AWS en AI in de Gezondheidszorg: JetBase Case Study

Kunstmatige intelligentie (AI) en machine learning (ML) ervaren momenteel aanzienlijke wereldwijde hype, vooral sinds de lancering van generatieve AI-modellen zoals ChatGPT in 2022. Naarmate deze hype groeit, zijn ethische overwegingen naar de voorgrond gekomen, vooral in het medische domein waar menselijke gezondheid en welzijn cruciaal zijn.

Ondanks het bestaan van negen generatieve AI-modellen in de gezondheidszorg en 24 verschillende toepassingen van AI, zoals het bieden van gezondheidsgerelateerde inzichten en het helpen bij ziektediagnose en -voorspelling, blijven er belangrijke uitdagingen. Deze omvatten de generatie van onnauwkeurige of fictieve inhoud, onzekerheid over informatiebronnen en verminderde nauwkeurigheid bij het beantwoorden van vragen.

Volgens McKinsey zou kunstmatige intelligentie, traditionele machine learning en deep learning kunnen leiden tot netto besparingen van $200 miljard tot $360 miljard in de gezondheidszorguitgaven. Deze potentieel kan echter alleen worden gerealiseerd als er vertrouwen wordt opgebouwd tussen zorgprofessionals en patiënten, en als AI nauwkeurig en intelligent wordt gebruikt.

AI- en machine learning-toepassingen bieden talrijke voordelen, niet alleen financieel. Ze dragen ook bij aan een betere kwaliteit van de gezondheidszorg, een verhoogde toegang tot zorg en grotere tevredenheid voor zowel patiënten als artsen.

Hier zijn de toepassingen van Machine Learning (ML) als een subtype van Kunstmatige Intelligentie (AI) die in de gezondheidszorg aan populariteit winnen:

• Nauwkeurig verzamelen van patiëntenverleden en familiegeschiedenis
• Verbeteren van de gezondheidszorgdiensten en operationele efficiëntie
• Verbeteren van het behandelproces en de diagnostische nauwkeurigheid
• In staat stellen tot robotchirurgie en beeldgeleide therapieën
• Automatiseren van meldingen
• Diabetes en andere gezondheidsproblemen detecteren
• Ondersteunen van tijdige besluitvorming
• Verwerken van online afspraken en gezondheidsinformatie
• Patiëntgegevens analyseren en klinische studies verbeteren
• Vervroegen van medicijnontwikkeling en klinische proeven
• Helpen bij psychologische problemen, patiëntdiagnose en therapie
• Vooruitgang boeken in medicijnontdekking en radiologie
• Ontwikkelen van nieuwe medische procedures
• Ziekten voorspellen en kleine defecten detecteren
• Helpen bij de behandeling van bloedkanker
• Verbeteren van gezondheidssystemen en kwaliteit
• Effectief risicomanagement

De toepassing van machine learning (ML) verbetert de organisatorische aspecten van de sector door processen zoals claimsverwerking en inkomstencycli te stroomlijnen. Het heeft ook het potentieel om klinische documentatie en het beheer van dossiers te automatiseren.

Corporate use cases voor ML maken steeds vaker het nieuws, waarbij de enorme mogelijkheden en vooruitgang in de gezondheidszorg worden belicht.

Aangezien de toegang van patiënten tot medicatie en hun tevredenheid over medische diensten cruciaal zijn in de gezondheidszorg, prioriteren veel organisaties investeringen in technologieën die deze gebieden kunnen verbeteren. Aangezien AI, machine learning en generatieve AI-technologieën een hoog investeringspotentieel hebben, kunnen we ons voorstellen hoe de combinatie en integratie van deze technologieën veelbelovend zal zijn in de komende jaren.

Volgens het McKinsey-rapport "Digitale Transformatie: Investeringprioriteiten van Gezondheidsystemen," zijn virtuele gezondheid en digitale toegangsdeuren de belangrijkste investeringsgebieden voor 70 procent van de zorgexecutives, die verwachten dat deze gebieden de grootste impact zullen hebben. Bovendien erkent 88 procent van de respondenten een hoge potentiële impact van AI.

Effectieve communicatie tussen artsen en patiënten is cruciaal. Zoals de WHO stelt, "terwijl technologie en innovaties de capaciteiten van gezondheidsdiensten kunnen verbeteren, blijft menselijke interactie een sleutelcomponent van het welzijn van patiënten." Het is essentieel voor medische professionals en organisaties om een menselijke touch te behouden, zelfs wanneer ze gebruik maken van technologische vooruitgang.

