في هذا المنشور ، نوضح كيفية استخدام Amazon Comprehend Medical لاستخراج أسماء الأدوية والحالات الطبية لمراقبة سلامة الأدوية والأحداث السلبية. الأمازون فهم الطبية هي خدمة معالجة اللغات الطبيعية (NLP) التي تستخدم التعلم الآلي (ML) لاستخراج المعلومات الطبية ذات الصلة بسهولة من نص غير منظم. نطلب الاستعلام واجهة برمجة التطبيقات المفتوحة لإدارة الغذاء والدواء (واجهة برمجة التطبيقات مفتوحة المصدر التي نشرتها ادارة الاغذية والعقاقير) و واجهة برمجة تطبيقات Clinicaltrials.gov (API آخر مفتوح المصدر تم نشره بواسطة المكتبة الوطنية للطب (NLM) في المعاهد الوطنية للصحة (NIH)) للحصول على معلومات حول الأحداث السلبية الماضية ، وعمليات السحب ، والتجارب السريرية للعقار أو الحالة الطبية المعنية. يمكنك بعد ذلك استخدام هذه البيانات في دراسات النطاق السكاني لإجراء مزيد من التحليل على سلامة الدواء وفعاليته.
إطلاق دواء جديد هو عملية واسعة النطاق. بواسطة بعض التقديرات، يستغرق الانتقال من الاختراع إلى الإطلاق حوالي 12 عامًا. تتضمن مراحل مختلفة مثل الاختبار قبل السريري ، والمرحلة 1 - 3 من التجارب السريرية ، والموافقات من إدارة الغذاء والدواء (FDA) ، بالإضافة إلى ذلك ، تتطلب الأدوية الجديدة استثمارات مالية ضخمة من قبل المنظمات الصيدلانية. وفقا ل دراسة جديدة نشرت في شبكة جاما ، متوسط التكلفة لجلب الدواء إلى السوق هو 918 مليون دولار ، ويتراوح النطاق بين 314 مليون دولار - 2.8 مليار دولار.
حتى بعد الإطلاق ، تراقب شركات الأدوية باستمرار مخاطر السلامة. يمكن للمستهلكين أيضًا الإبلاغ مباشرة عن ردود الفعل السلبية للأدوية إلى إدارة الغذاء والدواء. وقد يؤدي ذلك إلى سحب الدواء ، مما يعرض ملايين الدولارات الإنمائية للخطر. علاوة على ذلك ، يجب على المستهلكين الذين يتناولون هذه الأدوية والأطباء الذين يصفونها أن يكونوا على دراية بهذه التفاعلات السلبية وأن يقرروا ما إذا كانت الإجراءات التصحيحية ضرورية.
على الرغم من عدم ضمان الاستثمار ، بدأ مصنعو الأدوية في الاعتماد بشكل أكبر على ML لتحقيق نتائج أفضل وتحسين فرص نجاح السوق للأدوية الجديدة التي يقومون بتطويرها.
كيف يساعد التعلم الآلي؟
لضمان سلامة الدواء ، تستخدم ادارة الاغذية والعقاقير بيانات العالم الحقيقي (RWD) و أدلة واقعية (RWE) لرصد سلامة الأدوية بعد السوق والأحداث السلبية. لمزيد من المعلومات، راجع تلعب بيانات العالم الحقيقي (RWD) والأدلة الواقعية (RWE) دورًا متزايدًا في قرارات الرعاية الصحية. هذا مفيد أيضًا لمحترفي الرعاية الصحية الذين يطورون إرشادات وأدوات دعم القرار على أساس RWD. يمكن لمصنعي الأدوية الاستفادة من تحليل RWD واستخدامه لتطوير تصميمات التجارب السريرية المحسنة والخروج بأساليب علاج جديدة ومبتكرة.
أحد التحديات الرئيسية في تحليل RWD بشكل فعال هو أن الكثير من هذه البيانات غير منظمة - لا يتم تخزينها في صفوف وأعمدة تجعلها سهلة للاستعلامات التحليلية. يمكن أن يوجد RWD بتنسيقات متعددة ويمتد إلى مجموعة متنوعة من المصادر. من غير العملي استخدام التقنيات التحليلية التقليدية لمعالجة البيانات غير المنظمة على نطاق السكان. لمزيد من المعلومات، راجع بناء منصة أدلة العالم الحقيقي على AWS.
التقدم في معالجة اللغة الطبيعية (البرمجة اللغوية العصبية) يمكن أن تساعد في سد هذه الفجوة. على سبيل المثال ، يمكنك استخدام النماذج المدربة على RWD لاشتقاق الكيانات الرئيسية (مثل الأدوية والحالات الطبية) من ردود الفعل السلبية التي أبلغ عنها المرضى بلغة طبيعية. بعد استخراج هذه الكيانات ، يمكنك تخزينها في قاعدة بيانات ودمجها في مجموعة متنوعة من تطبيقات التقارير. يمكنك استخدامها في دراسات النطاق السكاني لتحديد المجموعات المعرضة لبعض الأدوية أو لتحليل سلامة الدواء وفعاليته.
هندسة الحل
يمثل الرسم البياني التالي الهيكل العام للحل. بالإضافة إلى Amazon Comprehend Medical ، يمكنك استخدام الخدمات التالية:
يتضمن العمارة الخطوات التالية:
- الحل التجريبي هو صفحة html بسيطة سيتم تقديمها عبر وظيفة lambda في الاستدعاء الأول لعنوان URL الخاص ببوابة واجهة برمجة التطبيقات. سيكون عنوان url في قسم الإخراج من مكدس CloudFormation أو يمكن الحصول عليه من بوابة api.
