Hvordan InpharmD bruger Amazon Kendra og Amazon Lex til at drive evidensbaseret patientbehandling

Dette er et gæsteindlæg skrevet af Dr. Janhavi Punyarthi, direktør for brandudvikling hos InpharmD.

Skæringspunktet mellem DI og AI: Drug information (DI) refererer til opdagelse, brug og håndtering af sundheds- og medicinsk information. Sundhedsudbydere har mange udfordringer forbundet med opdagelse af lægemiddelinformation, såsom intensiv tidsinvolvering, manglende tilgængelighed og nøjagtighed af pålidelige data. Den gennemsnitlige kliniske forespørgsel kræver en litteratursøgning, der i gennemsnit tager 18.5 timer. Derudover ligger lægemiddelinformation ofte i uensartede informationssiloer, bag betalingsvægge og designvægge og bliver hurtigt forældet.

InpharmD er et mobilbaseret, akademisk netværk af lægemiddelinformationscentre, der kombinerer kraften fra kunstig intelligens og apoteksintelligens for at give kuraterede, evidensbaserede svar på kliniske forespørgsler. Målet hos InpharmD er at levere præcis lægemiddelinformation effektivt, så sundhedsudbydere kan træffe informerede beslutninger hurtigt og yde optimal patientpleje.

For at nå dette mål byggede InpharmD Sherlock, en prototype-bot, der læser og dechifrerer medicinsk litteratur. Sherlock er baseret på AI-tjenester, herunder Amazon Kendra, en intelligent søgetjeneste, og Amazon Lex, en fuldt administreret AI-tjeneste til at bygge samtalegrænseflader ind i enhver applikation. Med Sherlock kan sundhedsudbydere hente værdifuld klinisk dokumentation, som giver dem mulighed for at træffe datadrevne beslutninger og bruge mere tid med patienter. Sherlock har adgang til over 5,000 af InpharmDs abstracts og 1,300 lægemiddelmonografier fra American Society of Health System Pharmacists (ASHP). Denne databank udvides hver dag, efterhånden som flere abstracts og monografier uploades og redigeres. Sherlock filtrerer efter relevans og aktualitet for hurtigt at søge gennem tusindvis af PDF'er, undersøgelser, abstracts og andre dokumenter og give svar med 94 % nøjagtighed sammenlignet med mennesker.

Det følgende er en foreløbig tekstlig lighedsscore og manuel evaluering mellem et maskingenereret resumé og menneskeligt resumé.

InpharmD og AWS

AWS fungerer som en accelerator for InpharmD. AWS SDK'er reducerer udviklingstiden markant ved at levere fælles funktionaliteter, der gør det muligt for InpharmD at fokusere på at levere kvalitetsresultater. AWS-tjenester som Amazon Kendra og Amazon Lex giver InpharmD mulighed for at bekymre sig mindre om skalering, systemvedligeholdelse og stabilitet.

Følgende diagram illustrerer arkitekturen af ​​AWS-tjenester til Sherlock:

InpharmD ville ikke have været i stand til at bygge Sherlock uden hjælp fra AWS. Kernen bruger InpharmD Amazon Kendra som grundlaget for sine maskinlæringsinitiativer (ML) til at indeksere InpharmDs bibliotek af dokumenter og give smarte svar ved hjælp af naturlig sprogbehandling. Dette er overlegent i forhold til traditionelle fuzzy søgebaserede algoritmer, og resultatet er bedre svar på brugerspørgsmål.

InpharmD brugte derefter Amazon Lex til at skabe Sherlock, en chatbot-tjeneste, der leverer Amazon Kendras ML-drevne søgeresultater gennem en brugervenlig samtalegrænseflade. Sherlock bruger Amazon Lex' naturlige sprogforståelsesevner til at opdage hensigten og bedre forstå konteksten af ​​spørgsmål for at finde de bedste svar. Dette giver mulighed for mere naturlige samtaler vedrørende medicinske litteraturhenvendelser og svar.

Derudover gemmer InpharmD indholdet af lægemiddelinformation i skyen via S3 buckets. AWS Lambda giver InpharmD mulighed for at skalere serverlogik og interagere med forskellige AWS-tjenester med lethed. Det er nøglen til at forbinde Amazon Kendra til andre tjenester såsom Amazon Lex.

