Τα ιατρικά δεδομένα είναι πολύ συμφραζόμενα και σε μεγάλο βαθμό πολυτροπικά, όπου κάθε σιλό δεδομένων αντιμετωπίζεται ξεχωριστά. Για τη γεφύρωση διαφορετικών δεδομένων, μια προσέγγιση που βασίζεται σε γραφήματα γνώσης ενσωματώνει δεδομένα μεταξύ τομέων και συμβάλλει στην πιο περίπλοκη αναπαράσταση της επιστημονικής γνώσης πιο φυσικά. Για παράδειγμα, τρία συστατικά των κύριων ηλεκτρονικών αρχείων υγείας (EHR) είναι κωδικοί διάγνωσης, πρωτογενείς σημειώσεις και συγκεκριμένα φάρμακα. Επειδή αυτά αντιπροσωπεύονται σε διαφορετικά σιλό δεδομένων, η δευτερεύουσα χρήση αυτών των εγγράφων για τον ακριβή προσδιορισμό των ασθενών με ένα συγκεκριμένο παρατηρήσιμο χαρακτηριστικό είναι μια κρίσιμη πρόκληση. Συνδέοντας αυτές τις διαφορετικές πηγές, οι ειδικοί σε θέματα έχουν μια πιο πλούσια ομάδα δεδομένων για να κατανοήσουν πώς διαφορετικές έννοιες όπως ασθένειες και συμπτώματα αλληλεπιδρούν μεταξύ τους και βοηθούν στη διεξαγωγή της έρευνάς τους. Αυτό βοηθά τελικά τους ερευνητές και τους επαγγελματίες της υγειονομικής περίθαλψης και των βιοεπιστημών να δημιουργήσουν καλύτερες πληροφορίες από τα δεδομένα για μια ποικιλία περιπτώσεων χρήσης, όπως η ανακάλυψη φαρμάκων και οι εξατομικευμένες θεραπείες.

Σε αυτήν την ανάρτηση, χρησιμοποιούμε Amazon Healthlake για εξαγωγή δεδομένων EHR στο Γρήγοροι πόροι διαλειτουργικότητας υγειονομικής περίθαλψης (FHIR) μορφή δεδομένων. Στη συνέχεια χτίζουμε ένα γράφημα γνώσεων βασισμένο σε βασικές οντότητες που εξάγονται και εναρμονίζονται από τα ιατρικά δεδομένα. Το Amazon HealthLake εξάγει και μεταμορφώνει μη δομημένα ιατρικά δεδομένα, όπως ιατρικές σημειώσεις, ώστε να μπορεί να αναζητηθεί και να αναλυθεί. Μαζί με Amazon Kendra και Amazon Ποσειδώνας, επιτρέπουμε στους ειδικούς του τομέα να κάνουν μια ερώτηση για τη φυσική γλώσσα, να εμφανίσουν τα αποτελέσματα και τα σχετικά έγγραφα και να δείξουν συνδεδεμένες βασικές οντότητες, όπως θεραπείες, συμπεράσματα κωδικών ICD-10, φάρμακα και πολλά άλλα σε αρχεία και έγγραφα. Αυτό επιτρέπει την εύκολη ανάλυση της συνύπαρξης βασικών οντοτήτων, την ανάλυση συννοσηρότητας και την ανάλυση κοόρτης ασθενών σε μια ολοκληρωμένη λύση. Ο συνδυασμός αποτελεσματικών δυνατοτήτων αναζήτησης και εξόρυξης δεδομένων μέσω δικτύων γραφημάτων μειώνει το χρόνο και το κόστος για τους χρήστες να βρουν σχετικές πληροφορίες γύρω από τους ασθενείς και να βελτιώσουν τη δυνατότητα συντήρησης γνώσεων γύρω από τους EHRs. Η βάση κώδικα για αυτήν την ανάρτηση είναι διαθέσιμη στο GitHub repo.

Επισκόπηση λύσεων

Σε αυτήν την ανάρτηση, χρησιμοποιούμε την έξοδο από το Amazon HealthLake για δύο σκοπούς.

