使用 Amazon Comprehend Medical 和 LLMs進行醫療保健和生命科學 - AWS 方案指引
概觀目標對象目標

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

使用 Amazon Comprehend Medical 和 LLMs進行醫療保健和生命科學

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

2024 年 12 月 (文件歷史記錄)

概觀

不斷增加的醫療資料量以及對高效和準確處理的需求推動了採用人工智慧和機器學習 (AI/ML) 技術的自然語言處理 (NLP)。預先訓練的分類器模型和大型語言模型 (LLMs) 已成為各種醫療 NLP 任務的強大工具，包括臨床問答、報告摘要和洞見產生。不過，由於醫療術語、特定領域的知識和法規要求的複雜性，醫療保健和生命科學領域帶來了獨特的挑戰。在此網域中有效使用預先訓練的分類器或 LLMs 需要精心設計的方法，將這些模型的優勢與網域特定的資源和技術結合在一起。

醫療保健和生命科學產業實務傳統上依賴規則型系統、手動編碼和專家審核程序。這些系統和程序耗時且容易出錯。AI 和 NLP 技術的整合，例如 Amazon Comprehend Medical 和 Amazon Bedrock 中的基礎模型，提供高效且可擴展的解決方案來處理醫療資料，同時提高準確性和一致性。

本指南探討在醫療保健產業中，使用 Amazon Comprehend Medical 和 LLMs進行智慧型自動化。它概述了簡化醫療編碼、病患資訊擷取和記錄摘要程序的最佳實務、挑戰和實際方法。透過使用 Amazon Comprehend Medical 和 LLMs的功能，醫療保健組織可以釋放新的營運效率水準、降低成本，並可能改善患者護理。

本指南詳細說明醫療保健領域的獨特考量，例如了解醫學術語、使用特定領域的 LLMs，以及解決 AI/ML 系統的限制。它為醫療保健 IT 經理、架構師和技術主管提供全面的決策路徑，以評估組織準備程度、評估實作選項，並使用適當的 AWS 服務 和 工具來成功自動化。

透過遵循本指南中概述的指導方針和最佳實務，醫療保健組織可以利用 AI/ML 技術的強大功能，同時瀏覽醫療領域的複雜性。這種方法支援遵守道德和法規準則，並促進在醫療保健中負責任地使用 AI 系統。它旨在產生準確且私密的洞見。

目標對象

本指南適用於希望實作 AI 驅動自然語言處理解決方案以進行醫療資料分析和自動化的技術利益相關者、架構師、技術主管和決策者。

目標

醫療保健和生命科學組織可以使用 Amazon Comprehend Medical 和 LLMs 來實現多個業務目標。這些結果通常包括提高營運效率、降低成本和改善患者護理。本節概述關鍵業務目標，以及實作本指南中概述之策略和最佳實務的相關優勢。

以下是組織可透過實作本指南中的準則和最佳實務來實現的一些目標：

  • 縮短開發時間 – 本指南的最終目標是降低成本縮短開發時間、減少技術負債，以及減少 POC 的潛在專案故障。透過了解關鍵 AI/ML 服務，例如 Amazon Comprehend Medical，以及 LLM 用於醫療保健任務的優點和限制，企業可以實現更快的上市時間，並提高實現業務目標的速度。

  • 擷取資訊以自動化醫療編碼任務 – 病患就診後，編碼專家和提供者可以從醫療文字中擷取洞見，例如主觀、目標、評估和計劃 (SOAP) 備註。這可以減少手動文件工作量，並協助提供者專注於病患的需求。透過結合 Amazon Comprehend Medical 的實體辨識功能與 LLMs，組織可以從患者記錄、臨床備註和其他醫療保健資料來源中擷取相關的醫療資訊。這可將人為錯誤降至最低，並促進一致的實務。

  • 摘要病患記錄和臨床文件 – 自動摘要病患歷程記錄、治療計畫和醫療結果，可為醫療保健供應商節省寶貴的時間。LLMs可協助產生完整且結構化的臨床文件。您可以使用 Amazon Comprehend Medical 取得其他內容、使用醫療網域 LLM，或使用醫療資料微調 LLM。這些方法有助於提供準確的摘要，並確保文件符合合規要求和標準。

  • 支援臨床決策和患者護理 – 透過在 Amazon Comprehend Medical 中使用本體連結，以及使用 LLMs，提供者可以回答醫療問題或尋求解決患者護理的建議。這可讓醫療專業人員做出明智的決策，以改善患者結果並降低醫療錯誤的風險。