Kasus penggunaan: Memprediksi hasil pasien dan tingkat penerimaan ulang

Analisis prediktif bertenaga AI menawarkan manfaat lebih lanjut dengan meramalkan hasil pasien dan memungkinkan rencana perawatan yang dipersonalisasi. Hal ini dapat meningkatkan kepuasan pasien dan hasil kesehatan. Dengan mengintegrasikan kemampuan AI ini dengan Amazon Bedrock dan teknologi lainnya, penyedia layanan kesehatan dapat mencapai peningkatan produktivitas yang signifikan, mengurangi biaya, dan meningkatkan kualitas perawatan pasien secara keseluruhan.

Anda dapat menyimpan data medis, seperti riwayat pasien, catatan klinis, obat-obatan, dan perawatan, dalam grafik pengetahuan. Dengan menggabungkan pemahaman kontekstual yang mendalam LLMs dengan data temporal terstruktur dalam grafik pengetahuan medis, penyedia layanan kesehatan dapat memperoleh wawasan tambahan tentang pola pasien individu. Dengan menggunakan analitik prediktif, Anda dapat mengidentifikasi potensi ketidakpatuhan atau komplikasi pengobatan sejak dini dan menghasilkan skor kecenderungan masuk kembali yang dipersonalisasi.

Solusi ini membantu Anda memprediksi kemungkinan masuk kembali. Prediksi ini dapat meningkatkan hasil pasien dan mengurangi biaya perawatan kesehatan. Solusi ini juga dapat membantu dokter dan administrator rumah sakit memusatkan perhatian mereka pada pasien dengan risiko masuk kembali yang lebih tinggi. Ini juga membantu mereka memulai intervensi proaktif dengan pasien tersebut melalui tindakan peringatan, layanan mandiri, dan berbasis data.

Ikhtisar solusi

Solusi ini menggunakan kerangka kerja multi-retriever Retrieval Augmented Generation (RAG) untuk menganalisis data pasien. Ini memprediksi kemungkinan masuk kembali rumah sakit untuk masing-masing pasien dan membantu Anda menghitung skor kecenderungan masuk kembali tingkat rumah sakit. Solusi ini mengintegrasikan fitur-fitur berikut:

• Grafik pengetahuan — Menyimpan data pasien kronologis yang terstruktur, seperti pertemuan rumah sakit, penerimaan ulang sebelumnya, gejala, hasil laboratorium, perawatan yang ditentukan, dan riwayat kepatuhan pengobatan

• Database vektor - Menyimpan data klinis yang tidak terstruktur, seperti ringkasan pelepasan, catatan dokter, dan catatan janji yang terlewat atau efek samping obat yang dilaporkan

• LLM yang disetel dengan baik - Mengkonsumsi data terstruktur dari grafik pengetahuan dan data tidak terstruktur dari database vektor untuk menghasilkan kesimpulan tentang perilaku pasien, kepatuhan pengobatan, dan kemungkinan masuk kembali

Model penilaian risiko mengukur kesimpulan dari LLM menjadi skor numerik. Anda dapat menggabungkan skor ke dalam skor kecenderungan masuk kembali tingkat rumah sakit. Skor ini menentukan paparan risiko setiap pasien, dan Anda dapat menghitungnya secara berkala atau sesuai kebutuhan. Semua kesimpulan dan skor risiko diindeks dan disimpan di OpenSearch Layanan Amazon sehingga manajer perawatan dan dokter dapat mengambilnya. Dengan mengintegrasikan agen AI percakapan dengan database vektor ini, dokter dan manajer perawatan dapat dengan mulus mengekstrak wawasan pada tingkat pasien individu, tingkat fasilitas, atau dengan spesialisasi medis. Anda juga dapat mengatur peringatan otomatis berdasarkan skor risiko, yang mendorong intervensi proaktif.

