Esta publicación está coescrita con Javier Beltrán, Ornela Xhelili y Prasidh Chhabri de Aetion.
Para los tomadores de decisiones en la atención médica, es fundamental obtener una comprensión integral de los viajes de los pacientes y los resultados de salud a lo largo del tiempo. Los científicos, epidemiólogos y bioestadísticos implementan una amplia gama de consultas para capturar variables de pacientes complejas y clínicamente relevantes de datos del mundo real. Estas variables a menudo involucran secuencias complejas de eventos, combinaciones de ocurrencias y no ocurrencias, así como cálculos o categorizaciones numéricas detalladas que reflejan con precisión la naturaleza diversa de las experiencias de los pacientes e historias médicas. Expresar estas variables como consultas de lenguaje natural permite a los usuarios expresar intención científica y explorar la complejidad total de la línea de tiempo del paciente.
Aeción es un proveedor líder de software de evidencia del mundo real de grado de decisión para biofarma, pagadores y agencias reguladoras. La compañía proporciona soluciones integrales a los clientes de la salud y las ciencias de la vida para transformar rápida y transparentemente los datos del mundo real en evidencia del mundo real.
En el núcleo de la plataforma de evidencia AETION (AEP) están las medidas: bloques de construcción lógicos utilizados para capturar de forma flexible variables complejas de pacientes, lo que permite a los científicos personalizar sus análisis para abordar los matices y desafíos presentados por sus preguntas de investigación. Los usuarios de AEP pueden usar medidas para construir cohortes de pacientes y analizar sus resultados y características.
Un usuario que hace una pregunta científica tiene como objetivo traducir la intención científica, como “Quiero encontrar pacientes con un diagnóstico de diabetes y un relleno de metformina posterior”, en algoritmos que capturan estas variables en los datos del mundo real. Para facilitar esta traducción, Ation desarrolló un asistente de medidas para convertir las expresiones del lenguaje natural de la intención científica de los usuarios en medidas.
En esta publicación, revisamos cómo está usando Ation Roca madre de Amazon Para ayudar a optimizar el proceso analítico para producir evidencia del mundo real de grado de decisión y permitir a los usuarios sin experiencia en ciencia de datos para interactuar con conjuntos de datos complejos del mundo real.
Amazon Bedrock es un servicio totalmente administrado que proporciona acceso a alto rendimiento modelos de base (FMS) de las principales nuevas empresas de IA y Amazon a través de una API unificada. Ofrece una amplia gama de FMS, lo que le permite elegir el modelo que mejor se adapte a su caso de uso específico.
Tecnología de Ation
Aetion es una compañía de software y servicios de atención médica que utiliza la ciencia de la inferencia causal para generar evidencia del mundo real sobre la seguridad, la efectividad y el valor de los medicamentos e intervenciones clínicas. AETION se ha asociado con la mayoría de los 20 principales biopharma, pagadores líderes y agencias reguladoras.
Ation aporta una experiencia científica profunda y la tecnología a las ciencias de la vida, las agencias reguladoras (incluidas la FDA y la EMA), los pagadores y los clientes de la Evaluación de Tecnología de la Salud (HTA) en los EE. UU., Canadá, Europa y Japón con análisis que pueden lograr lo siguiente:
- Optimizar los ensayos clínicos identificando poblaciones objetivo, creando armas de control externos y contextualización de configuraciones y poblaciones subrepresentadas en entornos controlados
- Ampliar el acceso a la industria a través de cambios de etiquetas, precios, cobertura y decisiones de formulario
- Realizar estudios de seguridad y efectividad para medicamentos, tratamientos y diagnósticos
Las aplicaciones de AETION, incluida la descubrimiento y la sustancia, están impulsadas por el AEP, un motor analítico longitudinal central capaz de aplicar una inferencia causal rigurosa y métodos estadísticos a cientos de millones de viajes de pacientes.
AETIAI, el conjunto de capacidades generativas de IA generativas, está integrado en el AEP y las aplicaciones. El asistente de medidas es una característica de Aetionai en Sustanciate.
La siguiente figura ilustra la organización de los servicios de Aetion.
Asistente de medidas
Los usuarios crean análisis en Ation, se sufre para convertir los datos del mundo real en evidencia del mundo real de grado de decisión. El primer paso es capturar variables de pacientes de datos del mundo real. Sustanciate ofrece una amplia gama de medidas, como se ilustra en la siguiente captura de pantalla. Las medidas a menudo se pueden encadenar para capturar variables complejas.
Supongamos que el usuario está evaluando la rentabilidad de una terapia para ayudar a negociar la cobertura de drogas con los pagadores. El primer paso en este análisis es filtrar los valores de costos negativos que pueden aparecer en los datos de reclamos. El usuario puede preguntarle a Aetionai cómo implementar esto, como se muestra en la siguiente captura de pantalla.
En otro escenario, un usuario puede querer definir un resultado en su análisis como el cambio en la hemoglobina sobre las pruebas de laboratorio sucesivas después del inicio del tratamiento. Un usuario le hace a las medidas una pregunta expresada en lenguaje natural y recibe instrucciones sobre cómo implementar esto.
Descripción general de la solución
Los conjuntos de datos de pacientes se ingieren en el AEP y se transforman en un formato longitudinal (línea de tiempo). AEP hace referencia a estos datos para generar cohortes y ejecutar análisis. Las medidas son las variables que determinan las condiciones para la entrada de cohortes, la inclusión o la exclusión, y las características de un estudio.
El siguiente diagrama ilustra la arquitectura de la solución.