Πρώτον, ευρετηριάζουμε EHRs στο Amazon Kendra για σημασιολογική και ακριβή κατάταξη εγγράφων από τις σημειώσεις ασθενών, οι οποίες συμβάλλουν στη βελτίωση της αποτελεσματικότητας του ιατρού στον εντοπισμό των σημειώσεων του ασθενούς και τη συγκρίνουμε με άλλους ασθενείς που έχουν παρόμοια χαρακτηριστικά. Αυτό αλλάζει από τη χρήση λεξικής αναζήτησης σε μια σημασιολογική αναζήτηση που εισάγει το περιβάλλον γύρω από το ερώτημα, το οποίο οδηγεί σε καλύτερη έξοδο αναζήτησης (δείτε το παρακάτω στιγμιότυπο οθόνης).

Δεύτερον, χρησιμοποιούμε το Neptune για τη δημιουργία εφαρμογών γραφημάτων γνώσης για τους χρήστες να βλέπουν μεταδεδομένα που σχετίζονται με σημειώσεις ασθενών σε μια πιο απλή και κανονικοποιημένη προβολή, η οποία μας επιτρέπει να επισημάνουμε τα σημαντικά χαρακτηριστικά που απορρέουν από ένα έγγραφο (δείτε το παρακάτω στιγμιότυπο οθόνης).

Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική μας.

Τα βήματα για την εφαρμογή της λύσης είναι τα εξής:

1. Δημιουργία και εξαγωγή δεδομένων Amazon HealthLake.
2. Εξαγωγή σημειώσεων και μεταδεδομένων επίσκεψης ασθενούς.
3. Φόρτωση δεδομένων σημειώσεων ασθενούς στο Amazon Kendra.
4. Φορτώστε τα δεδομένα στον Ποσειδώνα.
5. Ρυθμίστε το backend και το front end για να εκτελέσετε την εφαρμογή ιστού.

Δημιουργία και εξαγωγή δεδομένων Amazon HealthLake

Ως πρώτο βήμα, δημιουργήστε ένα κατάστημα δεδομένων χρησιμοποιώντας το Amazon HealthLake είτε μέσω της κονσόλας Amazon HealthLake είτε του Διεπαφή γραμμής εντολών AWS (AWS CLI). Για αυτήν την ανάρτηση, εστιάζουμε στην προσέγγιση AWS CLI.

1. Χρησιμοποιούμε AWS Cloud9 για να δημιουργήσετε μια αποθήκευση δεδομένων με τον ακόλουθο κώδικα, αντικαθιστώντας < > με ένα μοναδικό όνομα:

aws healthlake create-fhir-datastore --region us-east-1 --datastore-type-version R4 --preload-data-config PreloadDataType="SYNTHEA" --datastore-name "<<your_data_store_name>>"

Ο προηγούμενος κώδικας χρησιμοποιεί ένα προεγκατεστημένο σύνολο δεδομένων από το Synthea, το οποίο υποστηρίζεται στην έκδοση FHIR R4, για να εξερευνήσετε πώς να χρησιμοποιήσετε την έξοδο Amazon HealthLake. Η εκτέλεση του κώδικα παράγει μια απόκριση παρόμοια με τον ακόλουθο κώδικα και αυτό το βήμα διαρκεί λίγα λεπτά για να ολοκληρωθεί (περίπου 30 λεπτά κατά τη στιγμή της σύνταξης):

{ "DatastoreEndpoint": "https://healthlake.us-east-1.amazonaws.com/datastore/<<your_data_store_id>>/r4/", "DatastoreArn": "arn:aws:healthlake:us-east-1:<<your_AWS_account_number>>:datastore/fhir/<<your_data_store_id>>", "DatastoreStatus": "CREATING", "DatastoreId": "<<your_data_store_id>>"
}

Μπορείτε να ελέγξετε την κατάσταση ολοκλήρωσης είτε στην κονσόλα Amazon HealthLake είτε στο περιβάλλον AWS Cloud9.

2. Για να ελέγξετε την κατάσταση στο AWS Cloud9, χρησιμοποιήστε τον ακόλουθο κωδικό για να ελέγξετε την κατάσταση και περιμένετε μέχρι DatastoreStatus αλλαγές από CREATING προς την ACTIVE:

aws healthlake describe-fhir-datastore --datastore-id "<<your_data_store_id>>" --region us-east-1