Membangun solusi ini terdiri dari langkah-langkah berikut:

• Langkah 1: Memprediksi hasil pasien dengan menggunakan grafik pengetahuan medis

• Langkah 2: Memprediksi perilaku pasien terhadap obat atau perawatan yang diresepkan

• Langkah 3: Memprediksi kemungkinan masuk kembali pasien

• Langkah 4: Menghitung skor kecenderungan masuk kembali rumah sakit

Langkah 1: Memprediksi hasil pasien dengan menggunakan grafik pengetahuan medis

Di Amazon Neptunus, Anda dapat menggunakan grafik pengetahuan untuk menyimpan pengetahuan temporal tentang kunjungan dan hasil pasien dari waktu ke waktu. Cara paling efektif untuk membangun dan menyimpan grafik pengetahuan adalah dengan menggunakan model grafik dan database grafik. Database grafik dibuat khusus untuk menyimpan dan menavigasi hubungan. Database grafik membuatnya lebih mudah untuk memodelkan dan mengelola data yang sangat terhubung dan memiliki skema yang fleksibel.

Grafik pengetahuan membantu Anda melakukan analisis deret waktu. Berikut ini adalah elemen kunci dari database grafik yang digunakan untuk prediksi temporal hasil pasien:

• Data historis — Diagnosis sebelumnya, pengobatan lanjutan, obat yang sebelumnya digunakan, dan hasil laboratorium untuk pasien

• Kunjungan pasien (kronologis) - Tanggal kunjungan, gejala, alergi yang diamati, catatan klinis, diagnosis, prosedur, perawatan, obat yang diresepkan, dan hasil laboratorium

• Gejala dan parameter klinis — Informasi klinis dan berbasis gejala, termasuk tingkat keparahan, pola perkembangan, dan respons pasien terhadap obat

Anda dapat menggunakan wawasan dari grafik pengetahuan medis untuk menyempurnakan LLM di Amazon Bedrock, seperti Llama 3. Anda menyempurnakan LLM dengan data pasien berurutan tentang respons pasien terhadap serangkaian obat atau perawatan dari waktu ke waktu. Gunakan kumpulan data berlabel yang mengklasifikasikan satu set obat atau perawatan dan data interaksi pasien-klinik ke dalam kategori yang telah ditentukan sebelumnya yang menunjukkan status kesehatan pasien. Contoh dari kategori ini adalah penurunan kesehatan, peningkatan, atau kemajuan yang stabil. Ketika dokter memasukkan konteks baru tentang pasien dan gejalanya, LLM yang disetel dengan baik dapat menggunakan pola dari kumpulan data pelatihan untuk memprediksi potensi hasil pasien.

Gambar berikut menunjukkan langkah-langkah berurutan yang terlibat dalam menyempurnakan LLM di Amazon Bedrock dengan menggunakan kumpulan data pelatihan khusus perawatan kesehatan. Data ini mungkin termasuk kondisi medis pasien dan respons terhadap perawatan dari waktu ke waktu. Dataset pelatihan ini akan membantu model untuk membuat prediksi umum tentang hasil pasien.

Diagram menunjukkan alur kerja berikut:

1. Pekerjaan ekstraksi data SageMaker AI Amazon menanyakan grafik pengetahuan untuk mengambil data kronologis tentang respons pasien yang berbeda terhadap serangkaian obat atau perawatan dari waktu ke waktu.

2. Pekerjaan persiapan data SageMaker AI mengintegrasikan Amazon Bedrock LLM dan masukan dari pakar materi pelajaran (). SMEs Pekerjaan mengklasifikasikan data yang diambil dari grafik pengetahuan ke dalam kategori yang telah ditentukan (seperti penurunan kesehatan, peningkatan, atau kemajuan yang stabil) yang menunjukkan status kesehatan setiap pasien.

3. Pekerjaan membuat kumpulan data fine-tuning yang mencakup informasi yang diekstrak dari grafik pengetahuan, chain-of-thought petunjuk, dan kategori hasil pasien. Ini mengunggah kumpulan data pelatihan ini ke bucket Amazon S3.

4. Pekerjaan kustomisasi Amazon Bedrock menggunakan kumpulan data pelatihan ini untuk menyempurnakan LLM.

5. Pekerjaan kustomisasi Amazon Bedrock mengintegrasikan model dasar pilihan Amazon Bedrock dalam lingkungan pelatihan. Ini memulai pekerjaan fine-tuning dan menggunakan dataset pelatihan dan hyperparameter pelatihan yang Anda konfigurasikan.

6. Pekerjaan evaluasi Amazon Bedrock mengevaluasi model yang disetel dengan menggunakan kerangka evaluasi model yang telah dirancang sebelumnya.

