Σε αυτήν την ανάρτηση, παρουσιάζουμε τον τρόπο χρήσης του Amazon Comprehend Medical για την εξαγωγή ονομάτων φαρμάκων και ιατρικών καταστάσεων για την παρακολούθηση της ασφάλειας των φαρμάκων και των ανεπιθύμητων ενεργειών. Amazon Comprehend Medical είναι μια υπηρεσία επεξεργασίας φυσικών γλωσσών (NLP) που χρησιμοποιεί μηχανική εκμάθηση (ML) για εύκολη εξαγωγή σχετικών ιατρικών πληροφοριών από μη δομημένο κείμενο. Ερώτημα του API OpenFDA (ένα API ανοιχτού κώδικα που δημοσιεύθηκε από το FDA) και API Clinicaltrials.gov (ένα άλλο ανοιχτού κώδικα API που δημοσιεύτηκε από το Εθνική Βιβλιοθήκη Ιατρικής (NLM) στο Εθνικά Ινστιτούτα Υγείας (NIH)) για να λάβετε πληροφορίες σχετικά με παρελθούσες ανεπιθύμητες ενέργειες, ανακλήσεις και κλινικές δοκιμές για το εν λόγω φάρμακο ή ιατρική κατάσταση. Στη συνέχεια, μπορείτε να χρησιμοποιήσετε αυτά τα δεδομένα σε μελέτες κλίμακας πληθυσμού για να αναλύσετε περαιτέρω την ασφάλεια και την αποτελεσματικότητα του φαρμάκου.

Η έναρξη ενός νέου φαρμάκου είναι μια εκτεταμένη διαδικασία. Με ορισμένες εκτιμήσεις, χρειάζονται περίπου 12 χρόνια από την εφεύρεση για να ξεκινήσει. Περιλαμβάνει διάφορα στάδια, όπως προκλινικές δοκιμές, κλινικές δοκιμές φάσης 1-3, και εγκρίσεις από την Υπηρεσία Τροφίμων και Φαρμάκων (FDA). Επιπλέον, τα νέα φάρμακα απαιτούν τεράστιες οικονομικές επενδύσεις από φαρμακευτικούς οργανισμούς. Σύμφωνα με ένα νέα μελέτη που δημοσιεύτηκε στο JAMA Network, το μέσο κόστος διάθεσης ενός φαρμάκου στην αγορά είναι 918 εκατομμύρια δολάρια, με το εύρος να κυμαίνεται μεταξύ 314 εκατομμυρίων και 2.8 δισεκατομμυρίων δολαρίων.

Ακόμα και μετά την κυκλοφορία, οι φαρμακευτικές εταιρείες παρακολουθούν συνεχώς τους κινδύνους για την ασφάλεια. Οι καταναλωτές μπορούν επίσης να αναφέρουν άμεσα ανεπιθύμητες ενέργειες στο FDA. Αυτό θα μπορούσε να οδηγήσει σε ανάκληση ναρκωτικών, θέτοντας έτσι σε κίνδυνο εκατομμύρια αναπτυξιακά δολάρια. Επιπλέον, οι καταναλωτές που παίρνουν αυτά τα φάρμακα και οι κλινικοί γιατροί που τα συνταγογραφούν πρέπει να γνωρίζουν τέτοιες ανεπιθύμητες ενέργειες και να αποφασίζουν εάν είναι απαραίτητες διορθωτικές ενέργειες.

Αν και δεν υπάρχει εγγύηση επένδυσης, οι κατασκευαστές ναρκωτικών αρχίζουν να βασίζονται περισσότερο στο ML για να επιτύχουν καλύτερα αποτελέσματα και να βελτιώσουν τις πιθανότητες επιτυχίας της αγοράς για νέα φάρμακα που αναπτύσσουν.

Πώς μπορεί να βοηθήσει η μηχανική μάθηση;

Για να διασφαλιστεί η ασφάλεια των ναρκωτικών, το FDA χρησιμοποιεί δεδομένα πραγματικού κόσμου (RWD) και πραγματικά στοιχεία (RWE) για την παρακολούθηση της ασφάλειας των ναρκωτικών μετά την κυκλοφορία και των ανεπιθύμητων ενεργειών. Για περισσότερες πληροφορίες, δείτε Τα δεδομένα πραγματικού κόσμου (RWD) και τα πραγματικά στοιχεία (RWE) διαδραματίζουν αυξανόμενο ρόλο στις αποφάσεις περί υγειονομικής περίθαλψης. Αυτό είναι επίσης χρήσιμο για επαγγελματίες του τομέα της υγείας που αναπτύσσουν κατευθυντήριες γραμμές και εργαλεία υποστήριξης αποφάσεων που βασίζονται σε RWD. Οι κατασκευαστές ναρκωτικών μπορούν να επωφεληθούν από την ανάλυση RWD και να το χρησιμοποιήσουν για να αναπτύξουν βελτιωμένα σχέδια κλινικών δοκιμών και να βρουν νέες και καινοτόμες προσεγγίσεις θεραπείας.

