この投稿では、Amazon Comprehend Medicalを使用して薬剤名と病状を抽出し、薬物の安全性と有害事象を監視する方法を示します。 アマゾンコンプリヘンドメディカル 機械学習（ML）を使用して、構造化されていないテキストから関連する医療情報を簡単に抽出する自然言語処理（NLP）サービスです。 私たちは OpenFDA API （FDAにより公開されたオープンソースAPI）および Clinicaltrials.gov API （によって公開された別のオープンソースAPI 国立医学図書館 （NLM） 国立衛生研究所 （NIH））問題の薬物または病状の過去の有害事象、リコール、および臨床試験に関する情報を取得します。 その後、このデータを人口規模の研究で使用して、薬物の安全性と有効性をさらに分析できます。
新薬の発売は広範なプロセスです。 沿って いくつかの見積もり、発明から発売までに約12年かかります。 これには、前臨床試験、フェーズ1〜3の臨床試験、食品医薬品局（FDA）による承認などのさまざまな段階が含まれます。さらに、新薬には製薬組織による莫大な投資が必要です。 によると 新しい研究 JAMA Networkで発表された医薬品の市場投入コストの中央値は918億314万ドルで、その範囲は2.8億XNUMX万〜XNUMX億ドルです。
発売後も製薬会社は継続的に安全リスクを監視しています。 消費者は、FDAに薬物の副作用を直接報告することもできます。 これは薬物の回収につながり、それにより何百万ドルもの開発費を危険にさらす可能性があります。 さらに、これらの薬を服用している消費者とそれらを処方している臨床医は、そのような副作用を認識し、是正措置が必要かどうかを決定する必要があります。
投資は保証されませんが、製薬会社はより良い結果を達成し、開発する新薬の市場での成功の可能性を高めるためにMLに依存するようになっています。
機械学習はどのように役立ちますか？
医薬品の安全性を確保するために、FDAは実際のデータ（RWD）と 実世界の証拠 （RWE）市販後の薬物の安全性と有害事象を監視する。 詳細については、 現実世界のデータ（RWD）と現実世界の証拠（RWE）は、ヘルスケアの決定においてますます重要な役割を果たしています。 これは、RWDに基づいてガイドラインと意思決定支援ツールを開発する医療専門家にも役立ちます。 製薬会社はRWD分析の恩恵を受け、それを使用して改善された臨床試験デザインを開発し、新しく革新的な治療アプローチを考案できます。
RWDを効果的に分析する上での主要な課題のXNUMXつは、このデータの多くが構造化されておらず、分析クエリに適した行や列に格納されないことです。 RWDは複数の形式で存在し、さまざまなソースにまたがることができます。 従来の分析手法を使用して、人口規模で非構造化データを処理することは現実的ではありません。 詳細については、 AWSで実際の証拠プラットフォームを構築する.
前進 自然言語処理 （NLP）はこのギャップを埋めるのに役立ちます。 たとえば、RWDでトレーニングされたモデルを使用して、患者が自然言語で報告した副作用から主要なエンティティ（投薬や病状など）を導出できます。 これらのエンティティを抽出した後、それらをデータベースに保存して、さまざまなレポートアプリケーションに統合できます。 これらを人口規模の研究で使用して、特定の薬物の影響を受けやすいコホートを特定したり、薬物の安全性と有効性を分析したりできます。
ソリューションのアーキテクチャ
次の図は、ソリューションの全体的なアーキテクチャを表しています。 Amazon Comprehend Medicalに加えて、次のサービスを使用します。
アーキテクチャには次の手順が含まれます。
- デモソリューションは、APIゲートウェイURLの最初の呼び出し時にラムダ関数を介して提供される単純なHTMLページです。 URLはCloudFormationスタックの出力セクションにあるか、APIゲートウェイから取得できます。
- URLの送信ボタンは、apigateway経由で他の2つのラムダを非同期的に呼び出します。
- 2つのラムダは、共通レイヤー機能を使用して、ユーザーがComprehend Medicalによって入力されたフリーテキストを検証し、薬物治療と病状を返します。
- ラムダ関数は、Comprehend Medicalのエンティティを処理して、オープンソースのapiのClinicaltrail.govおよびopen.fda.govにクエリを実行します。 HTMLはこれらのラムダからの出力をそれぞれのテーブルにレンダリングします
前提条件
このウォークスルーを完了するには、次の前提条件が必要です。
CloudFormationスタックの構成
CloudFormationスタックを構成するには、次の手順を実行します。
- にサインインする アマゾン管理コンソール.
