In dit bericht laten we zien hoe u Amazon Comprehend Medical kunt gebruiken om medicatienamen en medische aandoeningen te extraheren om de veiligheid van geneesmiddelen en bijwerkingen te controleren. Amazon begrijpt medisch is een dienst voor natuurlijke taalverwerking (NLP) die machine learning (ML) gebruikt om eenvoudig relevante medische informatie uit ongestructureerde tekst te halen. We bevragen de OpenFDA-API (een open-source API gepubliceerd door de FDA) en Clinicaltrials.gov-API (een andere open-source API die is gepubliceerd door de National Library of Medicine (NLM) aan de National Institutes of Health (NIH)) om informatie te krijgen over bijwerkingen uit het verleden, terugroepacties en klinische proeven voor het betreffende geneesmiddel of de medische aandoening. U kunt deze gegevens vervolgens gebruiken in onderzoeken op populatieschaal om de veiligheid en werkzaamheid van het geneesmiddel verder te analyseren.

Het lanceren van een nieuw medicijn is een uitgebreid proces. Door sommige schattingen, het duurt ongeveer 12 jaar om van uitvinding tot lancering te gaan. Het omvat verschillende stadia zoals preklinisch testen, fase 1-3 klinische proeven en goedkeuringen door de Food and Drug Administration (FDA). Bovendien vereisen nieuwe geneesmiddelen enorme financiële investeringen van farmaceutische organisaties. Volgens een nieuwe studie gepubliceerd in JAMA Network, bedragen de mediane kosten van het op de markt brengen van een geneesmiddel $ 918 miljoen, met een bereik tussen $ 314 miljoen en $ 2.8 miljard.

Zelfs na de lancering houden farmaceutische bedrijven voortdurend toezicht op veiligheidsrisico's. Consumenten kunnen bijwerkingen ook rechtstreeks bij de FDA melden. Dit kan leiden tot het terugroepen van drugs, waardoor miljoenen ontwikkelingsdollars in gevaar komen. Bovendien moeten consumenten die deze geneesmiddelen gebruiken en clinici die ze voorschrijven, op de hoogte zijn van dergelijke bijwerkingen en beslissen of corrigerende maatregelen nodig zijn.

Hoewel geen investering is gegarandeerd, beginnen geneesmiddelenfabrikanten meer op ML te vertrouwen om betere resultaten te behalen en de kansen op marktsucces te vergroten voor nieuwe geneesmiddelen die zij ontwikkelen.

Hoe kan machine learning helpen?

Om de veiligheid van geneesmiddelen te garanderen, gebruikt de FDA real-world data (RWD) en real-world bewijs (RWE) om de veiligheid en bijwerkingen van geneesmiddelen na het in de handel brengen te volgen. Voor meer informatie, zie real-world data (RWD) en real-world evidence (RWE) spelen een steeds grotere rol bij beslissingen over de gezondheidszorg. Dit is ook handig voor zorgprofessionals die richtlijnen en hulpmiddelen voor besluitondersteuning ontwikkelen op basis van RWD. Geneesmiddelenfabrikanten kunnen profiteren van RWD-analyse en deze gebruiken om verbeterde ontwerpen voor klinische proeven te ontwikkelen en nieuwe en innovatieve behandelmethoden te bedenken.

Een van de grootste uitdagingen bij het effectief analyseren van RWD is dat veel van deze gegevens ongestructureerd zijn - ze worden niet opgeslagen in rijen en kolommen waardoor ze vriendelijk zijn voor analytische vragen. RWD kan in meerdere formaten bestaan ​​en verschillende bronnen omvatten. Het is onpraktisch om conventionele analytische technieken te gebruiken om ongestructureerde gegevens op de schaal van een populatie te verwerken. Voor meer informatie, zie Bouwen aan een Real World Evidence Platform op AWS.

Voortgang in natuurlijke taalverwerking (NLP) kan helpen deze leemte op te vullen. U kunt bijvoorbeeld op RWD getrainde modellen gebruiken om belangrijke entiteiten (zoals medicijnen en medische aandoeningen) af te leiden uit bijwerkingen die door patiënten in natuurlijke taal zijn gemeld. Nadat u deze entiteiten hebt uitgepakt, kunt u ze opslaan in een database en ze integreren in verschillende rapportagetoepassingen. U kunt ze gebruiken in populatieschaalstudies om cohorten te bepalen die vatbaar zijn voor bepaalde geneesmiddelen of om de veiligheid en werkzaamheid van het geneesmiddel te analyseren.