3. Όταν η κατάσταση αλλάξει σε ACTIVE, πάρτε τον ρόλο ARN από το HEALTHLAKE-KNOWLEDGE-ANALYZER-IAMROLE στοίβα μέσα AWS CloudFormation, που σχετίζεται με το φυσικό αναγνωριστικό AmazonHealthLake-Export-us-east-1-HealthDataAccessRoleκαι αντιγράψτε το ARN στη συνδεδεμένη σελίδα.
4. Στο AWS Cloud9, χρησιμοποιήστε τον ακόλουθο κώδικα για να εξαγάγετε τα δεδομένα από το Amazon HealthLake στο Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) δημιουργήθηκε από Κιτ ανάπτυξης AWS Cloud (AWS CDK) και σημειώστε το job-id παραγωγή:

aws healthlake start-fhir-export-job --output-data-config S3Uri="s3://hl-synthea-export-<<your_AWS_account_number>>/export-$(date +"%d-%m-%y")" --datastore-id <<your_data_store_id>> --data-access-role-arn arn:aws:iam::<<your_AWS_account_number>>:role/AmazonHealthLake-Export-us-east-1-HealthKnoMaDataAccessRole

5. Βεβαιωθείτε ότι η εργασία εξαγωγής έχει ολοκληρωθεί χρησιμοποιώντας τον ακόλουθο κωδικό με το job-id αποκτήθηκε από τον τελευταίο κωδικό που εκτελέσατε. (όταν ολοκληρωθεί η εξαγωγή, JobStatus στις καταστάσεις εξόδου COMPLETED):

aws healthlake describe-fhir-export-job --datastore-id <<your_data_store_id>> --job-id <<your_job_id>>

Εξαγωγή σημειώσεων και μεταδεδομένων επίσκεψης ασθενούς

Το επόμενο βήμα περιλαμβάνει την αποκωδικοποίηση των επισκέψεων ασθενών για τη λήψη των πρώτων κειμένων. Θα εισαγάγουμε το ακόλουθο αρχείο DocumentReference-0.ndjson (εμφανίζεται στο παρακάτω στιγμιότυπο οθόνης του S3) από το βήμα εξαγωγής Amazon HealthLake που ολοκληρώσαμε προηγουμένως στο CDK που αναπτύχθηκε Amazon Sage Maker παρουσία σημειωματάριου. Αρχικά, αποθηκεύστε το σημειωματάριο που παρέχεται από το repo Github στην παρουσία SageMaker. Στη συνέχεια, εκτελέστε το σημειωματάριο για να εντοπίσετε και να εισαγάγετε αυτόματα τα αρχεία DocumentReference-0.ndjson από το S3.

Για αυτό το βήμα, χρησιμοποιήστε τον πόρο SageMaker για γρήγορη εκτέλεση του φορητού υπολογιστή. Το πρώτο μέρος του σημειωματάριου δημιουργεί ένα αρχείο κειμένου που περιέχει σημειώσεις από την επίσκεψη κάθε ασθενούς και αποθηκεύεται σε μια τοποθεσία Amazon S3. Επειδή θα μπορούσαν να υπάρχουν πολλές επισκέψεις για έναν ασθενή, μια μοναδική ταυτότητα συνδυάζει το μοναδικό αναγνωριστικό του ασθενούς και το αναγνωριστικό επίσκεψης. Αυτές οι σημειώσεις των ασθενών χρησιμοποιούνται για να πραγματοποιήσουν σημασιολογική αναζήτηση ενάντια στη χρήση του Amazon Kendra.

Το επόμενο βήμα στο σημειωματάριο περιλαμβάνει τη δημιουργία τριπλών με βάση τα μεταδεδομένα που εξάγονται αυτόματα. Δημιουργώντας και αποθηκεύοντας τα μεταδεδομένα σε μια τοποθεσία Amazon S3, ένα AWS Lambda Η λειτουργία ενεργοποιείται για τη δημιουργία των τριπλών που περιβάλλουν τις σημειώσεις επίσκεψης του ασθενούς.

Φόρτωση δεδομένων σημειώσεων ασθενούς στο Amazon Kendra

Τα αρχεία κειμένου που μεταφορτώνονται στη διαδρομή προέλευσης του κάδου S3 πρέπει να ανιχνευθούν και να ευρετηριαστούν. Για αυτήν την ανάρτηση, δημιουργείται μια έκδοση προγραμματιστή κατά την ανάπτυξη του AWS CDK, οπότε το ευρετήριο δημιουργείται για τη σύνδεση των πρωτογενών σημειώσεων ασθενούς.

1. Στη κονσόλα AWS CloudFormation κάτω από τη στοίβα HEALTHLAKE-ΓΝΩΣΗ-ΑΝΑΛΥΣΗ-CORE, αναζητήστε kendra στο Υποστηρικτικό υλικό καρτέλα και σημειώστε το αναγνωριστικό ευρετηρίου και το αναγνωριστικό προέλευσης δεδομένων (αντιγράψτε το πρώτο μέρος του φυσικού αναγνωριστικού πριν από το σωλήνα (|)).

