Sigorta sektöründe AWS AI ve Analytics hizmetleriyle akıllı belge işleme: Bölüm 2

In Bölüm 1 Bu seride akıllı belge işlemeyi (IDP) ve IDP'nin sigorta sektöründe hasar işleme kullanım örneklerini nasıl hızlandırabileceğini tartıştık. Talep belgelerini destekleyici belgelerle birlikte doğru şekilde sınıflandırmak için AWS AI hizmetlerini nasıl kullanabileceğimizi tartıştık. Ayrıca bir sigorta hasar paketindeki formlar, tablolar veya fatura, makbuz veya kimlik belgeleri gibi özel belgeler gibi çeşitli türdeki belgelerin nasıl çıkarılacağını da tartıştık. Zaman alıcı, hataya açık, pahalı ve uygun ölçekte işlenmesi zor olan eski belge süreçlerindeki zorlukları ve IDP işlem hattınızı uygulamaya yardımcı olması için AWS AI hizmetlerini nasıl kullanabileceğinizi inceledik.

Bu yazıda, belge çıkarma, sorgulama ve zenginleştirmeye yönelik gelişmiş IDP özellikleri konusunda size yol göstereceğiz. Ayrıca, AWS Analytics ve görselleştirme hizmetlerini kullanarak içgörüler elde etmek için talep verilerinden çıkarılan yapılandırılmış bilgilerin nasıl daha fazla kullanılacağını da araştırıyoruz. IDP'den çıkarılan yapılandırılmış verilerin, AWS Analytics hizmetlerini kullanan sahte iddialara karşı nasıl yardımcı olabileceğini vurguluyoruz.

Çözüme genel bakış

Aşağıdaki şemada IDP'nin AWS AI hizmetlerini kullanması durumunda aşamalar gösterilmektedir. Bölüm 1'de IDP iş akışının ilk üç aşamasını tartıştık. Bu yazıda, çıkarma adımını ve IDP'nin AWS Analytics hizmetleriyle entegre edilmesini içeren geri kalan aşamaları genişleteceğiz.

Bu analiz hizmetlerini daha fazla bilgi ve görselleştirme sağlamak ve IDP'den gelen yapılandırılmış, normalleştirilmiş verileri kullanarak sahte iddiaları tespit etmek için kullanıyoruz. Aşağıdaki diyagram çözüm mimarisini göstermektedir.

Bu yazıda tartıştığımız aşamalar aşağıdaki temel hizmetleri kullanır:

• Amazon Medikal reçeteler, prosedürler veya teşhisler gibi tıbbi metinlerden sağlık verilerini anlamak ve çıkarmak için önceden eğitilmiş makine öğrenimi (ML) modellerini kullanan, HIPAA'ya uygun bir doğal dil işleme (NLP) hizmetidir.
• AWS Tutkal AWS Analytics hizmetleri yığınının bir parçasıdır ve analiz, makine öğrenimi ve uygulama geliştirme için verilerin keşfedilmesini, hazırlanmasını ve birleştirilmesini kolaylaştıran sunucusuz bir veri entegrasyon hizmetidir.
• Amazon Kırmızıya Kaydırma Analytics yığınındaki başka bir hizmettir. Amazon Redshift, bulutta tam olarak yönetilen, petabayt ölçekli bir veri ambarı hizmetidir.

Önkoşullar

Başlamadan önce, bkz. Bölüm 1 ÜİYOK ile sigorta kullanım durumuna üst düzey bir genel bakış ve veri toplama ve sınıflandırma aşamalarına ilişkin ayrıntılar için.

Kod örnekleriyle ilgili daha fazla bilgi için, bkz. GitHub deposu.

Ekstraksiyon aşaması

1. Bölümde belgelerden form ve tablo gibi bilgileri çıkarmak için Amazon Textract API'lerinin nasıl kullanılacağını, faturaların ve kimlik belgelerinin nasıl analiz edileceğini gördük. Bu yazıda, özel kullanım senaryolarına özel varsayılan ve özel varlıkları çıkarmak için Amazon Comprehend ile çıkarma aşamasını geliştiriyoruz.

