AWS & AI i helsevesenet: JetBase Kundehistorie

Kunstig intelligens (AI) og maskinlæring (ML) opplever for tiden betydelig global oppmerksomhet, spesielt siden lanseringen av generative AI-modeller som ChatGPT i 2022. Etter hvert som denne oppmerksomheten vokser, har etiske hensyn kommet i forgrunnen, spesielt innen medisinsk domene hvor menneskers helse og velvære er av største betydning.

Til tross for eksistensen av ni generative AI-modeller innen helsevesenet og 24 forskjellige AI-applikasjoner, som å gi helserelatert innsikt og bidra til sykdomsdiagnose og prediksjon, gjenstår sentrale utfordringer. Disse inkluderer generering av unøyaktig eller fiktivt innhold, usikkerhet om informasjonskilder, og redusert nøyaktighet i besvarelse av spørsmål.

Ifølge McKinsey kan kunstig intelligens, tradisjonell maskinlæring og dyp læring føre til netto besparelser på 200 milliarder til 360 milliarder dollar i helseutgifter. Dette potensialet kan imidlertid bare realiseres hvis det bygges tillit blant helsepersonell og pasienter, og hvis AI brukes nøyaktig og intelligent.

AI- og maskinlæringsapplikasjoner tilbyr en rekke fordeler, ikke bare økonomiske. De bidrar også til bedre helsekvalitet, økt tilgang til omsorg og større tilfredshet for både pasienter og leger.

Her er anvendelsene av maskinlæring (ML) som en undertype av kunstig intelligens (AI) som blir stadig mer populære innen helsevesenet:

• Nøyaktig samle inn pasienthistorikk og gi familiehistorikk
• Forbedre helsetjenester og operasjonell effektivitet
• Forbedre behandlingsprosessen og diagnostisk nøyaktighet
• Muliggjøre robotkirurgi og bildeveiledet terapi
• Automatisere meldingsvarsler
• Oppdage diabetes og andre helseproblemer
• Støtte rettidige beslutninger
• Håndtere online timebestilling og helseinformatikk
• Analysere pasientdata og forbedre kliniske studier
• Forenkle tidlig fase medikamentutvikling og kliniske studier
• Bistå med psykologiske vanskeligheter, pasientdiagnose og terapi
• Fremme medisinutvikling og radiologi
• Utvikle nye medisinske prosedyrer
• Forutsi sykdommer og oppdage små defekter
• Hjelpe med behandling av blodkreft
• Forbedre helsesystemer og kvalitet
• Håndtere risiko effektivt

Anvendelsen av maskinlæring (ML) forbedrer de organisatoriske aspektene av industrien ved å effektivisere prosesser som kravbehandling og inntektsstyring. Den har også potensial til å automatisere klinisk dokumentasjon og journaladministrasjon. Bedriftsrelaterte brukstilfeller for ML får stadig mer oppmerksomhet, noe som understreker dets enorme potensial og fremskritt innen helsevesenet.

Ettersom pasienttilgang til medisin og deres tilfredshet med medisinske tjenester er avgjørende i helsevesenet, prioriterer mange organisasjoner å investere i teknologier som kan forbedre disse områdene. Gitt at AI, maskinlæring og generativ AI-teknologi har et høyt investeringspotensial, kan vi se for oss hvordan kombinasjonen og integreringen av disse teknologiene vil være lovende i årene som kommer.

Ifølge McKinseys rapport "Digital Transformation: Health Systems’ Investment Priorities" er virtuell helse og digitale frontdører de viktigste investeringsområdene for 70 prosent av helseledere, som forventer at disse områdene vil ha størst innvirkning. I tillegg anerkjenner 88 prosent av respondentene en høy potensiell innvirkning av AI.

Effektiv kommunikasjon mellom leger og pasienter er avgjørende. Som WHO uttaler, "mens teknologi og innovasjoner kan forbedre helsetjenestekapasiteten, forblir menneskelig interaksjon et sentralt element i pasienters velvære." Det er viktig for medisinsk personell og organisasjoner å opprettholde en menneskelig touch selv når de utnytter teknologiske fremskritt.

