사용 사례: 환자 결과 및 재입원률 예측

AI 기반 예측 분석은 환자 결과를 예측하고 개인 맞춤형 치료 계획을 활성화하여 추가 이점을 제공합니다. 이를 통해 환자 만족도와 건강 결과를 개선할 수 있습니다. 이러한 AI 기능을 Amazon Bedrock 및 기타 기술과 통합하여 의료 공급자는 상당한 생산성 향상을 달성하고, 비용을 절감하고, 환자 진료의 전반적인 품질을 높일 수 있습니다.

환자 기록, 임상 기록, 약물, 치료 등의 의료 데이터를 지식 그래프에 저장할 수 있습니다. 의료 지식 그래프의 정형적이고 일시적인 데이터와 LLMs에 대한 심층적인 컨텍스트 이해를 결합하여 의료 공급자는 개별 환자 패턴에 대한 추가 인사이트를 얻을 수 있습니다. 예측 분석을 사용하면 잠재적 미준수 또는 치료 복잡성을 조기에 식별하고 개인화된 재입원 성향 점수를 생성할 수 있습니다.

이 솔루션은 재입원 가능성을 예측하는 데 도움이 됩니다. 이러한 예측은 환자 결과를 개선하고 의료 비용을 절감할 수 있습니다. 또한이 솔루션은 병원 의사와 관리자가 재입원 위험이 높은 환자에게 집중하는 데 도움이 될 수 있습니다. 또한 알림, 셀프 서비스 및 데이터 기반 작업을 통해 이러한 환자와 선제적 개입을 시작하는 데 도움이 됩니다.

솔루션 개요

이 솔루션은 다중 검색 검색 증강 생성(RAG) 프레임워크를 사용하여 환자 데이터를 분석합니다. 개별 환자의 병원 재입원 가능성을 예측하고 병원 수준의 재입원 성향 점수를 계산하는 데 도움이 됩니다. 이 솔루션은 다음 기능을 통합합니다.

• 지식 그래프 - 병원 방문, 이전 재입원, 증상, 실험실 결과, 처방된 치료, 약물 준수 기록과 같은 정형화된 시간순 환자 데이터를 저장합니다.

• 벡터 데이터베이스 - 퇴원 요약, 의사 기록, 예약 누락 또는 보고된 약물 부작용 기록과 같은 비정형 임상 데이터를 저장합니다.

• 미세 조정된 LLM - 환자의 행동, 치료 준수 및 재입원 가능성에 대한 추론을 생성하기 위해 지식 그래프의 정형 데이터와 벡터 데이터베이스의 비정형 데이터를 모두 사용합니다.

위험도 평가 모델은 LLM의 추론을 수치 점수로 정량화합니다. 점수를 병원 수준의 재입원 성향 점수로 집계할 수 있습니다. 이 점수는 각 환자의 위험 노출을 정의하며 주기적으로 또는 필요에 따라 계산할 수 있습니다. 모든 추론 및 위험 점수는 인덱싱되고 Amazon OpenSearch Service에 저장되므로 의료 관리자와 임상의가 이를 검색할 수 있습니다. 대화형 AI 에이전트를이 벡터 데이터베이스와 통합하여 임상의와 의료 관리자는 개별 환자 수준, 시설 전체 수준 또는 의료 전문 분야에서 인사이트를 원활하게 추출할 수 있습니다. 또한 위험 점수를 기반으로 자동 알림을 설정하여 선제적 개입을 장려할 수도 있습니다.

이 솔루션 구축은 다음 단계로 구성됩니다.

