AWS og AI i Sundhedssektoren: JetBase Casestudie

Kunstig intelligens (AI) og maskinlæring (ML) oplever i øjeblikket en betydelig global hype, især siden lanceringen af generative AI-modeller som ChatGPT i 2022. Efterhånden som denne hype vokser, er etiske overvejelser kommet i forgrunden, især inden for det medicinske område, hvor menneskelig sundhed og velvære er altafgørende.

På trods af eksistensen af ni generative AI-modeller inden for sundhedsvæsenet og 24 forskellige anvendelser af AI, såsom at give sundhedsrelateret indsigt og hjælpe med sygdomsdiagnose og -forudsigelse, forbliver vigtige udfordringer. Disse inkluderer generering af unøjagtigt eller fiktivt indhold, usikkerhed vedrørende informationskilder og nedsat nøjagtighed ved besvarelse af forespørgsler.

Ifølge McKinsey kan kunstig intelligens, traditionel maskinlæring og deep learning resultere i nettobesparelser på 200 milliarder til 360 milliarder dollars i sundhedsudgifter. Dette potentiale kan dog kun realiseres, hvis der opbygges tillid blandt sundhedspersonale og patienter, og hvis AI bruges præcist og intelligent.

AI- og maskinlæringsapplikationer tilbyder adskillige fordele, ikke kun finansielle. De bidrager også til bedre sundhedskvalitet, øget adgang til pleje og større tilfredshed for både patienter og læger.

Her er anvendelserne af maskinlæring (ML) som en undertype af kunstig intelligens (AI), der vinder popularitet inden for sundhedsvæsenet:

• Indsaml patienthistorik præcist og tilvejebring familiehistorik
• Forbedr sundhedsydelser og operationel effektivitet
• Forbedr behandlingsprocessen og diagnostisk nøjagtighed
• Muliggør robotkirurgi og billedvejledte terapier
• Automatiser meddelelsesadvarsler
• Opdag diabetes og andre sundhedsproblemer
• Støt rettidig beslutningstagning
• Håndter online tidsbestilling og sundhedsinformatik
• Analyser patientdata og forbedr kliniske studier
• Fremme tidlig lægemiddeludvikling og kliniske forsøg
• Hjælp med psykologiske vanskeligheder, patientdiagnose og terapi
• Fremme medicinopdagelse og radiologi
• Udvikle nye medicinske procedurer
• Forudsig sygdomme og opdag små defekter
• Hjælp med behandling af blodkræft
• Forbedre sundhedssystemer og kvalitet
• Håndter risici effektivt

Anvendelsen af maskinlæring (ML) forbedrer branchens organisatoriske aspekter ved at strømline processer som skadesbehandling og styring af indtægtscyklus. Den har også potentiale til at automatisere klinisk dokumentation og journaladministration. Virksomhedsanvendelser for ML skaber i stigende grad overskrifter og fremhæver dens enorme potentiale og fremskridt inden for sundhedsvæsenet.

Da patienters adgang til medicin og deres tilfredshed med medicinske ydelser er afgørende inden for sundhedsvæsenet, prioriterer mange organisationer at investere i teknologier, der kan forbedre disse områder. I betragtning af at AI, maskinlæring og generative AI-teknologier har et højt investeringspotentiale, kan vi forestille os, hvordan kombinationen og integrationen af disse teknologier vil være lovende i de kommende år.

Ifølge McKinsey-rapporten "Digital Transformation: Health Systems’ Investment Priorities" er virtuel sundhed og digitale front-deske de øverste investeringsområder for 70 procent af sundhedslederne, som forventer, at disse områder vil have størst indvirkning. Desuden anerkender 88 procent af respondenterne en høj potentiel indvirkning af AI.

Effektiv kommunikation mellem læger og patienter er afgørende. Som WHO udtaler: "Mens teknologi og innovationer kan forbedre sundhedsydelsernes kapacitet, forbliver menneskelig interaktion et nøgleelement i patienternes velbefindende." Det er essentielt for sundhedspersonale og organisationer at bevare en menneskelig kontakt, selv når de udnytter teknologiske fremskridt.

