NEWSLETTER
Los datos del mundo real recopilados y derivados de los viajes de los pacientes ofrecen una gran cantidad de información sobre las características y resultados del paciente y la efectividad y seguridad de las innovaciones médicas. Los investigadores hacen preguntas sobre las poblaciones de pacientes en forma de consultas estructuradas; Sin embargo, sin la elección correcta de consultas estructuradas y una profunda familiaridad con los conjuntos de datos de pacientes de los trabajos reales complejos, muchas tendencias y patrones pueden permanecer sin descubrir.
Aena 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 los datos del mundo real en evidencia del mundo real.
El uso de métodos de aprendizaje no supervisados en datos semiestructurados junto con IA generativa ha sido transformador para desbloquear ideas ocultas. Con Descubrimiento de la aeciónlos usuarios pueden realizar análisis exploratorios rápidos con datos del mundo real mientras experimentan un enfoque estructurado para las preguntas de investigación. Para ayudar a acelerar la exploración de datos e generación de hipótesis, Discover utiliza métodos de aprendizaje no supervisados para descubrir subgrupos inteligentes. Estos subgrupos de pacientes dentro de una población más grande muestran características o perfiles similares en una amplia gama de factores, incluidos diagnósticos, procedimientos y terapias.
En esta publicación, revisamos cómo el intérprete de subgrupos inteligentes de Aetion permite a los usuarios interactuar con subgrupos inteligentes utilizando consultas de lenguaje natural. Impulsado por amazon Bedrock y Anthrope's Claude 3 Language Models (LLMS), el intérprete responde a las preguntas del usuario expresadas en el lenguaje de conversación sobre los subgrupos de los pacientes y proporciona información para generar más hipótesis y evidencia. Ation eligió usar amazon Bedrock para trabajar con LLM debido a su vasta selección de modelos de múltiples proveedores, postura de seguridad, extensibilidad y facilidad de uso.
amazon Bedrock es un servicio totalmente administrado que proporciona acceso a modelos básicos de alto rendimiento (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
Ation 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 aeción, se impulsan por la plataforma de evidencia de Ation (AEP), un motor analítico longitudinal central capaz de aplicar inferencia causal rigurosa y métodos estadísticos a cientos de millones de viajes de pacientes.
Aetionai es un conjunto de capacidades generativas de IA integradas en el entorno y las aplicaciones centrales. El intérprete de subgrupos inteligentes es una característica de Aetionai en Discover.
La siguiente figura ilustra la organización de los servicios de Aetion.
Subgrupos inteligentes
Para una población de pacientes especificada por el usuario, la característica de subgrupos inteligentes identifica grupos de pacientes con características similares (por ejemplo, perfiles de prevalencia similares de diagnósticos, procedimientos y terapias).
Estos subgrupos se clasifican y etiquetan adicionalmente por modelos ai generativos basados en las características prevalentes de cada subgrupo. Por ejemplo, como se muestra en el siguiente mapa de calor generado, los dos primeros subgrupos inteligentes dentro de una población de pacientes a los que se les recetó agonistas GLP-1 están etiquetados como “cataratas y enfermedades retinianas” y “condiciones de la piel inflamatoria”, respectivamente, para capturar su definición de su definición características.
Después de que se muestran los subgrupos, un usuario se involucra con Aetionai para sondear aún más con consultas expresadas en lenguaje natural. El usuario puede expresar preguntas sobre los subgrupos, como “¿Cuáles son las características más comunes para los pacientes en el subgrupo de trastornos de cataratas?” Como se muestra en la siguiente captura de pantalla, Aetionai responde al usuario en lenguaje natural, citando estadísticas de subgrupos relevantes en su respuesta.
Un usuario también puede hacer preguntas detalladas de Aetionai, como “comparar la prevalencia de enfermedades o condiciones cardiovasculares entre el grupo 'Dulaglutida' frente a la población general”. La siguiente captura de pantalla muestra la respuesta de Aetionai.
En este ejemplo, las ideas permiten al usuario plantear la hipótesis de que los pacientes con dulaglutida podrían experimentar menos signos y síntomas circulatorios. Pueden explorar esto aún más en Ation Sustanciate para producir evidencia de grado de decisión con inferencia causal para evaluar la efectividad del uso de la dulaglutida en los resultados de la enfermedad cardiovascular.
Descripción general de la solución
El intérprete de subgrupos inteligentes combina elementos de aprendizaje automático no supervisado con IA generativa para descubrir patrones ocultos en datos del mundo real. El siguiente diagrama ilustra el flujo de trabajo.
Revisemos cada paso en detalle:
- Crear la población de pacientes – Los usuarios definen una población de pacientes utilizando las características de la biblioteca de medida Aetion (AML). El almacén de funciones AML estandariza definiciones variables utilizando algoritmos validados científicamente. El usuario selecciona las características de AML que definen a la población de pacientes para su análisis.