2. Πίσω στο AWS Cloud9, εκτελέστε την ακόλουθη εντολή για συγχρονισμό των σημειώσεων ασθενούς στο Amazon S3 με το Amazon Kendra:

aws kendra start-data-source-sync-job --id <<data_source_id_2nd_circle>> --index-id <<index_id_1st_ circle>>

3. Μπορείτε να επαληθεύσετε όταν ολοκληρωθεί η κατάσταση συγχρονισμού εκτελώντας την ακόλουθη εντολή:

aws kendra describe-data-source --id <<data_source_id_2nd_circle>> --index-id <<index_id_1st_circle>>

Επειδή τα απορροφούμενα δεδομένα είναι πολύ μικρά, θα πρέπει αμέσως να δείξει ότι το Status είναι ΕΝΕΡΓΟ κατά την εκτέλεση της προηγούμενης εντολής.

Φορτώστε τα δεδομένα στο Ποσειδώνα

Σε αυτό το επόμενο βήμα, έχουμε πρόσβαση στο Amazon Elastic Compute Cloud (Amazon EC2) που εμφανίστηκε και φορτώθηκε τα τριπλάσια από το Amazon S3 στο Neptune χρησιμοποιώντας τον ακόλουθο κώδικα:

curl -X POST -H 'Content-Type: application/json' https://healthlake-knowledge-analyzer-vpc-and-neptune-neptunedbcluster.cluster-<<your_unique_id>>.us-east-1.neptune.amazonaws.com:8182/loader -d '
{ "source": "s3://<<your_Amazon_S3_bucket>>/stdized-data/neptune_triples/nquads/", "format": "nquads", "iamRoleArn": "arn:aws:iam::<<your_AWS_account_number>>:role/KNOWLEDGE-ANALYZER-IAMROLE-ServiceRole", "region": "us-east-1", "failOnError": "TRUE"
}'

Ρυθμίστε το backend και το front end για να εκτελέσετε την εφαρμογή ιστού

Το προηγούμενο βήμα θα χρειαστεί λίγα δευτερόλεπτα για να ολοκληρωθεί. Εν τω μεταξύ, διαμορφώστε την παρουσία EC2 για πρόσβαση στην εφαρμογή ιστού. Βεβαιωθείτε ότι έχετε εγκαταστήσει τόσο το Python όσο και το Node στην παρουσία.

1. Εκτελέστε τον ακόλουθο κώδικα στο τερματικό της παρουσίας:

sudo iptables -t nat -I PREROUTING -p tcp --dport 80 -j REDIRECT --to-ports 3000

Αυτό δρομολογεί τη δημόσια διεύθυνση στην αναπτυσσόμενη εφαρμογή.

2. Αντιγράψτε τους δύο φακέλους με τίτλο ka-webapp και ka-server-webapp και ανεβάστε τα σε ένα φάκελο με το όνομα dev στην παρουσία EC2.
3. Για τη διεπαφή, δημιουργήστε μια οθόνη εκτελώντας την ακόλουθη εντολή:

screen -S back 

4. Σε αυτήν την οθόνη, αλλάξτε το φάκελο σε ka-webapp και τρέχει npm εγκαθιστώ.
5. Μετά την εγκατάσταση, μεταβείτε στο αρχείο .env.development και τοποθετήστε τη δημόσια διεύθυνση IPv2 του Amazon EC4 και αποθηκεύστε το αρχείο.
6. τρέξιμο npm ξεκινήστε και στη συνέχεια αποσυνδέστε την οθόνη.
7. Για το backend, δημιουργήστε μια άλλη οθόνη εισάγοντας:

screen -S back

8. Αλλάξτε το φάκελο σε ka-server-webapp και τρέχει pip install -r requirements.txt.
9. Όταν εγκατασταθούν οι βιβλιοθήκες, εισαγάγετε τον ακόλουθο κωδικό:

10. Αποσυνδεθείτε από την τρέχουσα οθόνη και χρησιμοποιώντας οποιοδήποτε πρόγραμμα περιήγησης, μεταβείτε στη διεύθυνση Amazon EC2 Public IPv4 για πρόσβαση στην εφαρμογή ιστού.