7. Jika model membutuhkan perbaikan, pekerjaan pelatihan berjalan lagi dengan lebih banyak data setelah mempertimbangkan kumpulan data pelatihan dengan cermat. Jika model tidak menunjukkan peningkatan kinerja tambahan, pertimbangkan juga untuk memodifikasi hiperparameter pelatihan.

8. Setelah evaluasi model memenuhi standar yang ditentukan oleh pemangku kepentingan bisnis, Anda meng-host model yang disetel dengan baik ke throughput yang disediakan Amazon Bedrock.

Langkah 2: Memprediksi perilaku pasien terhadap obat atau perawatan yang diresepkan

Fine-tuned LLMs dapat memproses catatan klinis, ringkasan pelepasan, dan dokumen khusus pasien lainnya dari grafik pengetahuan medis temporal. Mereka dapat menilai apakah pasien cenderung mengikuti obat atau perawatan yang diresepkan.

Langkah ini menggunakan grafik pengetahuan yang dibuat diLangkah 1: Memprediksi hasil pasien dengan menggunakan grafik pengetahuan medis. Grafik pengetahuan berisi data dari profil pasien, termasuk kepatuhan historis pasien sebagai simpul. Ini juga mencakup contoh ketidakpatuhan terhadap obat-obatan atau perawatan, efek samping terhadap obat-obatan, kurangnya akses atau hambatan biaya untuk obat-obatan, atau rejimen dosis kompleks sebagai atribut dari node tersebut.

Fine-tuned LLMs dapat mengkonsumsi data pemenuhan resep sebelumnya dari grafik pengetahuan medis dan ringkasan deskriptif dari catatan klinis dari database vektor Layanan Amazon. OpenSearch Catatan klinis ini mungkin menyebutkan janji yang sering terlewatkan atau ketidakpatuhan terhadap perawatan. LLM dapat menggunakan catatan ini untuk memprediksi kemungkinan ketidakpatuhan di masa depan.

1. Siapkan data input sebagai berikut:

   • Data terstruktur — Ekstrak data pasien terbaru, seperti tiga kunjungan terakhir dan hasil lab, dari grafik pengetahuan medis.

   • Data tidak terstruktur - Ambil catatan klinis terbaru dari database vektor OpenSearch Layanan Amazon.

2. Buat prompt input yang mencakup riwayat pasien dan konteks saat ini. Berikut ini adalah contoh prompt:

   You are a highly specialized AI model trained in healthcare predictive analytics. Your task is to analyze a patient's historical medical records, adherence patterns, and clinical context to predict the **likelihood of future non-adherence** to prescribed medications or treatments.  
   
   ### **Patient Details**
   - **Patient ID:** {patient_id}
   - **Age:** {age}
   - **Gender:** {gender}
   - **Medical Conditions:** {medical_conditions}
   - **Current Medications:** {current_medications}
   - **Prescribed Treatments:** {prescribed_treatments}
   
   ### **Chronological Medical History**
   - **Visit Dates & Symptoms:** {visit_dates_symptoms}
   - **Diagnoses & Procedures:** {diagnoses_procedures}
   - **Prescribed Medications & Treatments:** {medications_treatments}
   - **Past Adherence Patterns:** {historical_adherence}
   - **Instances of Non-Adherence:** {past_non_adherence}
   - **Side Effects Experienced:** {side_effects}
   - **Barriers to Adherence (e.g., Cost, Access, Dosing Complexity):** {barriers}
   
   ### **Patient-Specific Insights**
   - **Clinical Notes & Discharge Summaries:** {clinical_notes}
   - **Missed Appointments & Non-Compliance Patterns:** {missed_appointments}
   
   ### **Let's think Step-by-Step to predict the patient behaviour**
   1. You should first analyze past adherence trends and patterns of non-adherence.
   2. Identify potential barriers, such as financial constraints, medication side effects, or complex dosing regimens.
   3. Thoroughly examine clinical notes and documented patient behaviors that may hint at non-adherence.
   4. Correlate adherence history with prescribed treatments and patient conditions.
   5. Finally predict the likelihood of non-adherence based on these contextual insights.
   
