Data layanan kesehatan bersifat kompleks dan tertutup, serta tersedia dalam berbagai format. Diperkirakan 80% data dalam organisasi dianggap sebagai data tidak terstruktur atau “gelap” yang dikunci di dalam teks, email, PDF, dan dokumen pindaian. Data ini sulit untuk ditafsirkan atau dianalisis secara terprogram dan membatasi bagaimana organisasi dapat memperoleh wawasan darinya dan melayani pelanggan mereka secara lebih efektif. Laju pembuatan data yang cepat berarti bahwa organisasi yang tidak berinvestasi dalam otomatisasi dokumen berisiko terjebak dengan proses lama yang manual, lambat, rawan kesalahan, dan sulit diskalakan.
Dalam posting ini, kami mengusulkan solusi yang mengotomatiskan penyerapan dan transformasi PDF yang sebelumnya belum dimanfaatkan serta catatan dan data klinis tulisan tangan. Kami menjelaskan cara mengekstrak informasi dari grafik data klinis pelanggan menggunakan Teks Amazon, lalu gunakan teks mentah yang diekstrak untuk mengidentifikasi elemen data diskrit menggunakan Amazon Memahami Medis. Kami menyimpan hasil akhir dalam format yang kompatibel dengan Fast Healthcare Interoperability Resources (FHIR) di Danau Kesehatan Amazon, membuatnya tersedia untuk analitik hilir.
Ikhtisar solusi
AWS menyediakan berbagai layanan dan solusi bagi penyedia layanan kesehatan untuk membuka kunci nilai data mereka. Untuk solusi kami, kami memproses sampel kecil dokumen melalui Amazon Textract dan memuat data yang diekstrak tersebut sebagai sumber daya FHIR yang sesuai di Amazon HealthLake. Kami membuat proses khusus untuk konversi FHIR dan mengujinya dari ujung ke ujung.
Data pertama kali dimuat ke DocumentReference
. Amazon HealthLake kemudian membuat sumber daya yang dihasilkan sistem setelah memproses teks tidak terstruktur ini DocumentReference
dan memuatnya ke dalam Condition
, MedicationStatement
, dan Observation
sumber daya. Kami mengidentifikasi beberapa bidang data dalam sumber daya FHIR seperti ID pasien, tanggal layanan, jenis penyedia, dan nama fasilitas medis.
A MedicationStatement
adalah catatan obat yang sedang dikonsumsi oleh pasien. Ini mungkin menunjukkan bahwa pasien sedang minum obat sekarang, pernah minum obat di masa lalu, atau akan minum obat di masa depan. Skenario umum di mana informasi ini diambil adalah selama proses anamnesis selama kunjungan atau rawat inap pasien. Sumber informasi obat dapat berupa ingatan pasien, botol resep, atau dari daftar obat yang disimpan oleh pasien, dokter, atau pihak lain.
Observations
adalah elemen sentral dalam perawatan kesehatan, digunakan untuk mendukung diagnosis, memantau kemajuan, menentukan garis dasar dan pola, dan bahkan menangkap karakteristik demografis. Sebagian besar pengamatan adalah pernyataan pasangan nama/nilai sederhana dengan beberapa metadata, tetapi beberapa pengamatan mengelompokkan pengamatan lain bersama-sama secara logis, atau bahkan dapat berupa pengamatan multi-komponen.
Grafik Condition
sumber daya digunakan untuk merekam informasi terperinci tentang suatu kondisi, masalah, diagnosis, atau peristiwa, situasi, masalah, atau konsep klinis lainnya yang telah meningkat ke tingkat yang memprihatinkan. Kondisi tersebut dapat berupa diagnosis langsung dalam konteks pertemuan, item dalam daftar masalah praktisi, atau kekhawatiran yang tidak ada dalam daftar masalah praktisi.
Diagram berikut menunjukkan alur kerja untuk memigrasikan data tidak terstruktur ke FHIR untuk AI dan analisis pembelajaran mesin (ML) di Amazon HealthLake.
Langkah-langkah alur kerjanya adalah sebagai berikut:
- Sebuah dokumen diunggah ke sebuah Layanan Penyimpanan Sederhana Amazon (Amazon S3).
- Pengunggahan dokumen di Amazon S3 memicu AWS Lambda fungsi.
- Fungsi Lambda mengirimkan gambar ke Amazon Textract.
- Amazon Texttract mengekstrak teks dari gambar dan menyimpan output dalam bucket S3 output Amazon Textract yang terpisah.