- Generar características para la población de pacientes – El AEP calcula más de 1,000 características de AML para cada paciente en varias categorías, como diagnósticos, terapias y procedimientos.
- Construir grupos y resumir las características del clúster – El componente de subgrupos inteligentes entrena un modelo de tema que usa las características del paciente para determinar el número óptimo de grupos y asignar pacientes a grupos. Las prevalencias de las características más distintivas dentro de cada grupo, según lo determinado por un modelo de clasificación entrenado, se utilizan para describir las características del clúster.
- Generar nombres de clúster y responder consultas de usuario – Una técnica de ingeniería rápida para Claude 3 Haiku de Anthrope en amazon Bedrock genera nombres de clúster descriptivos y respuestas consultas de usuarios. amazon Bedrock proporciona acceso a LLM de una variedad de proveedores de modelos. Claude 3 Haiku de Anthrope fue seleccionado como modelo debido a su velocidad y nivel de inteligencia satisfactorio.
La solución utiliza amazon Simple Storage Service (amazon S3) y amazon Aurora para persistencia de datos e intercambio de datos, y Bedrock de amazon con modelos Claude 3 Haiku de Anthrope para la generación de nombres de clúster. Discover y sus aplicaciones transaccionales y de lotes se implementan y escalan en un Kubernetes en el clúster AWS para optimizar el rendimiento, la experiencia del usuario y la portabilidad.
El siguiente diagrama ilustra la arquitectura de la solución.
El flujo de trabajo incluye los siguientes pasos:
- Los usuarios crean subgrupos inteligentes para su población de pacientes de interés.
- AEP utiliza datos del mundo real y un lenguaje de consulta personalizado para calcular más de 1,000 características validadas para la ciencia para la población seleccionada por el usuario. Las características se almacenan en amazon S3 y se encriptan con el Servicio de Administración de Key de AWS (AWS KMS) para uso posterior.
- El componente de subgrupos inteligentes entrena el algoritmo de agrupación y resume las características más importantes de cada clúster. Los resúmenes de características del clúster se almacenan en amazon S3 y se muestran como un mapa de calor para el usuario. Los subgrupos inteligentes se implementan como un trabajo de Kubernetes y se ejecuta a pedido.
- Los usuarios interactúan con el microservicio de la API de intérprete mediante el uso de preguntas expresadas en lenguaje natural para recuperar nombres de subgrupos descriptivos. Los datos transmitidos al servicio se cifran utilizando la seguridad de la capa de transporte 1.2 (TLS). La API de intérprete utiliza técnicas de ingeniería rápida compuesta con Claude 3 Haiku de Anthrope para responder consultas de los usuarios:
- Las plantillas de solicitud versionadas generan nombres descriptivos de subgrupos y consultas de usuarios de respuesta.
- Las características de AML se agregan a la plantilla de solicitud. Por ejemplo, la descripción de la característica “quiste de ovario benigno” se expande en un aviso a la LLM como “Esta medida cubre diferentes tipos de quistes que pueden formarse en o en los ovarios de una mujer, incluidos los quistes foliculares, los quistes de corpus luteum, la endometriosis,, y quistes ováricos no especificados “.
- Por último, las prevalencias de características principales de cada subgrupo se agregan a la plantilla de solicitud. Por ejemplo: “En el subgrupo inteligente 1, la prevalencia relativa de 'córnea y enfermedad externa (Eye001)' es 30.32% en el subgrupo inteligente 1, la prevalencia relativa de 'glaucoma (Eye003)' es 9.94% …”
- amazon Bedrock responde nuevamente a la aplicación que muestra el mapa de calor al usuario.
Resultados
El intérprete de subgrupos inteligentes permite a los usuarios del AEP que no están familiarizados con los datos del mundo real descubrir patrones entre las poblaciones de pacientes que utilizan consultas de lenguaje natural. Los usuarios ahora pueden convertir los hallazgos de tales descubrimientos en hipótesis para análisis adicionales en el software de Aetion para generar evidencia de grado de decisión en cuestión de minutos, en lugar de días y sin la necesidad de personal de apoyo.
Conclusión
En esta publicación, demostramos cómo Aetion usa amazon Bedrock y otros servicios de AWS para ayudar a los usuarios a descubrir patrones significativos dentro de las poblaciones de pacientes, incluso sin experiencia previa en datos del mundo real. Estos descubrimientos sientan las bases para un análisis más profundo dentro de la plataforma de evidencia de Aetion, generando evidencia de grado de decisión que impulsa los resultados más inteligentes informados de datos.
A medida que continuamos expandiendo nuestras capacidades generativas de IA, Ation sigue comprometida a mejorar las experiencias de los usuarios y acelerar el viaje de datos del mundo real a evidencia del mundo real.
Con amazon Bedrock, el futuro de la innovación está a su alcance. Explore el generador de aplicaciones de IA generativos en AWS para obtener más información sobre la creación 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.
Midish Vaynstin 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.