• 1단계: 의료 지식 그래프를 사용하여 환자 결과 예측

• 2단계: 처방된 약물 또는 치료에 대한 환자 행동 예측

• 3단계: 환자 재입원 가능성 예측

• 4단계: 병원 재입원 성향 점수 계산

1단계: 의료 지식 그래프를 사용하여 환자 결과 예측

Amazon Neptune에서는 지식 그래프를 사용하여 시간 경과에 따른 환자 방문 및 결과에 대한 일시적 지식을 저장할 수 있습니다. 지식 그래프를 구축하고 저장하는 가장 효과적인 방법은 그래프 모델과 그래프 데이터베이스를 사용하는 것입니다. 그래프 데이터베이스는 관계를 저장하고 탐색하기 위해 특별히 구축되었습니다. 그래프 데이터베이스를 사용하면 고도로 연결된 데이터를 더 쉽게 모델링 및 관리하고 유연한 스키마를 보유할 수 있습니다.

지식 그래프는 시계열 분석을 수행하는 데 도움이 됩니다. 다음은 환자 결과의 일시적 예측에 사용되는 그래프 데이터베이스의 주요 요소입니다.

• 과거 데이터 - 이전 진단, 지속적인 약물, 이전에 사용한 약물 및 환자의 실험실 결과

• 환자 방문(시간별) - 방문 날짜, 증상, 관찰된 알러지, 임상 기록, 진단, 절차, 치료, 처방 약물 및 실험실 결과

• 증상 및 임상 파라미터 - 심각도, 진행 패턴, 의학에 대한 환자의 반응을 포함한 임상 및 증상 기반 정보

의료 지식 그래프의 인사이트를 사용하여 Llama 3과 같은 Amazon Bedrock의 LLM을 미세 조정할 수 있습니다. 시간 경과에 따른 약물 또는 치료 세트에 대한 환자의 응답에 대한 순차적 환자 데이터로 LLM을 미세 조정합니다. 의 약물 또는 치료 세트와 환자-클리닉 상호 작용 데이터를 환자의 상태를 나타내는 사전 정의된 범주로 분류하는 레이블이 지정된 데이터 세트를 사용합니다. 이러한 범주의 예로는 상태 저하, 개선 또는 안정적인 진행 상황이 있습니다. 임상의가 환자 및 증상과 관련된 새 컨텍스트를 입력하면 미세 조정된 LLM은 훈련 데이터 세트의 패턴을 사용하여 잠재적 환자 결과를 예측할 수 있습니다.

다음 이미지는 의료별 훈련 데이터 세트를 사용하여 Amazon Bedrock에서 LLM을 미세 조정하는 것과 관련된 순차적 단계를 보여줍니다. 이 데이터에는 환자의 의학적 상태와 시간 경과에 따른 치료에 대한 응답이 포함될 수 있습니다. 이 훈련 데이터 세트는 모델이 환자 결과에 대한 일반화된 예측을 수행하는 데 도움이 됩니다.

이 다이어그램은 다음 워크플로를 보여줍니다.

1. Amazon SageMaker AI 데이터 추출 작업은 지식 그래프를 쿼리하여 시간 경과에 따른 약물 또는 치료 세트에 대한 다양한 환자의 응답에 대한 시간별 데이터를 검색합니다.

2. SageMaker AI 데이터 준비 작업은 Amazon Bedrock LLM과 주제 전문가(SMEs. 작업은 지식 그래프에서 검색된 데이터를 각 환자의 상태를 나타내는 사전 정의된 범주(예: 상태 저하, 개선 또는 안정적인 진행 상황)로 분류합니다.

3. 작업은 지식 그래프에서 추출한 정보, chain-of-thought 프롬프트 및 환자 결과 범주를 포함하는 미세 조정 데이터 세트를 생성합니다. 이 훈련 데이터 세트를 Amazon S3 버킷에 업로드합니다.