- Hasil akhir disimpan sebagai sumber daya FHIR tertentu (teks yang diekstrak dimuat di
DocumentReference
sebagai teks yang disandikan base64) di Amazon HealthLake untuk mengekstrak makna dari data tidak terstruktur dengan Amazon Comprehend Medical terintegrasi untuk pencarian dan kueri yang mudah. - Pengguna dapat membuat analisis yang bermakna dan menjalankan analitik interaktif menggunakan Amazon Athena.
- Pengguna dapat membangun visualisasi, melakukan analisis ad hoc, dan dengan cepat mendapatkan wawasan bisnis Amazon QuickSight.
- Pengguna dapat membuat prediksi dengan menggunakan data kesehatan Amazon SageMaker model ML.
Prasyarat
Posting ini mengasumsikan keakraban dengan layanan berikut:
Secara default, kemampuan pemrosesan bahasa alami (NLP) Amazon Comprehend Medical terintegrasi dalam Amazon HealthLake dinonaktifkan di akun AWS Anda. Untuk mengaktifkannya, kirimkan kasus dukungan dengan ID akun Anda, Wilayah AWS, dan ARN penyimpanan data Amazon HealthLake. Untuk informasi lebih lanjut, lihat Bagaimana cara mengaktifkan fitur pemrosesan bahasa alami terintegrasi HealthLake.
Mengacu kepada GitHub repo untuk detail penyebaran lebih lanjut.
Menyebarkan arsitektur solusi
Untuk menyiapkan solusi, selesaikan langkah-langkah berikut:
- Clone file GitHub repo, lari
cdk deploy PdfMapperToFhirWorkflow
dari command prompt atau terminal Anda dan ikuti file README. Penerapan akan selesai dalam waktu sekitar 30 menit. - Di konsol Amazon S3, navigasikan ke bucket dimulai dengan
pdfmappertofhirworkflow
-, yang dibuat sebagai bagian daricdk deploy
. - Di dalam bucket, buat folder bernama unggahan dan unggah contoh PDF (Contoh Catatan Medis.pdf).
Segera setelah pengunggahan dokumen berhasil, saluran pipa akan dipicu, dan Anda dapat mulai melihat data di Amazon HealthLake, yang dapat Anda kueri menggunakan beberapa alat AWS.
Minta datanya
Untuk menjelajahi data Anda, selesaikan langkah-langkah berikut:
- Di konsol CloudWatch, cari
HealthlakeTextract
grup log. - Di detail grup log, catat ID unik dari dokumen yang Anda proses.
- Di konsol Amazon HealthLake, pilih Toko Data di panel navigasi.
- Pilih penyimpanan data Anda dan pilih Jalankan kueri.
- Untuk Jenis kueri, pilih Cari dengan GET.
- Untuk Jenis sumber daya, pilih Referensi Dokumen.
- Untuk Parameter pencarian, masukkan parameter terkait dengan dan nilai sebagai
DocumentReference/
Identitas unik. - Pilih Jalankan kueri.
- Dalam majalah Tubuh respons bagian, minimalkan bagian sumber daya untuk hanya melihat enam sumber daya yang dibuat untuk dokumen PDF enam halaman.
- Tangkapan layar berikut menunjukkan analisis terintegrasi dengan Amazon Comprehend Medical dan NLP diaktifkan. Tangkapan layar di sebelah kiri adalah sumber PDF; tangkapan layar di sebelah kanan adalah hasil NLP dari Amazon HealthLake.
- Anda juga dapat menjalankan kueri dengan Jenis kueri ditetapkan sebagai Baca dan Jenis sumber daya ditetapkan sebagai Kondisi menggunakan ID sumber daya yang sesuai.
Tangkapan layar berikut menunjukkan hasil kueri. - Di konsol Athena, jalankan kueri berikut:
Demikian pula, Anda dapat melakukan kueri MedicationStatement
, Condition
, dan Observation
sumber daya
Membersihkan
Setelah Anda selesai menggunakan solusi ini, jalankan cdk destroy PdfMapperToFhirWorkflow
untuk memastikan Anda tidak dikenakan biaya tambahan. Untuk informasi lebih lanjut, lihat AWS CDK Toolkit (perintah cdk).