Sigorta şirketleri, sigorta talepleri başvurularında sıklıkla hastanın taburcu özet mektubu gibi yoğun metinlerle karşılaşır (aşağıdaki örnek resme bakın). Belirli bir yapının olmadığı bu tür belgelerden otomatik olarak bilgi çıkarmak zor olabilir. Bu sorunu çözmek için, önemli iş bilgilerini belgeden çıkarmak üzere aşağıdaki yöntemleri kullanabiliriz:

Amazon Comprehen DetectEntities API ile varsayılan varlıkları çıkarın

Örnek tıbbi transkripsiyon belgesinde aşağıdaki kodu çalıştırıyoruz:

comprehend = boto3.client('comprehend') 

response = comprehend.detect_entities( Text=text, LanguageCode='en')

#print enitities from the response JSON

for entity in response['Entities']:
    print(f'{entity["Type"]} : {entity["Text"]}')

Aşağıdaki ekran görüntüsü, giriş metninde tanımlanan varlıkların bir koleksiyonunu göstermektedir. Bu yazının amaçları doğrultusunda çıktı kısaltılmıştır. Bakın GitHub repo varlıkların ayrıntılı bir listesi için.

Amazon Comprehen özel varlık tanıma ile özel varlıkları çıkarın

Yanıt DetectEntities API, varsayılan varlıkları içerir. Ancak hastanın adı (varsayılan varlıkla gösterilir) gibi belirli varlık değerlerini bilmek istiyoruz. PERSON) veya hastanın kimliği (varsayılan varlıkla gösterilir) OTHER). Bu özel varlıkları tanımak için bir Amazon Comprehend özel varlık tanıyıcı modeli eğitiyoruz. Özel bir varlık tanıma modelinin nasıl eğitilip dağıtılacağına ilişkin kapsamlı adımları izlemenizi öneririz. GitHub deposu.

Özel modeli dağıttıktan sonra yardımcı işlevi kullanabiliriz get_entities() gibi özel varlıkları almak için PATIENT_NAME ve PATIENT_D API yanıtından:

def get_entities(text):
try:
    #detect entities
    entities_custom = comprehend.detect_entities(LanguageCode="en",
                      Text=text, EndpointArn=ER_ENDPOINT_ARN) 
    df_custom = pd.DataFrame(entities_custom["Entities"], columns = ['Text',  
                'Type', 'Score'])
    df_custom = df_custom.drop_duplicates(subset=['Text']).reset_index()
    return df_custom
except Exception as e:
    print(e)

# call the get_entities() function 
response = get_entities(text) 
#print the response from the get_entities() function
print(response)

Aşağıdaki ekran görüntüsü sonuçlarımızı göstermektedir.

Zenginleştirme aşaması

Belge zenginleştirme aşamasında, değerli bilgiler elde etmek için sağlıkla ilgili belgeler üzerinde zenginleştirme işlevleri gerçekleştiriyoruz. Aşağıdaki zenginleştirme türlerine bakıyoruz:

• Etki alanına özgü dili çıkarın – ICD-10-CM, RxNorm ve SNOMED CT gibi tıbbi spesifik ontolojileri çıkarmak için Amazon Comprehend Medical'ı kullanıyoruz
• Hassas bilgileri çıkarın – Kişisel olarak tanımlanabilir bilgileri (PII) düzenlemek için Amazon Comprehend'i ve korunan sağlık bilgilerinin (PHI) düzeltilmesi için Amazon Comprehend Medical'ı kullanıyoruz