4. Amazon Bedrock 사용자 지정 작업은이 훈련 데이터 세트를 사용하여 LLM을 미세 조정합니다.

5. Amazon Bedrock 사용자 지정 작업은 훈련 환경 내에서 선택한 Amazon Bedrock 기본 모델을 통합합니다. 미세 조정 작업을 시작하고 구성한 훈련 데이터 세트와 훈련 하이퍼파라미터를 사용합니다.

6. Amazon Bedrock 평가 작업은 사전 설계된 모델 평가 프레임워크를 사용하여 미세 조정된 모델을 평가합니다.

7. 모델을 개선해야 하는 경우 훈련 데이터세트를 신중하게 고려한 후 더 많은 데이터로 훈련 작업이 다시 실행됩니다. 모델이 점진적 성능 개선을 보이지 않는 경우 훈련 하이퍼파라미터 수정도 고려하세요.

8. 모델 평가가 비즈니스 이해관계자가 정의한 표준을 충족하면 미세 조정된 모델을 Amazon Bedrock 프로비저닝 처리량으로 호스팅합니다.

2단계: 처방된 약물 또는 치료에 대한 환자 행동 예측

미세 조정된 LLMs 임시 의료 지식 그래프에서 임상 기록, 퇴원 요약 및 기타 환자별 문서를 처리할 수 있습니다. 이들은 환자가 처방된 약물 또는 치료를 따를 가능성이 있는지 평가할 수 있습니다.

이 단계에서는에서 생성된 지식 그래프를 사용합니다1단계: 의료 지식 그래프를 사용하여 환자 결과 예측. 지식 그래프에는 노드로서 환자의 과거 준수 여부를 포함하여 환자 프로필의 데이터가 포함되어 있습니다. 또한 의약품 또는 치료를 준수하지 않는 사례, 의약품에 대한 부작용, 의약품에 대한 액세스 또는 비용 장벽 부족 또는 이러한 노드의 속성으로 복잡한 투여 방법이 포함됩니다.

미세 조정된 LLMs 의료 지식 그래프의 과거 처방 이행 데이터와 Amazon OpenSearch Service 벡터 데이터베이스의 임상 노트에 대한 설명 요약을 사용할 수 있습니다. 이러한 임상 기록에는 자주 예약 누락 또는 치료 미준수가 언급될 수 있습니다. LLM은 이러한 참고 사항을 사용하여 향후 규정 미준수 가능성을 예측할 수 있습니다.

1. 다음과 같이 입력 데이터를 준비합니다.

   • 구조화된 데이터 - 의료 지식 그래프에서 지난 3회 방문 및 랩 결과와 같은 최근 환자 데이터를 추출합니다.

   • 비정형 데이터 - Amazon OpenSearch Service 벡터 데이터베이스에서 최근 임상 정보를 검색합니다.

2. 환자 기록과 현재 컨텍스트가 포함된 입력 프롬프트를 구성합니다. 다음은 프롬프트의 예입니다.

   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. 프롬프트를 미세 조정된 LLM에 전달합니다. LLM은 프롬프트를 처리하고 결과를 예측합니다. 다음은 LLM의 응답 예제입니다.

   {
     "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. 모델의 응답을 구문 분석하여 예측 결과 범주를 추출합니다. 예를 들어 이전 단계의 예제 응답 범주는 미준수 가능성이 높을 수 있습니다.

5. (선택 사항) 모델 로짓 또는 추가 방법을 사용하여 신뢰도 점수를 할당합니다. 로짓은 특정 클래스 또는 범주에 속하는 항목의 정규화되지 않은 확률입니다.

3단계: 환자 재입원 가능성 예측

병원 재입원은 의료 관리 비용이 높고 환자의 안녕에 미치는 영향으로 인해 주요 관심사입니다. 병원 재입원률 계산은 환자 진료의 품질과 의료 제공자의 성과를 측정하는 한 가지 방법입니다.

재입원율을 계산하기 위해 7일 재입원율과 같은 지표를 정의했습니다. 이 지표는 퇴원 후 7일 이내에 계획되지 않은 방문을 위해 입원한 입원 환자의 비율입니다. 환자의 재입원 가능성을 예측하기 위해 미세 조정된 LLM은에서 생성한 의료 지식 그래프의 시간 데이터를 사용할 수 있습니다1단계: 의료 지식 그래프를 사용하여 환자 결과 예측. 이 지식 그래프는 환자 진료, 절차, 약물 및 증세에 대한 시간별 기록을 유지합니다. 이러한 데이터 레코드에는 다음이 포함됩니다.

