各种应用程序，从自动解读医疗影像到根据影像和文本数据生成诊断建议和治疗计划。生成式人工智能的采用加快了创新，并提高了整个诊疗过程的效率。对生成式人工智能的新关注迫使医疗保健将其数据重点扩展到包括更多形式的非结构化数据，从而扩大了人工智能适用的使用案例数量和种类。一般而言，组织可以根据其使用案例从四种模式中进行选择，以实施生成式人工智能解决方案：
+ **提示工程**：在提示工程中，用户提供相关数据作为上下文，引导生成式人工智能模型创建其想要的内容。采用现代健康数据策略的组织可以确保相关数据易于发现、共享和使用。
+ **检索增强生成（RAG）**：基于提示工程构建的 RAG 模式。不是用户提供相关数据，而是程序拦截用户的问题或输入。该程序在数据存储库中搜索，以检索与问题或输入相关的内容。该程序将其找到的数据提供给生成式人工智能模型以生成内容。现代医疗保健数据策略支持企业数据的整理和编制索引。然后，可以搜索这些数据并将其用作提示或问题的上下文，从而帮助大语言模型（LLM）生成响应。
您的组织可使用以下两种模式，使生成式人工智能模型输出专注于生成适合其数据上下文的内容。
+ **Fine-tuning**— 使用这种模式，您的组织可以通过自定义生成人工智能模型来更进一步。这涉及根据组织特定的少量数据样本对模型进行微调。由于样本量很小，因此这种模式需要在成本和自定义之间取得平衡。为避免模型输出偏差，请使用尽可能多样化且能代表组织数据模式的小样本数据集。现代健康数据策略支持高效访问各种数据以准备样本数据集。
+ **构建自己的模型**：如果组织需要使用高度专业化的大量数据生成内容，而前三种模式不足以满足需求，则可以构建自己的模型。
通过帮助确保数据具有以下特征，现代数据策略在生成式人工智能解决方案中起着至关重要的作用：
+ High-quality 支持准确性的数据
+ Real-time 或近乎实时的数据，以帮助确保模型输出相关
+ 跨各种数据来源的多种数据模态，使模型能够访问丰富的数据集以生成内容
下图显示如何实施现代健康数据策略，该策略使用数据网格架构来支持生成式人工智能解决方案。
1. 数据从临床信息学、临床研究和收入管理领域的不同数据来源摄取，并提供给医疗保健组织。
1. 联合数据治理可帮助确保对数据共享和统一访问进行严格的访问控制。
1. 数据使用者包括：
+ 生成式人工智能应用程序，尤其是那些使用数据来训练和微调 LLM 的应用程序。这些应用程序使用企业数据实现问答聊天机器人，以提升运营效率以及患者和医疗服务提供者的体验。
+ 配备 EHR-integrated聊天机器人、生产力仪表板和文档辅助工具等工具的临床应用程序。
+ Patient-centric 改善患者体验的应用程序。这些应用程序具备聊天机器人交互、临床报告以及高效的转诊和排班流程等功能。
+ 临床研究，包括研究项目存储库和专为群组分析和监管报告而设计的应用程序。
借助这种架构，组织中的利益相关者可以专注于整理和管理其从其他来源收集的数据，同时让组织中的其他成员可以访问自己的数据。他们可以使用联合数据治理层中提供的工具来定义元数据、管理访问批准工作流程以及定义和实施策略。此外，联合数据治理层还提供集中式访问控制。这为整理各种数据源和按指定频率刷新高质量数据资产以保持相关性创造了环境。 AWS 提供了一套全面的功能来满足您的生成式 AI 需求。[Amazon Bedrock](https://aws.amazon.com/bedrock/) 是您的组织构建和扩展生成应用程序的入门级方式。 AI-based [AWS Trainium](https://aws.amazon.com/machine-learning/trainium/)而且，[AWS Inferentia](https://aws.amazon.com/machine-learning/inferentia/)芯片为训练模型和在云端运行推理提供了最低的成本。有关更多信息，请参阅[上的生成式 AI AWS](https://aws.amazon.com/generative-ai)。