Δοκιμάστε να αναζητήσετε μια διάγνωση ασθενούς και επιλέξτε έναν σύνδεσμο εγγράφου για να απεικονίσετε το γράφημα γνώσεων αυτού του εγγράφου.

Τα επόμενα βήματα

Σε αυτήν την ανάρτηση, ενσωματώνουμε την έξοδο δεδομένων από το Amazon HealthLake τόσο σε μια μηχανή αναζήτησης όσο και σε μια μηχανή γραφημάτων για να σημασιοδοτήσουμε σχετικές πληροφορίες και να επισημάνουμε σημαντικές οντότητες που συνδέονται με έγγραφα. Μπορείτε να επεκτείνετε περαιτέρω αυτό το γράφημα γνώσεων και να το συνδέσετε με άλλες οντολογίες όπως MeSH και MedDRA.

Επιπλέον, αυτό παρέχει τη βάση για την περαιτέρω ενσωμάτωση άλλων κλινικών συνόλων δεδομένων και την επέκταση αυτού του γραφήματος γνώσεων για τη δημιουργία ενός ιστού δεδομένων. Μπορείτε να κάνετε ερωτήματα σχετικά με ιστορικά δεδομένα πληθυσμού, αλυσοδεμένες δομημένες και βασισμένες σε γλώσσες αναζητήσεις για επιλογή κοόρτης για να συσχετίσετε τη νόσο με το αποτέλεσμα του ασθενούς.

εκκαθάριση

Για να καθαρίσετε τους πόρους σας, ακολουθήστε τα παρακάτω βήματα:

1. Για να διαγράψετε τις στοίβες που δημιουργήθηκαν, εισαγάγετε τις ακόλουθες εντολές με τη σειρά που δίνεται για να καταργήσετε σωστά όλους τους πόρους:

$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-UPDATE-CORE
$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-WEBAPP
$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-CORE

2. Ενώ οι προηγούμενες εντολές βρίσκονται σε εξέλιξη, διαγράψτε την πηγή δεδομένων του Amazon Kendra που δημιουργήθηκε:

$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-VPC-AND-NEPTUNE
$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-IAMROLE
$ aws healthlake delete-fhir-datastore --datastore-id <<your_data_store_id>> 

3. Για να επαληθεύσετε ότι έχει διαγραφεί, ελέγξτε την κατάσταση εκτελώντας την ακόλουθη εντολή:

$ aws healthlake describe-fhir-datastore --datastore-id "<<your_data_store_id>>" --region us-east-1

4. Ελέγξτε την κονσόλα AWS CloudFormation για να βεβαιωθείτε ότι ξεκινούν όλες οι σχετικές στοίβες HEALTHLAKE-KNOWLEDGE-ANALYZER έχουν διαγραφεί με επιτυχία.

Συμπέρασμα

Το Amazon HealthLake παρέχει μια διαχειριζόμενη υπηρεσία βάσει του προτύπου FHIR που σας επιτρέπει να δημιουργείτε λύσεις υγείας και κλινικής. Η σύνδεση της παραγωγής του Amazon HealthLake με το Amazon Kendra και το Neptune σας δίνει τη δυνατότητα να δημιουργήσετε μια γνωστική αναζήτηση και ένα γράφημα γνώσεων για την υγεία για να τροφοδοτήσετε την έξυπνη εφαρμογή σας.

Με βάση αυτήν την προσέγγιση, οι ερευνητές και οι γιατροί πρώτης γραμμής μπορούν να αναζητήσουν εύκολα κλινικές σημειώσεις και ερευνητικά άρθρα πληκτρολογώντας απλώς την ερώτησή τους σε ένα πρόγραμμα περιήγησης ιστού. Κάθε κλινική απόδειξη έχει επισημανθεί, ευρετηριαστεί και δομηθεί χρησιμοποιώντας μηχανική μάθηση για να παρέχει τεκμηριωμένα θέματα σχετικά με πράγματα όπως μετάδοση, παράγοντες κινδύνου, θεραπευτική και επώαση. Αυτή η συγκεκριμένη λειτουργικότητα είναι εξαιρετικά πολύτιμη για τους ιατρούς ή τους επιστήμονες, διότι τους επιτρέπει να υποβάλουν γρήγορα μια ερώτηση για να επικυρώσουν και να προωθήσουν την υποστήριξη ή την έρευνά τους για κλινικές αποφάσεις.