• 환자의 마지막 퇴원 이후 경과된 기간

• 과거 치료 및 의약품에 대한 환자의 응답

• 시간 경과에 따른 증상 또는 상태의 진행

이러한 시계열 이벤트를 처리하여 선별된 시스템 프롬프트를 통해 환자의 재입원 가능성을 예측할 수 있습니다. 프롬프트는 미세 조정된 LLM에 예측 로직을 부여합니다.

1. 다음과 같이 입력 데이터를 준비합니다.

   • 준수 이력 - 의료 지식 그래프에서 약물 픽업 날짜, 약물 리필 빈도, 진단 및 약물 세부 정보, 시간별 의료 기록 및 기타 정보를 추출합니다.

   • 행동 지표 - 약속 누락 및 환자 보고 부작용에 대한 임상 기록을 검색하고 포함합니다.

2. 준수 기록 및 행동 지표가 포함된 입력 프롬프트를 구성합니다. 다음은 프롬프트의 예입니다.

   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. 프롬프트를 미세 조정된 LLM에 전달합니다. LLM은 프롬프트를 처리하고 재입원 가능성과 이유를 예측합니다. 다음은 LLM의 응답 예제입니다.

   {
     "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. 예측을 낮음, 중간 또는 높음과 같은 표준화된 척도로 분류합니다.

5. LLM에서 제공하는 추론을 검토하고 예측에 기여하는 주요 요소를 식별합니다.

6. 정성적 출력을 정량적 점수에 매핑합니다. 예를 들어 매우 높으면 확률이 0.9일 수 있습니다.

7. 검증 데이터 세트를 사용하여 모델 출력을 실제 재입원률과 비교하여 보정합니다.

4단계: 병원 재입원 성향 점수 계산

다음으로 환자당 병원 재입원 성향 점수를 계산합니다. 이 점수는 이전 단계에서 수행된 세 가지 분석, 즉 잠재적 환자 결과, 약물 및 치료에 대한 환자 행동, 환자 재입원 가능성의 순 영향을 반영합니다. 환자 수준 재입원 성향 점수를 특수 수준으로 집계한 다음 병원 수준에서 임상의, 의료 관리자 및 관리자에게 인사이트를 얻을 수 있습니다. 병원 재입원 성향 점수는 시설, 전문 분야 또는 조건별로 전반적인 성과를 평가하는 데 도움이 됩니다. 그런 다음이 점수를 사용하여 선제적 개입을 구현할 수 있습니다.

1. 각 요인(결과 예측, 준수 가능성, 재입원)에 가중치를 할당합니다. 다음은 가중치의 예입니다.

   • 결과 예측 가중치: 0.4

   • 준수 예측 가중치: 0.3

   • 재입원 가능성 가중치: 0.3

2. 다음 계산을 사용하여 복합 점수를 계산합니다.

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

3. 모든 개별 점수가 0~1과 같은 동일한 척도에 있는지 확인합니다.

4. 작업의 임계값을 정의합니다. 예를 들어 점수가 0.7을 초과하면 알림이 시작됩니다.

위의 분석 및 환자의 재입원 성향 점수를 기반으로 임상의 또는 의료 관리자는 계산된 점수를 기반으로 개별 환자를 모니터링하도록 알림을 설정할 수 있습니다. 사전 정의된 임계값을 초과하면 해당 임계값에 도달하면 알림을 받습니다. 이를 통해 의료 관리자는 환자를 위한 퇴원 의료 계획을 생성할 때 사후 대응보다는 사전 예방적으로 대처할 수 있습니다. 의료 관리자가 대화형 AI 에이전트를 사용하여 원활하게 검색할 수 있도록 환자 결과, 동작 및 재입원 성향 점수를 Amazon OpenSearch Service 벡터 데이터베이스에 인덱싱된 형식으로 저장합니다.