Μία από τις σημαντικότερες προκλήσεις με την αποτελεσματική ανάλυση του RWD είναι ότι πολλά από αυτά τα δεδομένα δεν είναι δομημένα - δεν αποθηκεύονται σε σειρές και στήλες που το καθιστούν φιλικό σε αναλυτικά ερωτήματα. Το RWD μπορεί να υπάρχει σε πολλές μορφές και να καλύπτει μια ποικιλία πηγών. Είναι ανέφικτο να χρησιμοποιηθούν συμβατικές αναλυτικές τεχνικές για την επεξεργασία μη δομημένων δεδομένων σε κλίμακα πληθυσμού. Για περισσότερες πληροφορίες, δείτε Δημιουργία πλατφόρμας αποδεικτικών στοιχείων πραγματικού κόσμου στο AWS.

Προκαταβολές στο επεξεργασία φυσικής γλώσσας (NLP) μπορεί να βοηθήσει στην κάλυψη αυτού του κενού. Για παράδειγμα, μπορείτε να χρησιμοποιήσετε μοντέλα εκπαιδευμένα σε RWD για να αντλήσετε βασικές οντότητες (όπως φάρμακα και ιατρικές καταστάσεις) από ανεπιθύμητες ενέργειες που αναφέρθηκαν από ασθενείς σε φυσική γλώσσα. Αφού εξαγάγετε αυτές τις οντότητες, μπορείτε να τις αποθηκεύσετε σε μια βάση δεδομένων και να τις ενσωματώσετε σε μια ποικιλία εφαρμογών αναφοράς. Μπορείτε να τα χρησιμοποιήσετε σε μελέτες κλίμακας πληθυσμού για να προσδιορίσετε ομάδες ευαίσθητες σε ορισμένα φάρμακα ή για να αναλύσετε την ασφάλεια και την αποτελεσματικότητα του φαρμάκου.

Αρχιτεκτονική λύσεων

Το παρακάτω διάγραμμα αντιπροσωπεύει τη συνολική αρχιτεκτονική της λύσης. Εκτός από το Amazon Comprehend Medical, χρησιμοποιείτε τις ακόλουθες υπηρεσίες:

Η αρχιτεκτονική περιλαμβάνει τα ακόλουθα βήματα:

1. Η δοκιμαστική λύση είναι μια απλή σελίδα html η οποία θα προβάλλεται μέσω μιας συνάρτησης lambda κατά την πρώτη επίκληση της διεύθυνσης URL πύλης api. Το url θα βρίσκεται στην ενότητα εξόδου της στοίβας CloudFormation ή μπορεί να αρπάξει από την πύλη api.
2. Τα κουμπιά υποβολής στο url θα επικαλούνται ασύγχρονα άλλα 2 lambda μέσω του apigateway
3. Το 2 Lambdas θα χρησιμοποιήσει μια συνάρτηση κοινής στρώσης για να ελέγξει το ελεύθερο κείμενο που εισήγαγε ο χρήστης από το Comprehend Medical και να επιστρέψει φάρμακα και ιατρικές παθήσεις.
4. Οι λειτουργίες lambda επεξεργάζονται τις οντότητες από το Comprehend Medical έως το ερώτημα του opentran api's klinistrail.gov και του open.fda.gov. Ο HTML θα έδινε την έξοδο από αυτά τα lambdas σε αντίστοιχους πίνακες

Προϋποθέσεις

Για να ολοκληρώσετε αυτήν την περιήγηση, πρέπει να έχετε τις ακόλουθες προϋποθέσεις:

Διαμόρφωση της στοίβας CloudFormation

Για να διαμορφώσετε τη στοίβα CloudFormation, ακολουθήστε τα παρακάτω βήματα:

1. Συνδεθείτε στο Κονσόλα διαχείρισης Amazon.
2. Επιλέξτε us-east-1 ως περιοχή σας.
3. Εκκινήστε τη στοίβα CloudFormation:
   
4. Επιλέξτε Επόμενο.
5. Για Όνομα στοίβας, εισαγάγετε ένα όνομα; για παράδειγμα, drugsearch.
6. Στο παράμετροι ενότητα, ενημερώστε τα ονόματα API Gateway όπως απαιτείται.
7. Καταχωρίστε το όνομα ενός κάδου S3 στο us-east-1 για να αποθηκεύσετε τα αρχεία CSV.
   
8. Επιλέξτε Επόμενο.
9. Αγορά Αναγνωρίζω ότι το AWS CloudFormation μπορεί να δημιουργήσει πόρους IAM.
10. Επιλέξτε Δημιουργία στοίβας.
    

Η στοίβα διαρκεί λίγα λεπτά για να ολοκληρωθεί.

11. Στις Έξοδοι καρτέλα, καταγράψτε τη διεύθυνση URL για το API Gateway.
    

Αναζήτηση πληροφοριών σχετικά με φάρμακα και ιατρικές παθήσεις

Όταν ανοίγετε τη διεύθυνση URL από το προηγούμενο βήμα, μπορείτε να εισαγάγετε κείμενο που σχετίζεται με φάρμακα και ιατρικές παθήσεις και να επιλέξετε Υποβολη.

