Contoh implementasi strategi data kesehatan modern

AWS menyediakan arsitektur referensi yang dapat digunakan organisasi perawatan kesehatan untuk memahami dan membangun platform data yang mendukung pendekatan data yang gesit. Arsitektur referensi berikut menggambarkan arsitektur data mesh untuk perawatan kesehatan. Dalam arsitektur ini, tanggung jawab manajemen data diatur di sekitar fungsi bisnis atau domain teknis. Pengguna dapat mencari, berbagi, dan menemukan data dalam skala besar melintasi batas-batas organisasi. Tim domain bertanggung jawab untuk mengumpulkan, mengubah, dan menyediakan data yang terkait dengan atau dibuat oleh fungsi bisnis mereka.

Diagram arsitektur mencakup komponen-komponen berikut:

1. Data dicerna dari sumber data eksternal dan internal. Sumber-sumber ini termasuk, tetapi tidak terbatas pada, sistem Catatan Kesehatan Elektronik (EHR), laboratorium, fasilitas pengurutan, dan pusat pencitraan. AWS menawarkan serangkaian layanan seperti AWS Data Exchange, Amazon Kinesis,,,, AWS Transfer FamilyAWS DataSyncAWS Migration HubAWS HealthLake, dan AWS Glue(ETL). Anda dapat menggunakan layanan ini untuk membantu memigrasikan kumpulan data internal Anda dan berlangganan kumpulan data internal dan eksternal.

2. Domain data 1 terdiri dari alur kerja yang komprehensif untuk memproses data berorientasi pasien multimodal, termasuk data klinis, omics, dan pencitraan. Data klinis EHR dicerna dan disimpan dalam penyimpanan HealthLake data, layanan terkelola yang dibuat khusus untuk data klinis. AWS HealthOmics, layanan yang dibuat khusus untuk data omics, menangani urutan dan varian penyimpanan dan alur kerja. Data pencitraan dicerna dan disimpan di AWS HealthImaging. Data ini kemudian diubah menjadi produk siap konsumsi dan dipublikasikan di pasar data perusahaan untuk aksesibilitas dan penggunaan yang luas.

3. Di domain data 2, Amazon Kinesis AWS Glue, dan menyerap data AWS Data Exchange mentah ke dalam pipeline data. Sumber data dapat mencakup pendaftar publik, pemantauan pasien jarak jauh, dan program Enterprise Resource Planning (ERP). Pipeline memuat data mentah ke dalam bucket Amazon Simple Storage Service (Amazon S3). Data ini dibersihkan, dikuratori, diubah, dan disimpan untuk dipublikasikan sebagai produk data. Amazon Athena menawarkan mesin kueri interaktif yang dapat digunakan produsen data untuk mengubah data menggunakan SQL. AWS Glue DataBrewmenyediakan transformasi data visual, normalisasi, dan kemampuan profil.

4. Amazon DataZone menangani penerbitan metadata, proyek data kolaboratif, dan pustaka produk data ke katalog bisnis pusat.

5. Portal analitik data terpadu memungkinkan kolaborasi seputar data dengan memberikan tampilan produk data melalui tata kelola federasi. Amazon DataZone memungkinkan alur kerja layanan mandiri dengan AWS Glue Data Catalog didukung oleh AWS Lake Formation, sehingga pengguna dapat berbagi, mencari, menemukan data, dan meminta izin untuk konsumsi.

6. Konsumen data dapat mengakses data, membuat tampilan hilir, dan menggunakan alat yang dibuat khusus seperti Amazon Athena, Amazon, Amazon Redshift, Amazon AI SageMaker , dan QuickSight Amazon Bedrock untuk melakukan hal berikut:

   • Analisis operasional

   • Informatika klinis

   • Penelitian

   • Keterlibatan pasien dan klinis

   Konsumen data juga dapat mengembangkan aplikasi inovatif dengan menggunakan AI generatif, dan mereka dapat mempublikasikan produk data ke katalog bisnis.

Untuk informasi selengkapnya tentang arsitektur data mesh, lihat Apa itu Data Mesh?

AI generatif

Organisasi perawatan kesehatan menggunakan AI generatif untuk berbagai aplikasi, mulai dari mengotomatiskan interpretasi citra medis hingga menghasilkan rekomendasi diagnostik dan rencana perawatan berdasarkan gambar dan data tekstual. Adopsi AI generatif mempercepat inovasi dan meningkatkan efisiensi di seluruh rangkaian perawatan. Fokus baru pada AI generatif telah memaksa perawatan kesehatan untuk memperluas fokus datanya untuk memasukkan lebih banyak bentuk data tidak terstruktur, memperluas jumlah dan berbagai kasus penggunaan yang dapat diterima oleh AI. Secara umum, ada empat pola yang dapat dipilih organisasi, tergantung pada kasus penggunaannya, untuk menerapkan solusi AI generatif:

• Rekayasa cepat — Dalam rekayasa yang cepat, pengguna menyediakan data yang relevan sebagai konteks, memandu model AI generatif untuk membuat konten yang mereka inginkan. Organizations dengan strategi data kesehatan modern dapat memastikan bahwa data yang relevan mudah ditemukan, dibagikan, dan dikonsumsi.