Oplossingsarchitectuur

Het volgende diagram geeft de algehele architectuur van de oplossing weer. Naast Amazon Comprehend Medical gebruikt u de volgende services:

De architectuur omvat de volgende stappen:

1. De demo-oplossing is een eenvoudige html-pagina die wordt bediend via een lambda-functie bij de eerste aanroep van de api-gateway-URL. De url bevindt zich in het uitvoergedeelte van de CloudFormation-stapel of kan worden opgehaald bij de api-gateway.
2. De verzendknoppen op de url zullen via apigateway asynchroon 2 andere lambdas aanroepen
3. De 2 Lambdas zullen een gemeenschappelijke laagfunctie gebruiken om de vrije tekst die door de gebruiker is ingevoerd door Comprehend Medical te controleren en medicatie en medische aandoeningen terug te sturen.
4. De lambda-functies verwerken de entiteiten van Comprehend Medical om open source api's clinicaltrail.gov en open.fda.gov te bevragen. De HTML zou de uitvoer van deze lambdas in respectieve tabellen weergeven

Voorwaarden

Om deze walkthrough te voltooien, moet u aan de volgende voorwaarden voldoen:

De CloudFormation-stack configureren

Voer de volgende stappen uit om uw CloudFormation-stack te configureren:

1. Log in op Amazon-beheerconsole.
2. Kies us-east-1 als uw regio.
3. Start de CloudFormation-stapel:
   
4. Kies Volgende.
5. Voor Stack naam, voer een naam in; bijvoorbeeld, drugsearch.
6. In het parameters sectie, werk de API Gateway-namen indien nodig bij.
7. Geef de naam van een S3-bucket op us-east-1 om de CSV-bestanden op te slaan.
   
8. Kies Volgende.
9. kies Ik erken dat AWS CloudFormation IAM-bronnen kan creëren.
10. Kies Maak een stapel.
    

Het duurt een paar minuten om de stapel te voltooien.

11. Op de Uitgangen tabblad, noteer de URL voor de API-gateway.
    

Zoeken naar informatie over medicijnen en medische aandoeningen

Wanneer u de URL van de vorige stap opent, kunt u tekst invoeren die betrekking heeft op medicijnen en medische aandoeningen en kiezen Verzenden.

De uitvoer toont drie tabellen met de volgende informatie:

• Bijwerkingen van de gerelateerde medicijnen en symptomen - Deze informatie wordt opgevraagd bij clinicaltrial.gov en de records zijn beperkt tot maximaal 10.
• Informatie over het terugroepen van drugs - Deze informatie wordt opgevraagd bij open.fda.gov en de records zijn beperkt tot maximaal 5 voor elk medicijn en symptoom.
• Klinische proeven voor de gerelateerde symptomen en medicijnen - Deze informatie wordt opgevraagd bij clinicaltrial.gov.

Naast de tabellen bevat de pagina twee hyperlinks om informatie over klinische proeven en de OpenFDA in een CSV-bestand te downloaden. Deze bestanden bevatten maximaal 100 records voor klinische onderzoeken en 100 voor elk medicijn en elke medische aandoening in OpenFDA.

Conclusie

Dit bericht demonstreerde een eenvoudige applicatie waarmee medicijnfabrikanten, gezondheidswerkers en consumenten nuttige informatie kunnen opzoeken van vertrouwde bronnen zoals de FDA en NIH. Met behulp van deze architectuur en de beschikbare codebase kunt u deze oplossing integreren in andere downstream-toepassingen die betrekking hebben op de analyse en rapportage van bijwerkingen. We hopen dat dit de toetredingsdrempel verlaagt en de acceptatie van ML verhoogt om de resultaten van patiënten te verbeteren en de kwaliteit van de zorg te verbeteren.

Over de auteurs

Varad Ram is Senior Solutions Architect in Partner Team bij Amazon Web Services. Hij helpt klanten graag overstappen op cloudtechnologieën en is vooral geïnteresseerd in kunstmatige intelligentie. Hij gelooft dat diep leren toekomstige technologische groei zal stimuleren. In zijn vrije tijd houden zijn dochter en zoon hem bezig met fietsen en wandelen.

Ujjwal Ratan is Principal Machine Learning Specialist Solution Architect in het Global Healthcare and Lifesciences-team bij Amazon Web Services. Hij werkt aan de toepassing van machine learning en deep learning voor echte wereldproblemen zoals medische beeldvorming, ongestructureerde klinische tekst, genomica, precisiegeneeskunde, klinische proeven en verbetering van de kwaliteit van zorg. Hij heeft expertise in het opschalen van machine learning / deep learning-algoritmen op de AWS-cloud voor versnelde training en gevolgtrekking. In zijn vrije tijd luistert hij graag naar (en speelt hij) muziek en maakt hij ongeplande roadtrips met zijn gezin.

Baboe Srinivasan is Senior cloud architect bij Deloitte. Hij werkt nauw samen met klanten bij het bouwen van schaalbare en veerkrachtige cloudgebaseerde architecturen en versnelt de acceptatie van AWS-cloud om bedrijfsproblemen op te lossen. Babu is ook een APN (AWS Partner Network) Ambassador, gepassioneerd over het delen van zijn technische expertise op het gebied van AWS met de technische gemeenschap. In zijn vrije tijd brengt Babu graag tijd door met het uitvoeren van close-up kaartmagie voor vrienden en collega's, hout draaien in zijn garage-houtwinkel of werken aan zijn AWS DeepRacer-auto.

Bron: https://aws.amazon.com/blogs/machine-learning/query-drug-adverse-effects-and-recalls-based-on-natural-language-using-amazon-comprehend-medical/

Bron: https://plato-ai.network/world-health-organisation-ai-chatbot-goes-deaf-when-asked-for-the-latest-covid-19-figures-for-taiwan-hong-kong/