Yapılandırılmamış tıbbi metinlerden tıbbi bilgileri çıkarın

Tıbbi sağlayıcıların notları ve klinik araştırma raporları gibi belgeler yoğun tıbbi metinler içerir. Sigorta hasar taşıyıcılarının bu yoğun metinden elde edilen sağlık bilgileri arasındaki ilişkileri tanımlamaları ve bunları ICD-10-CM, RxNorm ve SNOMED CT kodları gibi tıbbi ontolojilere bağlamaları gerekmektedir. Bu, sigorta şirketlerinin talep işlemeyi hızlandırması ve basitleştirmesi için talep yakalama, doğrulama ve onay iş akışlarının otomatikleştirilmesi açısından çok değerlidir. Amazon Comprehend Medical'ı nasıl kullanabileceğimize bakalım InferICD10CM Olası tıbbi durumları varlık olarak tespit etmek ve bunları kodlarına bağlamak için API:

cm_json_data = comprehend_med.infer_icd10_cm(Text=text)

print("nMedical codingn========")

for entity in cm_json_data["Entities"]:
      for icd in entity["ICD10CMConcepts"]:
           description = icd['Description']
           code = icd["Code"]
           print(f'{description}: {code}')

Amazon Textract'tan aktarabileceğimiz giriş metni için DetectDocumentText API, InferICD10CM API aşağıdaki çıktıyı döndürür (çıkış kısa olması için kısaltılmıştır).

Benzer şekilde Amazon Comprehend Medical'ı kullanabiliriz InferRxNorm İlaçları tanımlamak için API ve InferSNOMEDCT Sağlıkla ilgili sigorta belgelerindeki tıbbi varlıkları tespit etmek için API.

PII ve PHI redaksiyonunu gerçekleştirin

Sigorta talep paketleri, hem PII hem de PHI verilerini içerdikleri için birçok gizlilik uyumluluğu ve düzenleme gerektirir. Sigorta şirketleri, poliçe numaraları veya hastanın adı gibi bilgileri değiştirerek uyumluluk riskini azaltabilir.

Bir hastanın taburculuk özeti örneğine bakalım. Amazon Comprehend'i kullanıyoruz DetectPiiEntities Belgedeki PII varlıklarını tespit etmek ve bu varlıkları düzenleyerek hastanın gizliliğini korumak için API:

resp = call_textract(input_document = f's3://{data_bucket}/idp/textract/dr-note-sample.png')
text = get_string(textract_json=resp, output_type=[Textract_Pretty_Print.LINES])

# call Amazon Comprehend Detect PII Entities API
entity_resp = comprehend.detect_pii_entities(Text=text, LanguageCode="en") 

pii = []
for entity in entity_resp['Entities']:
      pii_entity={}
      pii_entity['Type'] = entity['Type']
      pii_entity['Text'] = text[entity['BeginOffset']:entity['EndOffset']]
      pii.append(pii_entity)
print(pii)

Gelen yanıtta aşağıdaki PII varlıklarını alıyoruz: detect_pii_entities() API'si:

Daha sonra, belgedeki varlıkların sınırlayıcı kutu geometrisini kullanarak, belgelerden tespit edilen PII varlıklarını çıkartabiliriz. Bunun için adlı bir yardımcı araç kullanıyoruz. amazon-textract-overlayer. Daha fazla bilgi için bkz. Metin-Üst Katman. Aşağıdaki ekran görüntüleri bir belgenin redaksiyondan önceki ve sonraki halini karşılaştırmaktadır.

Amazon Comprehend'e benzer DetectPiiEntities API'yi de kullanabiliriz. DetectPHI İncelenen klinik metindeki PHI verilerini tespit etmek için API. Daha fazla bilgi için bkz. PHI'yi tespit edin.

İnceleme ve doğrulama aşaması

Belge inceleme ve doğrulama aşamasında artık talep paketinin işletmenin gereksinimlerini karşılayıp karşılamadığını doğrulayabiliyoruz çünkü paketteki belgelerden daha önceki aşamalardan toplanan tüm bilgilere sahibiz. Bunu, paketi alt uygulamalara göndermeden önce tüm alanları inceleyip doğrulayabilecek veya yalnızca düşük dolarlık talepler için otomatik onay sürecini gerçekleştirebilecek bir insanı döngüye dahil ederek yapabiliriz. Kullanabiliriz Amazon Artırılmış AI (Amazon A2I), sigorta taleplerinin işlenmesi için insan incelemesi sürecini otomatikleştirmek için.