Her er noen områder hvor AI og maskinlæring kan implementeres i den digitale frontdøren innen helsevesenet:

• Virtuelle helseassistenter
• Telemedisinplattformer
• Timebestilling og administrasjon
• Pasienttriage og symptomkontrollere
• Personaliserte helseanbefalinger
• Fjernovervåking av pasienter
• Pasientengasjement og utdanning
• Prediktiv analyse for pasientresultater
• Automatisert dokumentasjon og arbeidsflytstyring

I den digitale sfæren er det avgjørende å opprettholde menneskelig interaksjon samtidig som man utnytter teknologi. Siden samtaler mellom leger og pasienter er en sentral komponent i den digitale frontdøren i helsevesenet, har vi i JetBase implementert AI for å bygge bro over gapet mellom dem, spare tid og øke tilfredsheten. Vi vil gjerne diskutere vårt AI-implementeringsbrukstilfelle mer detaljert med deg.

Vår integrasjon går utover bare interaksjoner mellom lege og pasient; den inkluderer også arbeidsflyt og databehandling. Vi implementerer kontinuerlig nye funksjoner fra AI-leverandører. Fortsett å lese for å lære hvordan AI og maskinlæring kan brukes i virkelige helsescenarier.

I vårt helseutviklingsprosjekt, som utnytter data fra medisinsk utstyr, kan pasienter og leger engasjere seg i samtaler som kan vare fra bare noen få minutter til flere timer. For pasienter forblir opplevelsen sømløs – leger er oppmerksomme og tilgjengelige for konsultasjon.

For helsepersonell er fordelene imidlertid betydelige. Med mange pasienter og interaksjoner å administrere kan det være utfordrende å holde oversikt over alle detaljene. Det er her AI-teknologier kommer til unnsetning. Ved å analysere nøkkelpunkter fra hver interaksjon, bidrar AI til å redusere dataoverbelastning og effektivisere informasjonsstyring. For å illustrere hvordan dette fungerer, vil vi gi eksempler fra vår helsevesenets casestudie.

I vårt helseutviklingsprosjekt har vi integrert AWS AI-tjenester. Denne integrasjonen har gjort det mulig for oss å få innsikt fra data og automatisere daglige rutiner for medisinsk personell.

Amazon Bedrock

Amazon Bedrock gir tilgang til et bredt spekter av grunnlagsmodeller (FMs) fra ledende AI-startups og Amazon via en enhetlig API. Det sikrer total sikkerhet og personvern samtidig som det forenkler enkel eksperimentering og evaluering av toppmodeller. Med funksjoner som finjustering, Retrieval Augmented Generation (RAG), og muligheten til å lage agenter som interagerer med bedriftssystemene dine, støtter Amazon Bedrock tilpasning og effektiv databehandling.

Vi har brukt Amazon Bedrock de siste 2-3 månedene for å generere prompter fra data fra medisinsk utstyr. Leger fungerer som agenter i dette AI-økosystemet, og anvender spesifikke parametere på disse promptene. De behandlede promptene sendes tilbake til tjenesten, som returnerer ferdige kommentarer som leger kan redigere om nødvendig.

Amazon Transcribe

Amazon Transcribe er en automatisk talegjenkjenningstjeneste som konverterer lyd til tekst ved hjelp av maskinlæring. Den kan brukes uavhengig eller integreres i applikasjoner for tale-til-tekst-funksjonalitet. Den tilbyr språktilpasning for forbedret nøyaktighet, innholdsfiltrering for personvern, flerkanals lydanalyse og høyttalerseparering. Du kan transkribere medier i sanntid (strømming) eller fra filer lagret i en Amazon S3-bøtte (batch).

De siste 6 månedene har vi benyttet oss av batch-transkripsjonsalternativet. Vi evaluerer også samtaler ved hjelp av tre kategorier: fornøyd, ikke fornøyd og nøytral. Vi har lagt til et alternativ for å visualisere disse evalueringene med emojier for bedre brukerinnsikt.

