使用亚马逊 Comprehend Medical 以及医疗 LLMs 保健和生命科学

亚马逊 Web Services 的 Joe King、Rajesh Sitaraman 和 Ross Claytor

2024 年 12 月（文件历史记录）

概览

医疗数据量的不断增加以及对高效、准确处理的需求推动了自然语言处理 (NLP) 以及人工智能和机器学习 (AI/ML) 技术的采用。预训练的分类器模型和大型语言模型 (LLMs) 已成为各种医学 NLP 任务的强大工具，包括临床问答、报告摘要和洞察生成。但是，由于医学术语、特定领域的知识和监管要求的复杂性，医疗保健和生命科学领域面临着独特的挑战。要有效地使用预训练的分类器或在这个领域 LLMs 中使用预训练的分类器，需要一种精心设计的方法，将这些模型的优势与特定领域的资源和技术相结合。

医疗保健和生命科学领域的行业实践传统上依赖基于规则的系统、手动编码和专家评审流程。这些系统和流程既耗时又容易出错。人工智能和自然语言处理技术（例如A mazon Comprehend Medical和Amazon Bedrock 中的基础模型）的集成为处理医疗数据提供了高效且可扩展的解决方案，同时提高了准确性和一致性。

本指南探讨了 Amazon Comprehend Medical LLMs 以及医疗行业中智能自动化的用途。它概述了简化医疗编码、患者信息提取和记录摘要流程的最佳实践、挑战和实用方法。通过使用 Amazon Comprehend Medical LLMs 和，医疗机构可以将运营效率提升到新的水平，降低成本，并有可能改善患者护理。

该指南详细介绍了医疗保健领域的独特注意事项，例如理解医学术语、使用特定领域以及解决人工智能/ LLMs 机器学习系统的局限性。它为医疗保健 IT 经理、架构师和技术主管提供了一条全面的决策路径，帮助他们评估组织就绪情况，评估实施方案， AWS 服务 并使用适当的工具成功实现自动化。

通过遵循本指南中概述的指导方针和最佳实践，医疗保健组织可以利用人工智能/机器学习技术的力量，同时应对医疗领域的复杂性。这种方法支持遵守道德和监管准则，并促进在医疗保健中负责任地使用人工智能系统。它旨在生成准确、私密的见解。

目标受众

本指南适用于希望为医疗数据分析和自动化实施人工智能驱动的自然语言处理解决方案的技术利益相关者、架构师、技术主管和决策者。

目标

医疗保健和生命科学组织可以通过使用 Amazon Comprehend Medical 和. LLMs 这些结果通常包括提高运营效率、降低成本和改善患者护理。本节概述了关键业务目标以及实施本指南中概述的战略和最佳实践的相关好处。

以下是各组织通过实施本指南中的指导方针和最佳做法可以实现的一些目标：

• 缩短开发时间 — 本指南的最终目标是减少开发时间和成本，减少技术债务，并减少POC可能导致的项目失败。通过了解关键的人工智能/机器学习服务，例如Amazon Comprehend Medical，以及将法学硕士用于医疗保健任务的优势和局限性，企业可以缩短上市时间，提高实现业务目标的速度。

• 提取信息以自动执行医疗编码任务 — 患者就诊后，编码专家和提供者可以从医学文本中提取见解，例如主观、客观、评估和计划 (SOAP) 笔记。这可以减少手动记录的工作量，并帮助提供者专注于患者的需求。通过将 Amazon Comprehend Medical 的实体识别功能 LLMs与之相结合，组织可以从患者记录、临床记录和其他医疗保健数据源中提取相关的医疗信息。这可以最大限度地减少人为错误并促进一致的做法。

• 汇总患者记录和临床文档 — 自动汇总患者病史、治疗计划和医疗结果可以为医疗保健提供者节省宝贵的时间。 LLMs 可以帮助生成全面和结构化的临床文档。你可以通过 Amazon Comprehend Medical 获取更多背景信息，使用医学领域 LLM，或者使用医疗数据微调 LLM。这些方法可以帮助提供准确的摘要，并确保文档符合合规要求和标准。

• 支持临床决策和患者护理 — 通过在 Amazon Comprehend Med ical 中使用本体链接并 LLMs使用，提供者可以回答医疗问题或寻求有关患者护理的建议。这使医疗保健专业人员能够做出明智的决定，从而改善患者的预后并降低医疗失误的风险。