Artık IDP için AI hizmetlerini kullanarak talep işlemeden gerekli tüm verileri çıkarıp normalleştirdiğimize göre, ek kullanım örneklerini çözmek ve daha fazla analiz ve görselleştirme sağlamak için çözümü AWS Glue ve Amazon Redshift gibi AWS Analytics hizmetleriyle entegre olacak şekilde genişletebiliriz.

Hileli sigorta taleplerini tespit edin

Bu yazıda, çıkarılan ve işlenen verilerin bir veri gölünde depolandığı ve makine öğrenimi kullanılarak sahte sigorta taleplerini tespit etmek için kullanıldığı sunucusuz bir mimari uyguluyoruz. Kullanırız Amazon Basit Depolama Hizmeti (Amazon S3) işlenen verileri depolamak için. Daha sonra kullanabiliriz AWS Tutkal or Amazon EMR'si verileri temizlemek ve raporlama ve makine öğrenimi için kullanılabilir hale getirmek üzere ek alanlar eklemek. Bundan sonra kullanıyoruz Amazon Redshift ML bir sahtekarlık tespit makine öğrenimi modeli oluşturmak. Son olarak, kullanarak raporlar oluşturuyoruz. Amazon QuickSight verilerle ilgili içgörü elde etmek için.

Amazon Redshift harici şemasını kurun

Bu örneğin amacına uygun olarak, bir oluşturduk. örnek veri kümesi bir ETL (çıkarma, dönüştürme ve yükleme) işleminin çıktısını taklit eder ve meta veri kataloğu olarak AWS Glue Data Catalog'u kullanır. Öncelikle isimli bir veritabanı oluşturuyoruz. idp_demo Veri Kataloğunda ve Amazon Redshift'te çağrılan harici bir şemada idp_insurance_demo (aşağıdaki koda bakın). Bir kullanıyoruz AWS Kimlik ve Erişim Yönetimi (IAM) rolü, Amazon Redshift kümesine Amazon S3'e erişim izni verme ve Amazon Adaçayı Yapıcı. Bu IAM rolünün en az ayrıcalıkla nasıl kurulacağı hakkında daha fazla bilgi için bkz. Amazon Redshift ML yönetimi için kümeleme ve yapılandırma kurulumu.

CREATE EXTERNAL SCHEMA idp_insurance_demo
FROM DATA CATALOG
DATABASE 'idp_demo' 
IAM_ROLE '<<>>'
CREATE EXTERNAL DATABASE IF NOT EXISTS;

Amazon Redshift harici tablosu oluşturun

Bir sonraki adım, Amazon Redshift'te dosyanın bulunduğu S3 konumuna referans veren harici bir tablo oluşturmaktır. Bu durumda dosyamız virgülle ayrılmış bir metin dosyasıdır. Ayrıca tablo özellikleri bölümünde yapılandırılabilen dosyadaki başlık satırını da atlamak istiyoruz. Aşağıdaki koda bakın:

create external table idp_insurance_demo.claims(id INTEGER,
date_of_service date,
patients_address_city VARCHAR,
patients_address_state VARCHAR,
patients_address_zip VARCHAR,
patient_status VARCHAR,
insured_address_state VARCHAR,
insured_address_zip VARCHAR,
insured_date_of_birth date,
insurance_plan_name VARCHAR,
total_charges DECIMAL(14,4),
fraud VARCHAR,
duplicate varchar,
invalid_claim VARCHAR
)
row format delimited
fields terminated by ','
stored as textfile
location '<<>>'
table properties ( 'skip.header.line.count'='1');

Eğitim ve test veri kümeleri oluşturun

Harici tabloyu oluşturduktan sonra veri setimizi eğitim seti ve test seti olarak ayırarak ML için veri setimizi hazırlıyoruz. adında yeni bir harici tablo oluşturuyoruz. claim_trainTalep tablosundaki ID <= 85000 olan tüm kayıtlardan oluşur. Bu, ML modelimizi eğittiğimiz eğitim setidir.