Hier zijn enkele gebieden waar AI en machine learning kunnen worden toegepast in de digitale toegangspoort van de gezondheidszorg:

• Virtuele Gezondheidsassistenten
• Telemedicine Platforms
• Afsprakenplanning en -beheer
• Patiënt triage en symptoomcontroles
• Persoonlijke Gezondheidsaanbevelingen
• Op afstand Patiëntmonitoring
• Patiëntbetrokkenheid en Educatie
• Voorspellende Analyse voor Patiëntuitkomsten
• Geautomatiseerde Documentatie en Workflowbeheer

In het digitale domein is het cruciaal om menselijke interactie te behouden terwijl technologie wordt benut. Aangezien gesprekken tussen artsen en patiënten een belangrijk onderdeel zijn van de digitale toegangspoort in de gezondheidszorg, hebben wij bij JetBase AI geïmplementeerd om de kloof tussen hen te overbruggen, tijd te besparen en de tevredenheid te vergroten. We willen ons gebruiksgeval voor AI-implementatie graag in detail met u bespreken.

Onze integratie gaat verder dan alleen interacties tussen artsen en patiënten; het omvat ook workflow- en gegevensbeheer. We implementeren continu nieuwe functies van AI-leveranciers.

Blijf lezen om te leren hoe AI en machine learning kunnen worden toegepast in echte zorgscenario's.

In ons zorgontwikkelingsproject, dat gebruikmaakt van gegevens van medische apparaten, kunnen patiënten en artsen deelnemen aan gesprekken die variëren van enkele minuten tot meerdere uren. Voor patiënten blijft de ervaring naadloos — artsen zijn attent en beschikbaar voor consultaties.

Echter, voor medische professionals zijn de voordelen aanzienlijk. Met talrijke patiënten en interacties om te beheren, kan het een uitdaging zijn om alle details bij te houden. Dit is waar AI-technologieën te hulp komen. Door belangrijke punten uit elke interactie te analyseren, helpt AI de databelasting te verminderen en het informatiebeheer te stroomlijnen. Om te illustreren hoe dit werkt, zullen we voorbeelden geven uit onze zorgcasestudy.

In ons zorgontwikkelingsproject hebben we AWS AI-diensten geïntegreerd. Deze integratie heeft ons in staat gesteld om inzichten uit gegevens te halen en de dagelijkse routines van medische professionals te automatiseren.

Amazon Bedrock

Amazon Bedrock biedt toegang tot een breed scala aan fundamentmodellen (FMs) van toonaangevende AI-startups en Amazon via een uniforme API. Het zorgt voor totale beveiliging en privacy terwijl het eenvoudig experimenteren en evalueren van topmodellen mogelijk maakt. Met functies zoals fine-tuning, Retrieval Augmented Generation (RAG) en de mogelijkheid om agenten te creëren die communiceren met uw enterprisesystemen, ondersteunt Amazon Bedrock maatwerk en efficiënte gegevensverwerking.

We gebruiken Amazon Bedrock nu al 2-3 maanden om prompts te genereren uit gegevens van medische apparaten. Artsen fungeren als agenten in dit AI-ecosysteem en passen specifieke parameters toe op deze prompts. De verwerkte prompts worden teruggestuurd naar de service, die kant-en-klare commentaren retourneert die artsen indien nodig kunnen bewerken.

Amazon Transcribe

Amazon Transcribe is een automatische spraakherkenningsdienst die audio omzet in tekst met behulp van machine learning.

Het kan onafhankelijk worden gebruikt of geïntegreerd in toepassingen voor spraak-naar-tekst functionaliteiten. Het biedt taalaanpassing voor verbeterde nauwkeurigheid, inhoudsfiltering voor privacy, multi-kanaal audio-analyse en sprekerpartitionering. U kunt media in realtime (streaming) of vanuit bestanden opgeslagen in een Amazon S3-bucket (batch) transcriberen.

In de afgelopen 6 maanden hebben we de batch transcriptieoptie gebruikt. We evalueren gesprekken ook met behulp van drie categorieën: tevreden, niet tevreden en neutraal. We hebben een optie toegevoegd om deze evaluaties te visualiseren met emoji's voor beter inzicht voor de gebruiker.