- 選択する
us-east-1あなたの地域として。 - CloudFormationスタックを起動します。
- 選択する Next.
- スタック名、名前を入力します。 例えば、
drugsearch. - 計測パラメータ セクションで、必要に応じてAPI Gateway名を更新します。
- S3バケットの名前を入力します
us-east-1CSVファイルを保存します。
- 選択する Next.
- 選択 AWS CloudFormationがIAMリソースを作成する可能性があることを認めます.
- 選択する スタックを作成.
スタックの完了には数分かかります。
- ソフトウェア設定ページで、下図のように 出力 タブで、API GatewayのURLを記録します。
薬物および病状に関する情報の検索
前のステップのURLを開くと、薬物や病状に関連するテキストを入力して、 送信.
出力には、次の情報を含むXNUMXつのテーブルが表示されます。
- 関連する薬と症状の副作用 –この情報はClinicaltrial.govから照会され、記録は最大10に制限されています。
- 薬物回収関連情報 –この情報はopen.fda.govから照会され、記録はすべての薬物および症状について最大5つに制限されています。
- 関連する症状と薬の臨床試験 –この情報は、clinicaltrial.govから照会されます。
表に加えて、このページには、臨床試験情報とOpenFDAをCSVファイルでダウンロードするための100つのハイパーリンクが表示されます。 これらのファイルには、OpenFDAでの臨床試験のレコードは最大100、すべての薬物および病状のレコードは最大XNUMXです。
まとめ
この投稿では、製薬会社、医療従事者、消費者がFDAやNIHなどの信頼できる情報源から有用な情報を検索できるようにする簡単なアプリケーションを紹介しました。 このアーキテクチャと利用可能なコードベースを使用して、このソリューションを、有害事象の分析と報告に関連する他のダウンストリームアプリケーションに統合できます。 これにより、参入の障壁が低くなり、MLの採用が増加して、患者の転帰が改善され、ケアの質が向上することを願っています。
著者について
バラド・ラム アマゾンウェブサービスのパートナーチームのシニアソリューションアーキテクトです。 彼は顧客がクラウド技術を採用するのを手伝うのが好きで、特に人工知能に興味があります。 彼はディープラーニングが将来のテクノロジーの成長を後押しすると信じています。 彼の余暇には、彼の娘と息子が彼をサイクリングやハイキングで忙しくしています。
ウジワルラタン アマゾンウェブサービスのグローバルヘルスケアおよびライフサイエンスチームの主要な機械学習スペシャリストソリューションアーキテクトです。 彼は、医用画像、非構造化臨床テキスト、ゲノミクス、精密医学、臨床試験、ケアの質の向上など、現実世界の業界の問題への機械学習とディープラーニングの適用に取り組んでいます。 彼は、トレーニングと推論を加速するためにAWSクラウドで機械学習/ディープラーニングアルゴリズムをスケーリングする専門知識を持っています。 余暇には、音楽を聴いたり（演奏したり）、家族と計画外の遠征を楽しんだりしています。
バブスリニバサン デロイトのシニアクラウドアーキテクトです。 彼は、スケーラブルで復元力のあるクラウドベースのアーキテクチャを構築する際に顧客と緊密に連携し、ビジネスの問題を解決するためにAWSクラウドの採用を加速します。 BabuはAPN（AWSパートナーネットワーク）アンバサダーでもあり、AWSの技術的な専門知識を技術コミュニティと共有することに情熱を傾けています。 彼の余暇には、友人や同僚にクローズアップカードマジックを実行したり、ガレージのウッドショップで木材を回したり、AWS DeepRacerカーで作業したりすることに時間を費やすのが大好きです。
出典：https://plato-ai.network/7-points-to-keep-in-mind-before-you-hire-a-machine-learning-engineer/