Η έξοδος δείχνει τρεις πίνακες με τις ακόλουθες πληροφορίες:

• Ανεπιθύμητες ενέργειες των σχετικών φαρμάκων και συμπτωμάτων - Αυτές οι πληροφορίες υποβάλλονται σε ερώτηση από το clinicaltrial.gov και τα αρχεία περιορίζονται σε 10 το πολύ.
• Πληροφορίες σχετικά με την ανάκληση ναρκωτικών - Αυτές οι πληροφορίες υποβάλλονται σε ερώτηση από το open.fda.gov και οι εγγραφές περιορίζονται σε 5 το πολύ για κάθε φάρμακο και σύμπτωμα.
• Κλινικές δοκιμές για τα σχετικά συμπτώματα και φάρμακα - Αυτές οι πληροφορίες λαμβάνονται από το clinicaltrial.gov.

Εκτός από τους πίνακες, η σελίδα εμφανίζει δύο υπερσυνδέσμους για τη λήψη πληροφοριών κλινικής δοκιμής και το OpenFDA σε ένα αρχείο CSV. Αυτά τα αρχεία έχουν έως 100 εγγραφές για κλινικές δοκιμές και 100 για κάθε φάρμακο και ιατρική κατάσταση στο OpenFDA.

Συμπέρασμα

Αυτή η ανάρτηση έδειξε μια απλή εφαρμογή που επιτρέπει στους κατασκευαστές ναρκωτικών, τους επαγγελματίες του τομέα της υγείας και τους καταναλωτές να αναζητήσουν χρήσιμες πληροφορίες από αξιόπιστες πηγές όπως το FDA και το NIH. Χρησιμοποιώντας αυτήν την αρχιτεκτονική και τη διαθέσιμη βάση κώδικα, μπορείτε να ενσωματώσετε αυτήν τη λύση σε άλλες μεταγενέστερες εφαρμογές που σχετίζονται με την ανάλυση και την αναφορά ανεπιθύμητων συμβάντων. Ελπίζουμε ότι αυτό μειώνει το εμπόδιο εισόδου και αυξάνει την υιοθέτηση του ML για τη βελτίωση των αποτελεσμάτων των ασθενών και τη βελτίωση της ποιότητας της περίθαλψης.

---

Σχετικά με τους συγγραφείς

Βάραντ Ραμ είναι ανώτερος αρχιτέκτονας λύσεων στην ομάδα συνεργατών στο Amazon Web Services. Του αρέσει να βοηθά τους πελάτες να υιοθετούν τεχνολογίες cloud και ενδιαφέρεται ιδιαίτερα για την τεχνητή νοημοσύνη. Πιστεύει ότι η βαθιά μάθηση θα ενισχύσει τη μελλοντική ανάπτυξη της τεχνολογίας. Στον ελεύθερο χρόνο του, η κόρη και ο γιος του τον κρατούν απασχολημένο με ποδηλασία και πεζοπορία.

Ουτζιόλ Ρατάν είναι ο κύριος αρχιτέκτονας λύσης ειδικής μηχανικής μάθησης στην ομάδα της παγκόσμιας υγειονομικής περίθαλψης και των βιοεπιστημών στο Amazon Web Services Εργάζεται στην εφαρμογή της μηχανικής μάθησης και της βαθιάς μάθησης σε προβλήματα της πραγματικής βιομηχανίας όπως ιατρική απεικόνιση, κλινικό κείμενο χωρίς δομή, γονιδιωματική, ιατρική ακριβείας, κλινικές δοκιμές και βελτίωση της ποιότητας της φροντίδας. Έχει εμπειρία στην κλιμάκωση αλγορίθμων μηχανικής εκμάθησης / βαθιάς μάθησης στο cloud AWS για επιταχυνόμενη εκπαίδευση και συμπεράσματα. Στον ελεύθερο χρόνο του, απολαμβάνει να ακούει (και να παίζει) μουσική και να κάνει απρόβλεπτα οδικά ταξίδια με την οικογένειά του.

Μπάμπου Σρινιβασάν είναι ανώτερος αρχιτέκτονας cloud στο Deloitte. Συνεργάζεται στενά με τους πελάτες στην κατασκευή επεκτάσιμων και ανθεκτικών αρχιτεκτονικών cloud και επιταχύνει την υιοθέτηση του cloud AWS για την επίλυση επιχειρηματικών προβλημάτων. Ο Babu είναι επίσης πρεσβευτής του APN (AWS Partner Network), παθιασμένος με το να μοιράζεται την τεχνική του εμπειρία AWS με την τεχνική κοινότητα. Στον ελεύθερο χρόνο του, ο Babu λατρεύει να ξοδεύει χρόνο για να κάνει μαγική κάρτα close-up σε φίλους και συναδέλφους, να γυρίζει ξύλο στο γκαράζ του ή να δουλεύει στο αυτοκίνητό του AWS DeepRacer.

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

Πηγή: https://plato-ai.network/51-years-after-humans-first-set-foot-on-the-moon-a-deepfaked-nixon-mourns-how-armstrong-and-aldrin-never- έφτιαξα σπίτι/