다음 다이어그램은 임상의 또는 의료 관리자가 환자 결과, 예상 동작 및 재입원 성향에 대한 인사이트를 검색하는 데 사용할 수 있는 대화형 AI 에이전트의 워크플로를 보여줍니다. 사용자는 환자 수준, 부서 수준 또는 병원 수준에서 인사이트를 검색할 수 있습니다. AI 에이전트는 Amazon OpenSearch Service 벡터 데이터베이스에 인덱싱된 형식으로 저장된 이러한 인사이트를 검색합니다. 에이전트는 쿼리를 사용하여 관련 데이터를 검색하고 재입원 위험이 높은 환자를 위한 권장 조치를 포함하여 맞춤형 응답을 제공합니다. 에이전트는 위험 수준에 따라 환자 및 의료 제공자를 위한 미리 알림을 설정할 수도 있습니다.

이 다이어그램은 다음 워크플로를 보여줍니다.

1. 임상의는 함수가 있는 AWS Lambda 대화형 AI 에이전트에게 질문을 합니다.

2. Lambda 함수는 LangChain 에이전트를 시작합니다.

3. LangChain 에이전트는 사용자의 질문을 Amazon SageMaker AI 텍스트 임베딩 엔드포인트로 보냅니다. 엔드포인트는 질문을 포함합니다.

4. LangChain 에이전트는 Amazon OpenSearch Service의 의료 지식 기반에 임베디드 질문을 전달합니다.

5. Amazon OpenSearch Service는 사용자 쿼리와 가장 관련성이 높은 특정 인사이트를 LangChain 에이전트에게 반환합니다.

6. LangChain 에이전트는 지식 기반에서 Amazon Bedrock 파운데이션 모델로 쿼리와 검색된 컨텍스트를 전송합니다.

7. Amazon Bedrock 파운데이션 모델은 응답을 생성하여 Lambda 함수로 전송합니다.

8. Lambda 함수는 임상의에게 응답을 반환합니다.

9. 임상의는 재입원 위험이 높은 환자에게 후속 이메일을 보내는 Lambda 함수를 시작합니다.

AWS Well-Architected 프레임워크에 맞게 조정

환자 행동을 추적하고 병원 재입원률을 예측하기 위한 아키텍처는 AWS Well-Architected Framework의 6가지 원칙에 부합하면서 의료 성과를 개선하기 위해 AWS 서비스, 의료 지식 그래프 및 LLMs을 통합합니다.

• 운영 우수성 - 솔루션은 실시간 알림을 AWS Lambda 위해 Amazon Bedrock 및를 사용하는 분리되고 자동화된 시스템입니다.

• 보안 -이 솔루션은 HIPAA와 같은 의료 규정을 준수하도록 설계되었습니다. 또한 암호화, 세분화된 액세스 제어 및 Amazon Bedrock 가드레일을 구현하여 환자 데이터를 보호할 수 있습니다.

• 신뢰성 - 아키텍처는 내결함성 서버리스를 사용합니다 AWS 서비스.

• 성능 효율성 - Amazon OpenSearch Service 및 미세 조정된 LLMs 빠르고 정확한 예측을 제공할 수 있습니다.

• 비용 최적화 - 서버리스 기술 및 pay-per-inference 모델은 비용을 최소화하는 데 도움이 됩니다. 미세 조정된 LLM을 사용하면 추가 요금이 발생할 수 있지만 모델은 미세 조정 프로세스에 필요한 데이터 및 계산 시간을 줄이는 RAG 접근 방식을 사용합니다.

• 지속 가능성 - 아키텍처는 서버리스 인프라를 사용하여 리소스 소비를 최소화합니다. 또한 효율적이고 확장 가능한 의료 운영을 지원합니다.