• Retrieval Augmented Generation (RAG) — Pola RAG dibangun di atas rekayasa yang cepat. Alih-alih pengguna memberikan data yang relevan, program mencegat pertanyaan atau masukan pengguna. Program mencari di seluruh repositori data untuk mengambil konten yang relevan dengan pertanyaan atau masukan. Program ini memasukkan data yang ditemukannya ke model AI generatif untuk menghasilkan konten. Strategi data perawatan kesehatan modern memungkinkan kurasi dan pengindeksan data perusahaan. Data kemudian dapat dicari dan digunakan sebagai konteks untuk petunjuk atau pertanyaan, membantu model bahasa besar (LLM) dalam menghasilkan tanggapan.

Organisasi Anda dapat menggunakan dua pola berikut untuk memfokuskan output model AI generatif pada menghasilkan konten yang sesuai dengan konteks data mereka.

• Fine-tuning — Dengan menggunakan pola ini, organisasi Anda dapat melangkah lebih jauh dengan menyesuaikan model AI generatif. Ini melibatkan fine-tuning model pada sampel kecil data khusus untuk organisasi. Karena ukuran sampel kecil, pola ini memberikan keseimbangan biaya dan kustomisasi. Untuk menghindari bias dalam keluaran model, gunakan kumpulan data sampel kecil yang beragam dan representatif dari pola data organisasi Anda. Strategi data kesehatan modern mendukung akses yang efisien ke berbagai data untuk menyiapkan kumpulan data sampel.

• Bangun model Anda sendiri — Jika organisasi Anda perlu menghasilkan konten di seluruh volume data yang sangat terspesialisasi dan besar, dan tiga pola sebelumnya tidak memadai, Anda dapat membuat model Anda sendiri.

Strategi data modern memainkan peran penting dalam solusi AI generatif dengan membantu memastikan bahwa data memiliki karakteristik sebagai berikut:

• Data berkualitas tinggi untuk mendukung akurasi

• Data real-time atau mendekati real-time untuk membantu memastikan bahwa output model relevan

• Beberapa modalitas data di berbagai sumber data untuk menyediakan model dengan akses ke kumpulan data yang diperkaya untuk menghasilkan konten

Diagram berikut menunjukkan implementasi strategi data kesehatan modern yang menggunakan arsitektur data mesh untuk mendukung solusi AI generatif.

1. Data dicerna dari beragam sumber data di domain Informatika Klinis, Penelitian Klinis, dan Manajemen Pendapatan, dan data tersedia untuk organisasi perawatan kesehatan.

2. Tata kelola data federasi membantu memastikan kontrol akses yang ketat untuk berbagi data dan akses terpadu.

3. Konsumen data meliputi:

   • Aplikasi AI generatif, terutama yang menggunakan data untuk melatih dan LLMs menyempurnakan. Aplikasi ini menggunakan data perusahaan untuk chatbot Tanya Jawab untuk meningkatkan efisiensi operasional dan pengalaman pasien dan penyedia.

   • Aplikasi klinis yang dilengkapi dengan alat-alat seperti chatbot terintegrasi EHR, dasbor produktivitas, dan alat bantu dokumentasi.

   • Aplikasi yang berpusat pada pasien untuk meningkatkan pengalaman pasien. Aplikasi ini menampilkan interaksi chatbot, laporan klinis, dan proses rujukan dan penjadwalan yang efisien.

   • Penelitian klinis, dengan repositori proyek penelitian dan aplikasi yang dirancang untuk analisis kohort dan pelaporan peraturan.

Dengan arsitektur ini, pemangku kepentingan di organisasi Anda dapat fokus pada kurasi dan pengelolaan data yang mereka kumpulkan dari sumber lain sambil membuat data mereka sendiri dapat diakses oleh seluruh organisasi. Mereka dapat menggunakan alat yang tersedia di lapisan tata kelola data federasi untuk menentukan metadata, mengelola alur kerja persetujuan akses, dan menentukan serta menegakkan kebijakan. Selain itu, lapisan tata kelola data federasi menyediakan kontrol akses terpusat. Ini menciptakan lingkungan untuk kurasi berbagai sumber data dan untuk menyegarkan aset data berkualitas tinggi pada frekuensi tertentu untuk mempertahankan relevansi. AWS menawarkan serangkaian kemampuan yang komprehensif untuk memenuhi kebutuhan AI generatif Anda. Amazon Bedrock adalah cara entry-level bagi organisasi Anda untuk membangun dan menskalakan aplikasi berbasis AI generatif. AWS Trainiumdan AWS Inferentiachip menawarkan biaya terendah untuk model pelatihan dan menjalankan inferensi di cloud. Untuk informasi lebih lanjut, lihat Generative AI di AWS.