"AWS har været afgørende for at accelerere udviklingen af ​​Sherlock. Vi behøver ikke bekymre os så meget om skalering, systemvedligeholdelse og stabilitet, fordi AWS tager sig af det for os. Med Amazon Kendra og Amazon Lex er vi i stand til at bygge den bedste version af Sherlock og reducere vores udviklingstid med måneder. Oven i det er vi også i stand til at reducere tiden for hver litteratursøgning med 16 %."

– Tulasee Chintha, Chief Technological Officer og medstifter af InpharmD.

KIMOs Succeshistorier

InpharmD, som er betroet af et netværk af over 10,000 udbydere og otte sundhedssystemer, hjælper med at guide evidensbaseret information, der accelererer beslutningstagning og sparer tid for klinikere. Ved hjælp af InpharmD-tjenester reduceres tiden for hver litteratursøgning med 16 %, hvilket sparer cirka 3 timer pr. søgning. InpharmD giver også et omfattende resultat med cirka 12 tidsskriftsartikler resuméer for hver litteratursøgning. Med implementeringen af ​​Sherlock håber InpharmD at gøre litteratursøgningsprocessen endnu mere effektiv og opsummere flere undersøgelser på kortere tid.

Sherlock-prototypen bliver i øjeblikket beta-testet og delt med udbydere for at få brugerfeedback.

"Adgang til InpharmD-platformen er meget tilpasselig. Jeg var glad for, at InpharmD-teamet arbejdede sammen med mig for at imødekomme mine specifikke behov og behovene i min institution. Jeg spurgte Sherlock om sikkerheden ved et lægemiddel, og produktet gav mig et resumé og litteratur til at besvare komplekse kliniske spørgsmål hurtigt. Dette produkt udfører meget af det arbejde, der tidligere involverede en masse klik og søgning og forsøg på tonsvis af forskellige søgeleverandører. For en travl læge fungerer det glimrende. Det sparede mig tid og var med til at sikre, at jeg brugte den mest opdaterede forskning til min beslutningstagning. Dette ville have været en game changer, da jeg var på et akademisk hospital og lavede klinisk forskning, men selv som privatlæge er det fantastisk at sikre, at du altid er ajour med de aktuelle beviser."

– Ghaith Ibrahim, MD hos Wellstar Health System.

Konklusion

Vores team hos InpharmD er spændte på at bygge videre på den tidlige succes, vi har set fra implementeringen af ​​Sherlock med hjælp fra Amazon Kendra og Amazon Lex. Vores plan for Sherlock er at udvikle den til en intelligent assistent, der er tilgængelig når som helst og hvor som helst. I fremtiden håber vi at integrere Sherlock med Amazon Alexa, så udbydere kan få øjeblikkelig, kontaktløs adgang til beviser, hvilket giver dem mulighed for at træffe hurtige datadrevne kliniske beslutninger, der sikrer optimal patientpleje.

---

Om forfatteren

Dr. Janhavi Punyarthi er en innovativ farmaceut, der fører mærkeudvikling og engagement hos InpharmD. Med en passion for kreativitet nyder Dr. Punyarthi at kombinere sin kærlighed til at skrive og evidensbaseret medicin for at præsentere klinisk litteratur på engagerende måder.

Ansvarsfraskrivelse: AWS er ​​ikke ansvarlig for indholdet eller nøjagtigheden af ​​dette indlæg. Indholdet og meningerne i dette indlæg er udelukkende tredjepartsforfatterens. Det er hver enkelt kundes ansvar at afgøre, om de er underlagt HIPAA, og i givet fald, hvordan man bedst overholder HIPAA og dets gennemførelsesbestemmelser. Før du bruger AWS i forbindelse med beskyttede sundhedsoplysninger, skal kunderne indtaste et AWS Business Associate Addendum (BAA) og følge dets konfigurationskrav.

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Kilde: https://aws.amazon.com/blogs/machine-learning/how-inpharmd-uses-amazon-kendra-and-amazon-lex-to-drive-evidence-based-patient-care/