CREATE EXTERNAL TABLE
idp_insurance_demo.claims_train
row format delimited
fields terminated by ','
stored as textfile
location '<<>>/train'
table properties ( 'skip.header.line.count'='1')
AS select * from idp_insurance_demo.claims where id <= 850000

adında başka bir harici tablo oluşturuyoruz. claim_test ML modelini test ettiğimiz test kümesi olacak ID >85000 olan tüm kayıtlardan oluşur:

CREATE EXTERNAL TABLE
idp_insurance_demo.claims_test
row format delimited
fields terminated by ','
stored as textfile
location '<<>>/test'
table properties ( 'skip.header.line.count'='1')
AS select * from idp_insurance_demo.claims where id > 850000

Amazon Redshift ML ile ML modeli oluşturma

Şimdi modeli kullanarak oluşturuyoruz. MODEL OLUŞTUR komutunu kullanın (aşağıdaki koda bakın). İlgili sütunları seçiyoruz. claims_train Hileli bir işlemi tespit edebilecek tablo. Bu modelin amacı, değeri tahmin etmektir. fraud kolon; Öyleyse, fraud tahmin hedefi olarak eklenir. Model eğitildikten sonra isimli bir fonksiyon oluşturulur. insurance_fraud_model. Bu işlev, SQL ifadelerinin değerini tahmin etmek için çalıştırılırken çıkarım yapmak için kullanılır. fraud yeni kayıtlar için sütun.

CREATE MODEL idp_insurance_demo.insurance_fraud_model
FROM (SELECT 
total_charges ,
fraud ,
duplicate,
invalid_claim
FROM idp_insurance_demo.claims_train
)
TARGET fraud
FUNCTION insurance_fraud_model
IAM_ROLE '<<>>'
SETTINGS (
S3_BUCKET '<<>>'
);

ML modeli metriklerini değerlendirin

Modeli oluşturduktan sonra modelin doğruluğunu kontrol etmek için sorgular çalıştırabiliriz. biz kullanıyoruz insurance_fraud_model değerini tahmin etme fonksiyonu fraud yeni kayıtlar için sütun. Aşağıdaki sorguyu çalıştırın claims_test karışıklık matrisi oluşturmak için tablo:

SELECT 
fraud,
idp_insurance_demo.insurance_fraud_model (total_charges ,duplicate,invalid_claim ) as fraud_calculcated,
count(1)
FROM idp_insurance_demo.claims_test
GROUP BY fraud , fraud_calculcated;

ML modelini kullanarak dolandırıcılığı tespit edin

Yeni modeli oluşturduktan sonra veri ambarına veya veri gölüne yeni talep verileri eklendikçe, insurance_fraud_model Hileli işlemleri hesaplama işlevi. Bunu önce yeni verileri geçici bir tabloya yükleyerek yaparız. Daha sonra şunu kullanırız: insurance_fraud_model hesaplamak için işlev fraud her yeni işlem için bayrak ekleyin ve verileri bayrakla birlikte final tablosuna ekleyin; bu durumda bu claims tablo.

Talep verilerini görselleştirin

Veriler Amazon Redshift'te mevcut olduğunda QuickSight'ı kullanarak görselleştirmeler oluşturabiliriz. Daha sonra QuickSight kontrol panellerini iş kullanıcıları ve analistlerle paylaşabiliriz. QuickSight kontrol panelini oluşturmak için öncelikle QuickSight'ta bir Amazon Redshift veri kümesi oluşturmanız gerekir. Talimatlar için bkz. Veritabanından veri kümesi oluşturma.