Kesimpulan
Layanan AI AWS dan Amazon HealthLake dapat membantu menyimpan, mentransformasi, membuat kueri, dan menganalisis wawasan dari data perawatan kesehatan yang tidak terstruktur. Meskipun postingan ini hanya mencakup bagan klinis PDF, Anda dapat memperluas solusi ke jenis PDF, gambar, dan catatan tulisan tangan perawatan kesehatan lainnya. Setelah data diekstraksi ke dalam bentuk teks, diurai menjadi elemen data terpisah menggunakan Amazon Comprehend Medical, dan disimpan di Amazon HealthLake, data dapat diperkaya lebih lanjut dengan sistem hilir untuk mendorong informasi perawatan kesehatan yang bermakna dan dapat ditindaklanjuti, dan pada akhirnya meningkatkan hasil kesehatan pasien.
Solusi yang diusulkan tidak memerlukan penerapan dan pemeliharaan infrastruktur server. Semua layanan dikelola oleh AWS atau tanpa server. Dengan model penagihan pay-as-you-go AWS dan kedalaman serta luasnya layanan, biaya dan upaya penyiapan dan eksperimen awal secara signifikan lebih rendah daripada alternatif lokal tradisional.
Sumber daya tambahan
Untuk informasi selengkapnya tentang Amazon HealthLake, lihat yang berikut ini:
Tentang Penulis
Shravan Vurputoor adalah Arsitek Solusi Senior di AWS. Sebagai advokat pelanggan tepercaya, dia membantu organisasi memahami praktik terbaik seputar arsitektur canggih berbasis cloud, dan memberikan saran tentang strategi untuk membantu mendorong hasil bisnis yang sukses di berbagai pelanggan perusahaan melalui hasratnya untuk mengedukasi, melatih, merancang, dan membangun cloud solusi. Di waktu luangnya, ia senang membaca, menghabiskan waktu bersama keluarga, dan memasak.
Rafael M.Koike adalah Arsitek Solusi Utama di AWS yang mendukung pelanggan Perusahaan di Tenggara, dan merupakan bagian dari Komunitas Bidang Teknis Penyimpanan dan Keamanan. Rafael memiliki hasrat untuk membangun, dan keahliannya dalam keamanan, penyimpanan, jaringan, dan pengembangan aplikasi sangat penting dalam membantu pelanggan berpindah ke cloud dengan aman dan cepat.
Randheer Gehlot adalah Manajer Solusi Pelanggan Utama di AWS. Randheer sangat tertarik dengan AI/ML dan penerapannya dalam industri HCLS. Sebagai pembuat AWS, dia bekerja dengan perusahaan besar untuk merancang dan dengan cepat mengimplementasikan migrasi strategis ke cloud dan membangun solusi cloud-native yang modern.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPO®. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/transform-analyze-and-discover-insights-from-unstructured-healthcare-data-using-amazon-healthlake/
- :memiliki
- :adalah
- :Di mana
- $NAIK
- 30
- 7
- a
- Tentang Kami
- Akun
- di seluruh
- Ad
- Tambahan
- maju
- nasihat
- pengacara
- Setelah
- AI
- Layanan AI
- AI / ML
- Semua
- juga
- alternatif
- Meskipun
- Amazon
- Amazon Comprehend
- Amazon Memahami Medis
- Danau Kesehatan Amazon
- Teks Amazon
- an
- Analisis
- analisis
- analisis
- menganalisa
- dan
- Aplikasi
- Pengembangan Aplikasi
- sesuai
- sekitar
- ADALAH
- sekitar
- AS
- At
- mengotomatiskan
- Otomatisasi
- tersedia
- AWS
- BE
- menjadi
- makhluk
- TERBAIK
- Praktik Terbaik
- penagihan
- luasnya
- luas
- membangun
- pembangun
- Bangunan
- bisnis
- tapi
- by
- bernama
- CAN
- menangkap
- kasus
- pusat
- karakteristik
- beban
- Grafik
- Charts
- Pilih
- Klinis
- awan
- kode
- Umum
- masyarakat
- cocok
- lengkap
- kompleks
- memahami
- konsep
- Perhatian
- kondisi
- dianggap
- konsul
- dikonsumsi
- konteks
- Konversi
- Biaya