   ### **Output Format (JSON)**
   Return the prediction in the following structured format:
   ```json
   {
     "patient_id": "{patient_id}",
     "likelihood_of_non_adherence": "{low | moderate | high}",
     "reasoning": "{detailed_explanation_based_on_patient_history}"
   }

3. Lulus prompt ke LLM yang disetel dengan baik. LLM memproses prompt dan memprediksi hasilnya. Berikut ini adalah contoh respon dari LLM:

   {
     "patient_id": "P12345",
     "likelihood_of_non_adherence": "high",
     "reasoning": "The patient has a history of missed appointments, has reported side effects to previous medications. Additionally, clinical notes indicate difficulty following complex dosing schedules."
   }

4. Urai respons model untuk mengekstrak kategori hasil yang diprediksi. Misalnya, kategori untuk respons contoh pada langkah sebelumnya mungkin memiliki kemungkinan ketidakpatuhan yang tinggi.

5. (Opsional) Gunakan log model atau metode tambahan untuk menetapkan skor kepercayaan. Logit adalah probabilitas yang tidak dinormalisasi dari item yang termasuk dalam kelas atau kategori tertentu.

Langkah 3: Memprediksi kemungkinan masuk kembali pasien

Penerimaan ulang rumah sakit menjadi perhatian utama karena tingginya biaya administrasi perawatan kesehatan dan karena dampaknya terhadap kesejahteraan pasien. Menghitung tingkat penerimaan ulang rumah sakit adalah salah satu cara untuk mengukur kualitas perawatan pasien dan kinerja penyedia layanan kesehatan.

Untuk menghitung tingkat penerimaan ulang, Anda menentukan indikator, seperti tarif masuk ulang 7 hari. Indikator ini adalah persentase pasien rawat inap yang kembali ke rumah sakit untuk kunjungan yang tidak direncanakan dalam waktu tujuh hari setelah keluar. Untuk memprediksi kemungkinan masuk kembali untuk pasien, LLM yang disetel dengan baik dapat mengkonsumsi data temporal dari grafik pengetahuan medis yang Anda buat. Langkah 1: Memprediksi hasil pasien dengan menggunakan grafik pengetahuan medis Grafik pengetahuan ini menyimpan catatan kronologis pertemuan pasien, prosedur, pengobatan, dan gejala. Catatan data ini berisi yang berikut:

• Durasi waktu sejak keputihan terakhir pasien

• Respon pasien terhadap perawatan dan pengobatan masa lalu

• Perkembangan gejala atau kondisi dari waktu ke waktu

Anda dapat memproses peristiwa deret waktu ini untuk memprediksi kemungkinan masuk kembali pasien melalui prompt sistem yang dikuratori. Prompt menanamkan logika prediksi ke LLM yang disetel dengan baik.

1. Siapkan data input sebagai berikut:

   • Riwayat kepatuhan - Ekstrak tanggal pengambilan obat, frekuensi isi ulang obat, diagnosis dan detail pengobatan, riwayat medis kronologis, dan informasi lain dari grafik pengetahuan medis.

   • Indikator perilaku - Ambil dan sertakan catatan klinis tentang janji yang terlewat dan efek samping yang dilaporkan pasien.

2. Buat prompt input yang mencakup riwayat kepatuhan dan indikator perilaku. Berikut ini adalah contoh prompt:

   You are a highly specialized AI model trained in healthcare predictive analytics. Your task is to analyze a patient's historical medical records, clinical events, and adherence patterns to predict the **likelihood of hospital readmission** within the next few days.  
   
   ### **Patient Details**
   - **Patient ID:** {patient_id}
   - **Age:** {age}
   - **Gender:** {gender}
   - **Primary Diagnoses:** {diagnoses}
   - **Current Medications:** {current_medications}
   - **Prescribed Treatments:** {prescribed_treatments}
   
   ### **Chronological Medical History**
   - **Recent Hospital Encounters:** {encounters}
   - **Time Since Last Discharge:** {time_since_last_discharge}
   - **Previous Readmissions:** {past_readmissions}
   - **Recent Lab Results & Vital Signs:** {recent_lab_results}
   - **Procedures Performed:** {procedures_performed}
   - **Prescribed Medications & Treatments:** {medications_treatments}
   - **Past Adherence Patterns:** {historical_adherence}
   - **Instances of Non-Adherence:** {past_non_adherence}
   
   ### **Patient-Specific Insights**
   - **Clinical Notes & Discharge Summaries:** {clinical_notes}
   - **Missed Appointments & Non-Compliance Patterns:** {missed_appointments}
   - **Patient-Reported Side Effects & Complications:** {side_effects}
   
   ### **Reasoning Process – You have to analyze this use case step-by-step.**
   1. First assess **time since last discharge** and whether recent hospital encounters suggest a pattern of frequent readmissions.
   2. Second examine **recent lab results, vital signs, and procedures performed** to identify clinical deterioration.
   3. Third analyze **adherence history**, checking if past non-adherence to medications or treatments correlates with readmissions.
   4. Then identify **missed appointments, self-reported side effects, or symptoms worsening** from clinical notes.
   5. Finally predict the **likelihood of readmission** based on these contextual insights.
   
   ### **Output Format (JSON)**
   Return the prediction in the following structured format:
   ```json
   {
     "patient_id": "{patient_id}",
     "likelihood_of_readmission": "{low | moderate | high}",
     "reasoning": "{detailed_explanation_based_on_patient_history}"
   }