Her er nogle områder, hvor AI og maskinlæring kan implementeres i den digitale front-desk inden for sundhedsvæsenet:

• Virtuelle sundhedsassistenter
• Telemedicin-platforme
• Tidsbestilling og -styring
• Patienttriagering og symptomcheckere
• Personlige sundhedsanbefalinger
• Fjernovervågning af patienter
• Patientengagement og -uddannelse
• Forudsigende analyser for patientresultater
• Automatiseret dokumentation og workflow-styring

I den digitale verden er det afgørende at opretholde menneskelig interaktion, mens man udnytter teknologi. Da opkald mellem læger og patienter er en central komponent i den digitale front-desk inden for sundhedsvæsenet, har vi hos JetBase implementeret AI for at bygge bro mellem dem, hvilket sparer tid og øger tilfredsheden. Vi vil gerne diskutere vores AI-implementeringsbrugsscenarie mere detaljeret med dig.

Vores integration rækker ud over blot interaktioner mellem læge og patient; den omfatter også workflow- og datastyring. Vi implementerer løbende nye funktioner fra AI-udbydere. Læs videre for at lære, hvordan AI og maskinlæring kan anvendes i reelle sundhedsscenarier.

I vores udviklingsprojekt inden for sundhedsvæsenet, som udnytter data fra medicinsk udstyr, kan patienter og læger deltage i opkald, der kan vare fra blot få minutter til flere timer. For patienter forbliver oplevelsen problemfri – læger er opmærksomme og tilgængelige for konsultation.

For sundhedsprofessionelle er fordelene dog betydelige. Med talrige patienter og interaktioner at håndtere kan det være udfordrende at holde styr på alle detaljer. Her kommer AI-teknologier til undsætning. Ved at analysere nøglepunkter fra hver interaktion hjælper AI med at reducere dataoverload og strømline informationshåndtering. For at illustrere, hvordan dette fungerer, vil vi give eksempler fra vores sundhedscase-studie.

I vores udviklingsprojekt inden for sundhedsvæsenet har vi integreret AWS AI-tjenester. Denne integration har gjort det muligt for os at få indsigt fra data og automatisere de daglige rutiner for læger.

Amazon Bedrock

Amazon Bedrock giver adgang til en bred vifte af grundlæggende modeller (FMs) fra førende AI-startups og Amazon via en samlet API. Det sikrer total sikkerhed og privatliv, samtidig med at det letter nem eksperimentering og evaluering af topmodeller. Med funktioner som finjustering, Retrieval Augmented Generation (RAG) og evnen til at skabe agenter, der interagerer med dine virksomhedssystemer, understøtter Amazon Bedrock tilpasning og effektiv databehandling.

Vi har brugt Amazon Bedrock i de sidste 2-3 måneder til at generere prompts fra medicinsk udstyrsdata. Læger fungerer som agenter i dette AI-økosystem og anvender specifikke parametre på disse prompts. De behandlede prompts sendes tilbage til tjenesten, som returnerer færdige kommentarer, som læger kan redigere om nødvendigt.

Amazon Transcribe

Amazon Transcribe er en automatisk talegenkendelsestjeneste, der konverterer lyd til tekst ved hjælp af maskinlæring. Den kan bruges uafhængigt eller integreres i applikationer for tale-til-tekst-funktioner. Den tilbyder sprogtilpasning for forbedret nøjagtighed, indholdsfiltrering for privatliv, multi-kanal lydanalyse og højttalerpartitionering. Du kan transskribere medier i realtid (streaming) eller fra filer gemt i en Amazon S3-bucket (batch).

I de sidste 6 måneder har vi brugt batch-transskriptionsmuligheden. Vi evaluerer også samtaler ved hjælp af tre kategorier: tilfreds, ikke tilfreds og neutral. Vi har tilføjet en mulighed for at visualisere disse evalueringer med emojis for bedre brugerindsigt.