- سوف تستدعي أزرار الإرسال الموجودة على عنوان url بشكل غير متزامن 2 لامدا أخرى عبر apigateway
- سيستخدم 2 Lambdas وظيفة طبقة مشتركة لفحص النص المجاني الذي أدخله المستخدم من قبل Comprehend Medical وعودة الأدوية والحالات الطبية.
- تقوم وظائف لامدا بمعالجة الكيانات من Comprehend Medical للاستعلام عن opentfilil.gov و open.fda.gov. سيعرض HTML الإخراج من هذه lambdas في الجداول المعنية
المتطلبات الأساسية المسبقة
لإكمال هذا الدليل ، يجب أن يكون لديك المتطلبات الأساسية التالية:
تكوين مكدس CloudFormation
لتهيئة حزمة CloudFormation ، أكمل الخطوات التالية:
- تسجيل الدخول إلى وحدة تحكم إدارة أمازون.
- اختار
us-east-1كمنطقتك. - قم بتشغيل حزمة CloudFormation:
- اختار التالى.
- في حالة اسم المكدس، إدخال اسم؛ فمثلا،
drugsearch. - في مجلة المعلمات القسم ، قم بتحديث أسماء بوابة API حسب الضرورة.
- أدخل اسم دلو S3 في
us-east-1لتخزين ملفات CSV.
- اختار التالى.
- أختار أقر بأن AWS CloudFormation قد تنشئ موارد IAM.
- اختار إنشاء مكدس.
تستغرق المكدس بضع دقائق حتى تكتمل.
- على النواتج علامة التبويب ، قم بتسجيل عنوان URL لمدخل API.
البحث عن معلومات تتعلق بالأدوية والحالات الطبية
عند فتح عنوان URL من الخطوة السابقة ، يمكنك إدخال نص متعلق بالأدوية والحالات الطبية والاختيار تقدم.
يظهر الناتج ثلاثة جداول بالمعلومات التالية:
- التأثيرات الضائرة للأدوية والأعراض ذات الصلة - تم الاستعلام عن هذه المعلومات من Clintrial.gov ، والسجلات محدودة بحد أقصى 10.
- المعلومات المتعلقة بسحب الدواء - تم الاستعلام عن هذه المعلومات من open.fda.gov ، والسجلات محدودة بحد أقصى 5 لكل دواء وأعراض.
- التجارب السريرية للأعراض والأدوية ذات الصلة - تم الاستعلام عن هذه المعلومات من Clintrial.gov.
بالإضافة إلى الجداول ، تعرض الصفحة ارتباطين تشعبيين لتنزيل معلومات التجارب السريرية و OpenFDA في ملف CSV. تحتوي هذه الملفات على 100 سجل كحد أقصى للتجارب السريرية و 100 لكل دواء وحالة طبية في OpenFDA.
وفي الختام
أظهر هذا المنشور تطبيقًا بسيطًا يسمح لمصنعي الأدوية ومتخصصي الرعاية الصحية والمستهلكين بالبحث عن معلومات مفيدة من مصادر موثوقة مثل FDA و NIH. باستخدام هذه البنية وقاعدة الكود المتاحة ، يمكنك دمج هذا الحل في التطبيقات النهائية الأخرى المتعلقة بتحليل الأحداث السلبية والإبلاغ عنها. نأمل أن يؤدي ذلك إلى تقليل حاجز الدخول وزيادة اعتماد ML لتحسين نتائج المرضى وتحسين جودة الرعاية.
عن المؤلفين
فاراد رام هو مهندس حلول أول في فريق الشركاء في Amazon Web Services. إنه يحب مساعدة العملاء على اعتماد التقنيات السحابية وهو مهتم بشكل خاص بالذكاء الاصطناعي. وهو يعتقد أن التعلم العميق سيدعم نمو التكنولوجيا في المستقبل. في وقت فراغه ، تبقيه ابنته وابنه مشغولين بالدراجة والمشي لمسافات طويلة.
أوجوال راتان هو مهندس الحلول المتخصصة المتخصص في التعلم الآلي في فريق الرعاية الصحية العالمية وعلوم الحياة في Amazon Web Services. يعمل على تطبيق التعلم الآلي والتعلم العميق لمشاكل الصناعة في العالم الحقيقي مثل التصوير الطبي والنص السريري غير المنظم وعلم الجينوم والطب الدقيق والتجارب السريرية وجودة تحسين الرعاية. لديه خبرة في توسيع خوارزميات التعلم الآلي / التعلم العميق على سحابة AWS لتسريع التدريب والاستدلال. في وقت فراغه ، يستمتع بالاستماع إلى الموسيقى (وتشغيلها) والقيام برحلات غير مخطط لها مع عائلته.
بابو سرينيفاسان كبير مهندسي السحابة في Deloitte. يعمل عن كثب مع العملاء في بناء هياكل قابلة للتطوير ومرنة تعتمد على السحابة ، ويسرع في تبني سحابة AWS لحل مشاكل الأعمال. بابو هو أيضًا سفير APN (شبكة شركاء AWS) ، شغوفًا بمشاركة خبرته الفنية في AWS مع المجتمع التقني. في وقت فراغه ، يحب بابو قضاء الوقت في أداء سحر البطاقة عن قرب للأصدقاء والزملاء ، أو تحويل الخشب في ورشة المرآب الخاصة به أو العمل على سيارته AWS DeepRacer.