El asistente de medidas es un microservicio desplegado en un Kubernetes en AWS entorno y accedido a través de una API REST. Los datos transmitidos al servicio se cifran utilizando la seguridad de la capa de transporte 1.2 (TLS). Cuando un usuario hace una pregunta a través de la interfaz de usuario del Asistente, Supremia inicia una solicitud que contiene la pregunta y el historial anterior de mensajes, si está disponible. El asistente de medidas incorpora la pregunta en una plantilla rápida y llama a la API de roca de roca de Amazon para invocar Anthrope’s Claude 3 Haiku. Las indicaciones proporcionadas por el usuario y las solicitudes enviadas a la API de roca madre de Amazon están encriptadas utilizando TLS 1.2.
Ation eligió usar Amazon Bedrock para trabajar con modelos de idiomas grandes (LLM) debido a su amplia selección de modelos de múltiples proveedores, postura de seguridad, extensibilidad y facilidad de uso. Se descubrió que Claude 3 Haiku LLM de Anthrope era más eficiente en tiempo de ejecución y costo que las alternativas disponibles.
El asistente de medidas mantiene una base de conocimiento local sobre las medidas de AEP de expertos científicos en Ation e incorpora esta información en sus respuestas como barandillas. Estas barandillas se aseguran de que el servicio devuelva instrucciones válidas al usuario y compense por los errores de razonamiento lógicos que el modelo central podría exhibir.
La plantilla de solicitud de asistente de medidas contiene la siguiente información:
- Una definición general de la tarea que está ejecutando el LLM.
- Extractos de documentación AEP, que describe cada tipo de medida cubierto, sus tipos de entrada y salida, y cómo usarla.
- Una técnica de aprendizaje en contexto que incluye preguntas y respuestas resueltas semánticamente relevantes en el aviso.
- Reglas para condicionar a la LLM para que se comporte de cierta manera. Por ejemplo, cómo reaccionar a preguntas no relacionadas, mantener los datos confidenciales seguros o restringir su creatividad en el desarrollo de configuraciones AEP no válidas.
Para optimizar el proceso, Medies Assistant usa plantillas compuestas de dos partes:
- Estático – Se corrigieron las instrucciones para usarse con preguntas del usuario. Estas instrucciones cubren una amplia gama de instrucciones bien definidas para el asistente de medidas.
- Dinámica – Las preguntas y respuestas se seleccionan dinámicamente de una base de conocimiento local basada en la proximidad semántica a la pregunta del usuario. Estos ejemplos mejoran la calidad de las respuestas generadas al incorporar preguntas similares previamente hechas previamente y respondidas a la solicitud. Esta técnica modela una base de conocimiento a pequeña escala, optimizada y en proceso para un patrón de generación aumentada (RAG) de recuperación.
Pan de mixta mxbai-embbed-large-v1 El transformador de oraciones fue ajustado para generar incrustaciones de oraciones para una base de conocimiento local de preguntas y respuestas y preguntas de los usuarios. La similitud de la cuestión de las oraciones se calcula a través de la similitud cosena entre los vectores de incrustación.
La generación y el mantenimiento del grupo de preguntas y respuestas involucran a un humano en el bucle. Los expertos en la materia prueban continuamente las medidas del asistente, y los pares de preguntas y respuestas se utilizan para refinarlo continuamente para optimizar la experiencia del usuario.
Resultados
Nuestra implementación de las capacidades de Aetionai permite a los usuarios que utilizan consultas de lenguaje natural y oraciones para describir la intención científica en algoritmos que capturan estas variables en los datos del mundo real. Los usuarios ahora pueden convertir las preguntas expresadas en lenguaje natural en medidas en minutos en lugar de días, sin la necesidad de personal de apoyo y capacitación especializada.
Conclusión
En esta publicación, cubrimos cómo AETION utiliza servicios AWS para optimizar la ruta del usuario de definir la intención científica hasta ejecutar un estudio y obtener resultados. El asistente de medidas permite a los científicos implementar estudios complejos e iterar en los diseños de estudio, recibir orientación instantáneamente a través de respuestas a consultas rápidas y de lenguaje natural.
AETION continúa refinando la base de conocimiento disponible para el asistente de medidas y expandir las capacidades innovadoras de IA generativa en su conjunto de productos para ayudar a mejorar la experiencia del usuario y, en última instancia, acelerar el proceso de convertir los datos del mundo real en evidencia del mundo real.
Con Amazon Bedrock, el futuro de la innovación está a su alcance. Explorar Constructor generativo de aplicaciones de IA en AWS Para obtener más información sobre la construcción de capacidades generativas de IA para desbloquear nuevas ideas, construir soluciones transformadoras y dar forma al futuro de la atención médica hoy.
Sobre los autores
Javier Beltrán es un ingeniero de aprendizaje automático senior en Ation. Su carrera se ha centrado en el procesamiento del lenguaje natural, y tiene experiencia en la aplicación de soluciones de aprendizaje automático a varios dominios, desde la atención médica hasta las redes sociales.
Ornela xhelili es un arquitecto de aprendizaje automático del personal en Ation. Ornela se especializa en procesamiento del lenguaje natural, análisis predictivo y MLOPS, y posee una maestría en la ciencia en estadísticas. Ornela ha pasado los últimos 8 años construyendo productos AI/ML para nuevas empresas tecnológicas en varios dominios, incluidas la atención médica, las finanzas, el análisis y el comercio electrónico.
Prasidh chhabri es gerente de producto en Ation, liderando la plataforma de evidencia de Ation, Core Analytics y Capacidades de AI/ML. Tiene una amplia experiencia construyendo métodos cuantitativos y estadísticos para resolver problemas en la salud humana.
Mikhail vaynshteyn es un arquitecto de soluciones con Amazon Web Services. Mikhail trabaja con los clientes de Healthcare Life Sciences y se especializa en servicios de análisis de datos. Mikhail tiene más de 20 años de experiencia en la industria que cubre una amplia gama de tecnologías y sectores.