Whitepaper: Beste praktijken op het gebied van machinaal leren in de gezondheidszorg en de biowetenschappen

Heruitgegeven door Plato

volgers: 0

Voor klanten die een GxP-compatibele omgeving op AWS willen implementeren voor systemen voor kunstmatige intelligentie (AI) en machine learning (ML), hebben we een nieuwe whitepaper uitgebracht: Best practices voor machinaal leren in de gezondheidszorg en biowetenschappen.

Deze whitepaper biedt een overzicht van beveiliging en goede ML-compliancepraktijken en begeleiding bij het bouwen van GxP-gereguleerde AI/ML-systemen met behulp van AWS-services. We behandelen de punten die door de FDA naar voren zijn gebracht Discussie papier en Goede machinale leerpraktijken (GMLP) en daarbij ook putten uit de bronnen van AWS: de whitepaper GxP-systemen op AWS en Machine learning-lens van het AWS Well-Architected Framework. De whitepaper is ontwikkeld op basis van onze ervaringen met en feedback van AWS-klanten op het gebied van farmaceutische en medische apparatuur, evenals AWS-partners, die momenteel AWS-services gebruiken om ML-modellen te ontwikkelen.

Klanten uit de gezondheidszorg en life sciences (HCLS) adopteren AWS AI- en ML-services sneller dan ooit tevoren, maar worden tijdens de implementatie ook geconfronteerd met de volgende uitdagingen op regelgevingsgebied:

Het bouwen van een veilige infrastructuur die voldoet aan strenge regelgevingsprocessen voor het werken in de publieke cloud en die aansluit bij het FDA-framework voor AI en ML.
Ondersteuning van AI/ML-oplossingen voor GxP-workloads die het volgende omvatten:
- reproduceerbaarheid
- Traceerbaarheid
- Data-integriteit
Monitoring van ML-modellen met betrekking tot verschillende wijzigingen in parameters en gegevens.
Omgaan met modelonzekerheid en betrouwbaarheidskalibratie.

In onze whitepaper, leer je over de volgende onderwerpen:

Hoe AWS ML benadert in een gereguleerde omgeving en richtlijnen biedt voor goede machine learning-praktijken met behulp van AWS-services.
Onze organisatorische benadering van beveiliging en compliance die GxP-vereisten ondersteunt als onderdeel van de model met gedeelde verantwoordelijkheid.
Hoe u de workflowstappen kunt reproduceren, de afstamming van modellen en datasets kunt volgen en modelbeheer en traceerbaarheid kunt instellen.
Hoe u gegevensintegriteit en kwaliteitscontroles bewaakt en onderhoudt om afwijkingen in de gegevens- en modelkwaliteit te detecteren.
Best practices op het gebied van beveiliging en compliance voor het beheer van AI/ML-modellen op AWS.
Diverse AWS-diensten voor het beheren van ML-modellen in een gereguleerde omgeving.

AWS is toegewijd om u te helpen AWS-services succesvol te gebruiken in gereguleerde life science-omgevingen om uw onderzoek, ontwikkeling en levering van de volgende generatie medische, gezondheids- en welzijnsoplossingen te versnellen.

Contact met vragen over het gebruik van AWS-services voor AI/ML in GxP-systemen. Ga voor meer informatie over naleving in de cloud naar AWS-naleving. U kunt ook de volgende bronnen bekijken:

Over de auteurs

Susant Mallick is een branchespecialist en digitale evangelist in de Global Healthcare and Life-Sciences-praktijk van AWS. Hij heeft meer dan 20 jaar ervaring in de Life Science-industrie en werkte samen met biofarmaceutische en medische apparatuurbedrijven in Noord-Amerika, APAC en EMEA-regio's. Hij heeft veel oplossingen voor digitale gezondheidszorgplatforms en patiëntenbetrokkenheid gebouwd met behulp van mobiele apps, AI/ML, IoT en andere technologieën voor klanten in verschillende therapeutische gebieden. Hij heeft een B.Tech-diploma in elektrotechniek en een MBA in financiën. Zijn thought leadership en branche-expertise leverden vele onderscheidingen op in fora in de farmaceutische industrie.

Sai Sharanya Nalla is een Sr. Data Scientist bij AWS Professional Services. Ze werkt samen met klanten om AI/ML- en HPC-oplossingen op AWS te ontwikkelen en te implementeren. In haar vrije tijd luistert ze graag naar podcasts en audioboeken, maakt ze lange wandelingen en neemt ze deel aan outreach-activiteiten.