Veri kümesini oluşturduktan sonra veri kümesini kullanarak QuickSight'ta yeni bir analiz oluşturabilirsiniz. Aşağıda oluşturduğumuz bazı örnek raporlar yer almaktadır:

• Eyalete göre gruplandırılmış toplam talep sayısı fraud alan – Bu grafik bize belirli bir eyaletteki toplam işlem sayısına kıyasla hileli işlemlerin oranını gösteriyor.
• Taleplerin toplam dolar değerinin toplamı, fraud alan – Bu grafik bize, belirli bir eyaletteki dolandırıcılık işlemlerinin dolar tutarının, işlemlerin toplam dolar tutarına oranını gösterir.
• Sigorta şirketi başına toplam işlem sayısı, gruplandırılmış fraud alan – Bu grafik bize her bir sigorta şirketi için kaç tane tazminat davası açıldığını ve bunların kaçının dolandırıcılık olduğunu gösteriyor.

• ABD haritasında eyaletlere göre görüntülenen dolandırıcılık işlemlerinin toplam toplamı – Bu grafik yalnızca hileli işlemleri gösterir ve bu işlemlere ilişkin toplam ücretleri eyaletlere göre harita üzerinde görüntüler. Mavinin koyu tonu daha yüksek toplam şarjı gösterir. Trendleri daha iyi anlamak için bunu o eyaletteki şehre ve şehirdeki posta kodlarına göre daha ayrıntılı olarak analiz edebiliriz.

Temizlemek

Gelecekte AWS hesabınıza ücret yansıtılmasını önlemek için kurulumda sağladığınız kaynakları aşağıdaki talimatlara göre silin: Temizleme bölümü bizim repomuzda.

Sonuç

Bu iki bölümlük seride, makine öğrenimi deneyimi çok az olan veya hiç olmayan, uçtan uca bir IDP hattının nasıl oluşturulacağını gördük. Sigorta sektöründeki hasar işleme kullanım senaryosunu ve IDP'nin Amazon Textract, Amazon Comprehend, Amazon Comprehend Medical ve Amazon A2I gibi hizmetleri kullanarak bu kullanım senaryosunu otomatikleştirmeye nasıl yardımcı olabileceğini araştırdık. Bölüm 1'de belge çıkarmak için AWS AI hizmetlerinin nasıl kullanılacağını gösterdik. Bölüm 2'de çıkarma aşamasını genişlettik ve veri zenginleştirme gerçekleştirdik. Son olarak, IDP'den çıkarılan yapılandırılmış verileri daha fazla analiz için genişlettik ve AWS Analytics hizmetlerini kullanarak sahte iddiaları tespit etmek için görselleştirmeler oluşturduk.

güvenlik bölümlerini incelemenizi öneririz. Amazon Metin Yazısı, Amazon Kavramak, ve Amazon A2I belgeler ve sağlanan yönergeleri takip edin. Çözümün fiyatlandırması hakkında daha fazla bilgi edinmek için aşağıdaki fiyatlandırma ayrıntılarını inceleyin: Amazon Metin Yazısı, Amazon Kavramak, ve Amazon A2I.

Yazarlar Hakkında

Chinmaye Rane Amazon Web Services'de AI/ML Uzman Çözüm Mimarıdır. Uygulamalı matematik ve makine öğrenimi konusunda tutkulu. AWS müşterileri için akıllı belge işleme çözümleri tasarlamaya odaklanıyor. İş dışında salsa ve bachata dansından hoşlanıyor.

Uday Narayanan AWS'de Analitik Uzman Çözüm Mimarıdır. Müşterilerin karmaşık iş zorluklarına yenilikçi çözümler bulmalarına yardımcı olmaktan hoşlanıyor. Temel odak alanları veri analitiği, büyük veri sistemleri ve makine öğrenimidir. Boş zamanlarında spor yapmaktan, dizi izlemekten ve seyahat etmekten hoşlanıyor.

Sonali Sahu Amazon Web Services'de Akıllı Belge İşleme AI/ML Çözümleri Mimarı ekibine liderlik ediyor. Tutkulu bir teknoloji tutkunu ve inovasyonu kullanarak karmaşık sorunları çözmek için müşterilerle çalışmaktan keyif alıyor. Temel odak alanı, akıllı belge işleme için yapay zeka ve makine öğrenimidir.