- bisa
- Kelas
- tercakup
- membuat
- dibuat
- menciptakan
- adat
- pelanggan
- Solusi Pelanggan
- pelanggan
- data
- Tanggal
- Default
- demografis
- menyebarkan
- penyebaran
- kedalaman
- Mendesain
- merancang
- menghancurkan
- terperinci
- rincian
- Menentukan
- Pengembangan
- sulit
- cacat
- menemukan
- do
- dokumen
- Otomatisasi Dokumen
- dokumen
- Tidak
- dilakukan
- Dont
- turun
- mendorong
- selama
- Timur
- Mudah
- mendidik
- efektif
- usaha
- antara
- elemen
- elemen
- aktif
- diaktifkan
- akhir
- diperkaya
- memastikan
- Enter
- Enterprise
- perusahaan
- kesalahan
- diperkirakan
- Bahkan
- Acara
- ada
- ada
- keahlian
- Menjelaskan
- menyelidiki
- memperpanjang
- ekstrak
- Ekstrak
- Fasilitas
- Keakraban
- keluarga
- FAST
- beberapa
- bidang
- Fields
- File
- terakhir
- Pertama
- mengikuti
- berikut
- berikut
- Untuk
- bentuk
- format
- dari
- fungsi
- lebih lanjut
- masa depan
- generasi
- mendapatkan
- mendapatkan
- Kelompok
- he
- Kesehatan
- kesehatan
- membantu
- membantu
- membantu
- -nya
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- i
- ID
- mengenali
- gambar
- gambar
- melaksanakan
- memperbaiki
- in
- menunjukkan
- industri
- informasi
- Infrastruktur
- mulanya
- wawasan
- instrumental
- terpadu
- interaktif
- Interoperabilitas
- ke
- investasi
- isu
- IT
- NYA
- jpg
- hanya
- bahasa
- besar
- Perusahaan besar
- pengetahuan
- meninggalkan
- Warisan
- Tingkat
- 'like'
- batas
- Daftar
- memuat
- beban
- terkunci
- mencatat
- menurunkan
- mesin
- Mesin belajar
- mempertahankan
- pemeliharaan
- membuat
- Membuat
- berhasil
- manajer
- panduan
- Mungkin..
- makna
- berarti
- cara
- medis
- Memori
- Metadata
- bermigrasi
- menit
- ML
- model
- model
- modern
- Memantau
- lebih
- paling
- pindah
- nama
- Alam
- Pengolahan Bahasa alami
- Arahkan
- Navigasi
- jaringan
- nLP
- Catatan
- sekarang
- of
- on
- hanya
- or
- organisasi
- Lainnya
- kami
- hasil
- keluaran
- pane
- parameter
- bagian
- pihak
- gairah
- bergairah
- lalu
- pasien
- pola
- Melakukan
- pipa saluran
- plato
- Kecerdasan Data Plato
- Data Plato
- Pos
- praktek
- Prediksi
- resep
- sebelumnya
- Utama
- Masalah
- proses
- Diproses
- proses
- pengolahan
- Kemajuan
- mengusulkan
- diusulkan
- pemberi
- penyedia
- menyediakan
- segera
- Rafael
- cepat
- cepat
- Penilaian
- Mentah
- Bacaan
- catatan
- wilayah
- membutuhkan
- sumber
- Sumber
- mengakibatkan
- Hasil
- Bangkit
- Risiko
- Run
- Skala
- skenario
- Pencarian
- Bagian
- bagian
- aman
- keamanan
- melihat
- mengirimkan
- senior
- terpisah
- melayani
- Tanpa Server
- layanan
- Layanan
- set
- penyiapan
- beberapa
- Pertunjukkan
- signifikan
- Sederhana
- situasi
- ENAM
- lambat
- kecil
- larutan
- Solusi
- beberapa
- sumber
- Selatan
- tertentu
- Pengeluaran
- awal
- Mulai
- tinggal
- Tangga
- penyimpanan
- menyimpan
- tersimpan
- toko
- Strategis
- strategi
- menyerahkan
- sukses
- mendukung
- pendukung
- sistem
- pengambilan
- Teknis
- terminal
- uji
- dari
- bahwa
- Grafik
- Masa depan
- Sumber
- mereka
- kemudian
- ini
- Melalui
- waktu
- untuk
- bersama
- toolkit
- alat
- tradisional
- Pelatihan
- Mengubah
- Transformasi
- memicu
- Terpercaya
- MENGHIDUPKAN
- mengetik
- jenis
- Akhirnya
- memahami
- unik
- membuka kunci
- belum dimanfaatkan
- upload
- menggunakan
- bekas
- menggunakan
- nilai
- variasi
- berbagai
- View
- Mengunjungi
- adalah
- we
- adalah
- yang
- akan
- dengan
- dalam
- bekerja
- Kamu
- Anda
- zephyrnet.dll