AWS HealthScribe

AWS HealthScribe er en HIPAA-egnet tjeneste, der integrerer generative AI-funktioner uden at kræve styring af den underliggende ML-infrastruktur eller træning af sundhedsspecifikke store sprogmodeller (LLM'er). Den hjælper med at genkende medicinsk tale til automatisering af foreløbig klinisk dokumentation. Ved hjælp af en enkelt API identificerer AWS HealthScribe taleroller, klassificerer dialoger, udtrækker medicinske termer og genererer detaljerede foreløbige kliniske udskrifter og noter, hvilket fremskynder implementeringen ved at eliminere behovet for separate AI-tjenester. Denne tjeneste blev lanceret i starten af 2024, og vi er i øjeblikket ved at overgå til den efter flere måneders brug af Amazon Transcribe.

Amazon Forecast

Amazon Forecast er en anden AWS-tjeneste, der hjælper med intelligensdrevet beslutningstagning ved hjælp af maskinlæring (ML). Den forenkler brugen af forskellige dataniveauer til analyse af forretningsmålinger.

Vi er stadig i gang med at implementere Amazon Forecast i vores forretningsprocesser inden for vores sundhedsapplikation og vil give opdateringer om vores fremskridt, efterhånden som vi kommer videre.

Du undrer dig måske over, hvad der kræves for at implementere AI-tjenester i din sundhedsapplikation ved hjælp af AWS. Fordelen ved AWS er, at det tilbyder et team af eksperter og AI-partnere. Fra vores perspektiv havde vi kun brug for klare data og en AI-ekspert til at navigere i implementeringsprocessen og løse specifikke udfordringer.

Klare data

I vores AI-brugsscenarie administrerer vi i øjeblikket 20-30 millioner datapunkt fra medicinsk udstyrsaflæsninger. Disse data giver os mulighed for at træne algoritmer og anvende prædiktiv analyse. Et af vores mål er at bruge disse data til at forudsige indtægter for klinikker og andre sundhedsenheder involveret i projektet, samt at øge patientengagementet. Selvom datafiltre kan hjælpe med at rense inputdata, kræver arbejdet med store datasæt stadig betydelig tid og indsats fra menneskelige ressourcer.

Der er ikke noget, der hedder for mange data inden for maskinlæring. Det, der er vigtigere, er at have klare, velorganiserede data.

AI-eksperter og menneskelig involvering

Udvalg og forberedelse af data til maskinlæring er en tidskrævende opgave, der kræver dedikeret menneskelig indsats. Du har brug for et team bestående af en AI-ingeniør, læger og medicinske forskere til at filtrere data, teste algoritmer og mærke data systematisk.

AI og maskinlæring inden for sundhedsvæsenet er lovende områder, der rummer potentiale for betydelige fremskridt fra både AI-ingeniører og medicinske eksperter, samt betydelige investeringer. Vi fortsætter med at lære mere om AI's kapaciteter og teknologiske innovationer inden for medicin, som kan forbedre medicinske arbejdsgange, forbedre patientoplevelser og udvide adgangen til sundhedspleje globalt.

Hos JetBase stoler vi i øjeblikket på AWS-tjenester til vores sundhedsprojekt, hvilket eliminerer behovet for at udvikle vores egne AI-løsninger og maskinlæringsøkosystem. Disse tjenester har allerede vist sig værdifulde til transskribering af læge-patient-opkald og oprettelse af prompts fra omfattende data om medicinsk udstyr. Vi er dog åbne for at uddybe vores projekt baseret på dets mål og klientbehov. Vi er forpligtet til at implementere enhver innovativ teknologisk idé til gavn for både læger og patienter.

Vi håber, at vores indsigt i AI og maskinlæring inden for sundhedsvæsenet har inspireret dig og givet nye ideer til dit eget brugsscenarie. Hvis du har brug for ekspertise inden for AWS-tjenester og webudvikling til sundhedsindustrien, er du velkommen til at kontakte JetBase for en gratis konsultation.