3. Lulus prompt ke LLM yang disetel dengan baik. LLM memproses prompt dan memprediksi kemungkinan dan alasan masuk kembali. Berikut ini adalah contoh respon dari LLM:

   {
     "patient_id": "P67890",
     "likelihood_of_readmission": "high",
     "reasoning": "The patient was discharged only 5 days ago, has a history of more than two readmissions to hospitals where the patient received treatment. Recent lab results indicate abnormal kidney function and high liver enzymes. These factors suggest a medium risk of readmission."
   }

4. Kategorikan prediksi ke dalam skala standar, seperti rendah, sedang, atau tinggi.

5. Tinjau alasan yang diberikan oleh LLM, dan identifikasi faktor-faktor kunci yang berkontribusi pada prediksi.

6. Petakan output kualitatif ke skor kuantitatif. Misalnya, sangat tinggi mungkin sama dengan probabilitas 0,9.

7. Gunakan kumpulan data validasi untuk mengkalibrasi keluaran model terhadap tingkat penerimaan ulang aktual.

Langkah 4: Menghitung skor kecenderungan masuk kembali rumah sakit

Selanjutnya, Anda menghitung skor kecenderungan masuk kembali rumah sakit per pasien. Skor ini mencerminkan dampak bersih dari tiga analisis yang dilakukan pada langkah-langkah sebelumnya: hasil pasien potensial, perilaku pasien terhadap pengobatan dan perawatan, dan kemungkinan masuk kembali pasien. Dengan menggabungkan skor kecenderungan masuk kembali tingkat pasien ke tingkat khusus dan kemudian di tingkat rumah sakit, Anda dapat memperoleh wawasan kepada dokter, manajer perawatan, dan administrator. Skor kecenderungan masuk kembali rumah sakit membantu Anda menilai kinerja keseluruhan berdasarkan fasilitas, spesialisasi, atau berdasarkan kondisi. Kemudian, Anda dapat menggunakan skor ini untuk menerapkan intervensi proaktif.

1. Tetapkan bobot untuk masing-masing faktor yang berbeda (prediksi hasil, kemungkinan kepatuhan, penerimaan kembali). Berikut ini adalah contoh bobot:

   • Berat Prediksi Hasil: 0.4

   • Berat Prediksi Kepatuhan: 0.3

   • Berat Kemungkinan Masuk Kembali: 0,3

2. Gunakan perhitungan berikut untuk menghitung skor komposit:

   ReadadmissionPropensityScore = (OutcomeScore × OutcomeWeight) + (AdherenceScore × AdherenceWeight) + (ReadmissionLikelihoodScore × ReadmissionLikelihoodWeight)

3. Pastikan bahwa semua skor individu berada pada skala yang sama, seperti 0 hingga 1.

4. Tentukan ambang batas untuk tindakan. Misalnya, skor di atas 0,7 memulai peringatan.

Berdasarkan analisis di atas dan skor kecenderungan masuk kembali pasien, dokter atau manajer perawatan dapat mengatur peringatan untuk memantau pasien masing-masing berdasarkan skor yang dihitung. Jika berada di atas ambang batas yang telah ditentukan sebelumnya, mereka akan diberi tahu ketika ambang batas itu tercapai. Ini membantu manajer perawatan untuk menjadi proaktif daripada reaktif saat membuat rencana perawatan keputihan untuk pasien mereka. Simpan hasil pasien, perilaku, dan skor kecenderungan masuk kembali dalam bentuk yang diindeks dalam database vektor OpenSearch Layanan Amazon sehingga manajer perawatan dapat mengambilnya dengan mulus menggunakan agen AI percakapan.