AWS HealthScribe

AWS HealthScribe is een door HIPAA goedgekeurde dienst die generatieve AI-capaciteiten integreert zonder dat er beheer van de onderliggende ML-infrastructuur of training van zorgspecifieke grote taalmodellen (LLM's) nodig is. Het helpt bij het herkennen van medische spraak voor het automatiseren van voorlopige klinische documentatie. Met een enkele API identificeert AWS HealthScribe sprekerrollen, classificeert dialogen, extraheert medische termen en genereert gedetailleerde voorlopige klinische transcripties en notities, waardoor de implementatie wordt versneld door de noodzaak voor aparte AI-diensten te elimineren. Deze dienst werd begin 2024 gelanceerd en we zijn momenteel aan het overstappen naar deze dienst na enkele maanden gebruik van Amazon Transcribe.

Amazon Forecast

Amazon Forecast is een andere AWS-dienst die helpt bij op intelligentie gebaseerde beslissingen met behulp van machine learning (ML). Het vereenvoudigt het gebruik van verschillende dataniveaus voor de analyse van zakelijke metrics.

We zijn nog steeds bezig met de implementatie van Amazon Forecast in onze bedrijfsprocessen binnen onze gezondheidsapplicatie en zullen updates over onze voortgang geven naarmate we vorderen.

U vraagt zich misschien af wat er nodig is om AI-diensten in uw gezondheidsapplicatie met behulp van AWS te implementeren. Het voordeel van AWS is dat het een team van experts en AI-partners biedt. Vanuit ons perspectief hadden we alleen duidelijke gegevens en een AI-expert nodig om het implementatieproces te navigeren en specifieke uitdagingen aan te pakken.

Duidelijke Gegevens

In onze AI gevalstudie beheren we momenteel 20-30 miljoen datapunten van medische apparaatmetingen. Deze gegevens stellen ons in staat om algoritmen te trainen en voorspellende analyses toe te passen. Een van onze doelen is om deze gegevens te gebruiken om de inkomsten voor klinieken en andere zorginstellingen die bij het project betrokken zijn, te voorspellen, evenals om de betrokkenheid van patiënten te verbeteren. Hoewel gegevensfilters kunnen helpen om invoergegevens te zuiveren, vergt het werken met grote datasets nog steeds aanzienlijke tijd en moeite van menselijke middelen.

Er bestaat niet zoiets als te veel gegevens in machine learning.Wat nog belangrijker is, is het hebben van duidelijke, goed georganiseerde gegevens.

AI-experts en menselijke betrokkenheid

Het selecteren en voorbereiden van data voor machine learning is een tijdrovende taak die toewijding van mensen vereist. Je hebt een team nodig dat bestaat uit een AI-engineer, artsen en medische wetenschappers om data te filteren, algoritmes te testen en data systematisch te labelen.

AI en machine learning in de gezondheidszorg zijn veelbelovende velden die potentieel hebben voor aanzienlijke vooruitgang van zowel AI-engineers als medische experts, evenals substantiële investeringen. We blijven meer leren over de mogelijkheden van AI en technologische innovaties in de geneeskunde, die medische workflows kunnen verbeteren, de ervaring van patiënten kunnen verbeteren en de toegang tot gezondheidszorg wereldwijd kunnen uitbreiden.

Bij JetBase vertrouwen we momenteel op AWS-diensten voor ons gezondheidszorgproject, zodat we niet onze eigen AI-oplossingen en machine learning-ecosysteem hoeven te ontwikkelen. Deze diensten zijn al waardevol gebleken voor het transcriberen van gesprekken tussen artsen en patiënten en het creëren van prompts uit uitgebreide gegevens van medische apparaten. We staan echter open voor het verdiepen van ons project op basis van de doelen en behoeften van de klant. We zijn toegewijd om innovatieve technologische ideeën te implementeren die zowel artsen als patiënten ten goede komen.

We hopen dat onze inzichten in AI en machine learning in de gezondheidszorg je hebben geïnspireerd en nieuwe ideeën hebben geboden voor je eigen gebruiksgeval. Als je expertise nodig hebt in AWS-diensten en webontwikkeling in de gezondheidszorg, neem dan gerust contact op met JetBase voor een gratis consultatie.