Δοκιμάστε το μόνοι σας! Αναπτύξτε αυτήν τη λύση χρησιμοποιώντας το Amazon HealthLake στον λογαριασμό σας AWS, αναπτύσσοντας το παράδειγμα στο GitHub.

Σχετικά με τους Συγγραφείς

Prithiviraj Jothikumar, PhD, είναι Επιστήμονας δεδομένων με επαγγελματικές υπηρεσίες AWS, όπου βοηθά τους πελάτες να δημιουργήσουν λύσεις χρησιμοποιώντας μηχανική εκμάθηση. Του αρέσει να παρακολουθεί ταινίες και σπορ και να ξοδεύει χρόνο για διαλογισμό.

Φι Νγκουέν είναι ένας αρχιτέκτονας λύσεων στο AWS βοηθώντας τους πελάτες στο ταξίδι τους στο cloud με ιδιαίτερη έμφαση στη λίμνη δεδομένων, στα αναλυτικά στοιχεία, στις τεχνολογίες σημασιολογίας και στη μηχανική μάθηση. Στον ελεύθερο χρόνο του, μπορείτε να τον βρείτε ποδηλασία στη δουλειά, να εκπαιδεύσετε την ομάδα ποδοσφαίρου του γιου του ή να απολαύσετε τη βόλτα στη φύση με τον fami του

Parminder Bhatia είναι ηγέτης της επιστήμης στο AWS Health AI, δημιουργώντας επί του παρόντος αλγόριθμους βαθιάς μάθησης για κλινικό τομέα σε κλίμακα. Η εμπειρία του είναι στη μηχανική μάθηση και σε τεχνικές ανάλυσης κειμένου μεγάλης κλίμακας σε ρυθμίσεις χαμηλών πόρων, ειδικά σε βιοϊατρικές, βιοεπιστήμες και τεχνολογίες υγειονομικής περίθαλψης. Του αρέσει να παίζει ποδόσφαιρο, θαλάσσια σπορ και να ταξιδεύει με την οικογένειά του.

Γκάριν Κέσλερ είναι Ανώτερος Διευθυντής Επιστήμης Δεδομένων στο Amazon Web Services, όπου καθοδηγεί ομάδες επιστημόνων δεδομένων και αρχιτέκτονες εφαρμογών για να παραδίδει κατά παραγγελία εφαρμογές μηχανικής μάθησης για πελάτες. Εκτός του AWS, ομιλεί για τη μηχανική εκμάθηση και τα μοντέλα νευρικής γλώσσας στο Georgetown. Όταν δεν εργάζεται, απολαμβάνει να ακούει (και να κάνει) μουσική αμφισβητήσιμης ποιότητας με φίλους και συγγενείς.

Δρ Taha Kass-Hout είναι Διευθυντής Μηχανικής Μάθησης και Υπεύθυνος Ιατρικών Υπηρεσιών στο Amazon Web Services και ηγείται της στρατηγικής και των προσπαθειών AI Health, συμπεριλαμβανομένου του Amazon Comprehend Medical και του Amazon HealthLake. Η Taha συνεργάζεται επίσης με ομάδες στο Amazon που είναι υπεύθυνες για την ανάπτυξη της επιστήμης, της τεχνολογίας και της κλίμακας για εργαστηριακές δοκιμές COVID-19. Γιατρός και βιοπληροφορικός, η Τάχα υπηρέτησε δύο θητείες υπό τον Πρόεδρο Ομπάμα, συμπεριλαμβανομένου του πρώτου επικεφαλής αξιωματικού Πληροφορικής Υγείας στο FDA. Κατά τη διάρκεια αυτής της περιόδου ως δημόσιος υπάλληλος, πρωτοστάτησε στη χρήση αναδυόμενων τεχνολογιών και cloud (ηλεκτρονική παρακολούθηση ασθενειών του CDC) και καθιέρωσε ευρέως προσβάσιμες παγκόσμιες πλατφόρμες ανταλλαγής δεδομένων, το openFDA, που επέτρεψαν στους ερευνητές και το κοινό να αναζητήσουν και να αναλύσουν δεδομένα ανεπιθύμητων ενεργειών, και PrecisionFDA (μέρος της πρωτοβουλίας Προεδρικής Ιατρικής ακριβείας).

Coinsmart. Beste Bitcoin-Börse στην Ευρώπη
Πηγή: https://aws.amazon.com/blogs/machine-learning/build-a-cognitive-search-and-a-health-knowledge-graph-using-amazon-healthlake-amazon-kendra-and-amazon- Ποσειδώνας/