Diagram berikut menunjukkan alur kerja agen AI percakapan yang dapat digunakan oleh dokter atau manajer perawatan untuk mengambil wawasan tentang hasil pasien, perilaku yang diharapkan, dan kecenderungan masuk kembali. Pengguna dapat mengambil wawasan di tingkat pasien, tingkat departemen, atau tingkat rumah sakit. Agen AI mengambil wawasan ini, yang disimpan dalam bentuk yang diindeks dalam database vektor Layanan Amazon OpenSearch . Agen menggunakan kueri untuk mengambil data yang relevan dan memberikan tanggapan yang disesuaikan, termasuk tindakan yang disarankan untuk pasien yang memiliki risiko tinggi masuk kembali. Berdasarkan tingkat risikonya, agen juga dapat mengatur pengingat untuk pasien dan pemberi perawatan.

Diagram menunjukkan alur kerja berikut:

1. Dokter mengajukan pertanyaan kepada agen AI percakapan, yang menampung suatu AWS Lambda fungsi.

2. Fungsi Lambda memulai a LangChain agen.

3. Bagian LangChain agen mengirimkan pertanyaan pengguna ke titik akhir penyematan teks Amazon SageMaker AI. Titik akhir menyematkan pertanyaan.

4. Bagian LangChain agen meneruskan pertanyaan tertanam ke basis pengetahuan medis di Amazon OpenSearch Service.

5. Amazon OpenSearch Service mengembalikan wawasan spesifik yang paling relevan dengan kueri pengguna ke LangChain agen.

6. Bagian LangChain agen mengirimkan kueri dan konteks yang diambil dari basis pengetahuan ke model dasar Amazon Bedrock.

7. Model dasar Amazon Bedrock menghasilkan respons dan mengirimkannya ke fungsi Lambda.

8. Fungsi Lambda mengembalikan respons ke dokter.

9. Dokter memulai fungsi Lambda yang mengirimkan email tindak lanjut ke pasien yang memiliki risiko tinggi masuk kembali.

Penyelarasan dengan Kerangka AWS Well-Architected

Arsitektur untuk melacak perilaku pasien dan memprediksi tingkat penerimaan ulang rumah sakit terintegrasi Layanan AWS, grafik pengetahuan medis, dan LLMs untuk meningkatkan hasil perawatan kesehatan sambil menyelaraskan dengan enam pilar Kerangka Kerja Well-Architected:AWS

• Keunggulan operasional — Solusinya adalah sistem otomatis terpisah yang menggunakan Amazon Bedrock dan AWS Lambda untuk peringatan waktu nyata.

• Keamanan — Solusi ini dirancang untuk mematuhi peraturan perawatan kesehatan, seperti HIPAA. Anda juga dapat menerapkan enkripsi, kontrol akses berbutir halus, dan pagar pembatas Amazon Bedrock untuk membantu melindungi data pasien.

• Keandalan — Arsitektur menggunakan toleran kesalahan, tanpa server. Layanan AWS

• Efisiensi kinerja - Amazon OpenSearch Service dan fine-tuned LLMs dapat memberikan prediksi yang cepat dan akurat.

• Optimalisasi biaya — Teknologi dan pay-per-inference model tanpa server membantu meminimalkan biaya. Meskipun LLM yang menggunakan fine-tuned dapat menimbulkan biaya tambahan, model menggunakan pendekatan RAG yang mengurangi data dan waktu komputasi yang diperlukan untuk proses fine-tuning.

• Keberlanjutan — Arsitektur meminimalkan konsumsi sumber daya melalui penggunaan infrastruktur tanpa server. Ini juga mendukung operasi perawatan kesehatan yang efisien dan terukur.