AWS HealthScribe

AWS HealthScribe er en HIPAA-kvalifisert tjeneste som integrerer generative AI-funksjoner uten å kreve administrasjon av den underliggende ML-infrastrukturen eller trening av helsespesifikke store språkmodeller (LLMs). Den hjelper til med å gjenkjenne medisinsk tale for å automatisere foreløpig klinisk dokumentasjon. Ved å bruke en enkelt API identifiserer AWS HealthScribe talerroller, klassifiserer dialoger, trekker ut medisinske termer og genererer detaljerte foreløpige kliniske transkripsjoner og notater, noe som fremskynder implementeringen ved å eliminere behovet for separate AI-tjenester. Denne tjenesten ble lansert tidlig i 2024, og vi er for tiden i ferd med å gå over til den etter flere måneder med bruk av Amazon Transcribe.

Amazon Forecast

Amazon Forecast er en annen AWS-tjeneste som bidrar til intelligensdrevne beslutninger ved hjelp av maskinlæring (ML). Den forenkler bruken av ulike datanivåer for analyse av forretningsmålinger.

Vi er fortsatt i ferd med å implementere Amazon Forecast i våre forretningsprosesser innenfor vår helseapplikasjon og vil gi oppdateringer om fremgangen vår etter hvert.

Du lurer kanskje på hva som kreves for å implementere AI-tjenester i helseapplikasjonen din ved hjelp av AWS. Fordelen med AWS er at det tilbyr et team av eksperter og AI-partnere. Fra vårt perspektiv trengte vi bare klare data og en AI-ekspert for å navigere i implementeringsprosessen og takle spesifikke utfordringer.

Klare data

I vårt AI brukstilfelle administrerer vi for tiden 20-30 millioner datapunkter fra medisinsk utstyr. Disse dataene gjør det mulig for oss å trene algoritmer og anvende prediktiv analyse. Et av våre mål er å bruke disse dataene til å prognostisere inntekter for klinikker og andre helseinstitusjoner involvert i prosjektet, samt å forbedre pasientengasjementet. Mens datafiltre kan bidra til å rense inndata, krever arbeid med store datasett fortsatt betydelig tid og innsats fra menneskelige ressurser.

Det finnes ikke noe slikt som for mye data i maskinlæring. Det som er viktigere er å ha klare, velorganiserte data.

AI-eksperter og menneskelig involvering

Å velge og forberede data for maskinlæring er en tidkrevende oppgave som krever dedikert menneskelig innsats. Du trenger et team bestående av en AI-ingeniør, leger og medisinske forskere for å filtrere data, teste algoritmer og merke data systematisk.

AI og maskinlæring i helsevesenet er lovende felt som har potensial for betydelige fremskritt fra både AI-ingeniører og medisinske eksperter, samt betydelige investeringer. Vi fortsetter å lære mer om AIs evner og teknologiske innovasjoner innen medisin, som kan forbedre medisinske arbeidsflyter, forbedre pasientopplevelser og utvide tilgangen til helsevesenet globalt.

Hos JetBase er vi for tiden avhengige av AWS-tjenester for vårt helseprosjekt, noe som eliminerer behovet for å utvikle våre egne AI-løsninger og maskinlæringsøkosystem. Disse tjenestene har allerede vist seg verdifulle for transkribering av lege-pasient-samtaler og for å lage prompter fra omfattende data fra medisinsk utstyr. Vi er imidlertid åpne for å utdype prosjektet vårt basert på dets mål og klientbehov. Vi er forpliktet til å implementere innovative teknologiske ideer til fordel for både leger og pasienter.

Vi håper at vår innsikt i AI og maskinlæring i helsevesenet har inspirert deg og gitt nye ideer til ditt eget brukstilfelle. Hvis du trenger ekspertise innen AWS-tjenester og webutvikling for helseindustrien, er du velkommen til å kontakte JetBase for en gratis konsultasjon.