AWS Study Group

Clinical doppelgangers: Tăng tốc hiểu biết sâu sắc về nhi khoa

Tác giả: Dinesh Rai, MD, Angela Zhang, Christine Tsien Silvers, MD, PhD, và John Brownstein, PhD
Ngày phát hành: 06 THÁNG 1 2026
Chuyên mục: Amazon Aurora, Amazon Bedrock, Amazon Bedrock Agents, Amazon OpenSearch Service, Amazon SageMaker, Amazon Textract, AWS Lambda, AWS Step Functions, Healthcare, Industries

Việc điều trị cho những bệnh nhân phức tạp có thể khó khăn. Khả năng xem xét cách các bệnh nhân khác có triệu chứng hoặc tình trạng tương tự đã được điều trị và kết quả của họ có thể giúp các bác sĩ lâm sàng hiểu rõ hơn về cách tiếp cận bệnh nhân của chính họ. Tuy nhiên, tìm kiếm truyền thống còn hạn chế đối với các tình huống chăm sóc lâm sàng tinh tế (ví dụ: rối loạn nhịp tim sau phẫu thuật Norwood đáp ứng với nhịp tim thay thế).

Các bác sĩ lâm sàng cần suy luận dựa trên ngữ cảnh, không chỉ từ khóa, để kết nối giải phẫu, can thiệp và kết quả. Dự án Clinical Doppelgangers là một sáng kiến do bác sĩ lâm sàng dẫn dắt tại Bệnh viện Nhi Boston sử dụng các mô hình ngôn ngữ lớn (LLM), cùng với các dịch vụ được quản lý của Amazon Web Services (AWS), để tìm ra những bệnh nhân có đặc điểm tương tự, chẳng hạn như triệu chứng lâm sàng, tình trạng và giá trị xét nghiệm.

Clinical Doppelgangers chuyển đổi các tường thuật phi cấu trúc thành các tín hiệu có thể truy vấn (nhúng ngữ nghĩa và vector từ vựng thưa thớt). Nó kết hợp chúng với dữ liệu có cấu trúc, đóng vai trò là một LLM tác nhân giúp các bác sĩ lâm sàng và nhà nghiên cứu đặt câu hỏi bằng ngôn ngữ tự nhiên và nhận được các câu trả lời có thể giải thích được, có nguồn gốc rõ ràng.

Những gì chúng tôi đã xây dựng

Bệnh viện Nhi Boston đã triển khai một quy trình hoàn chỉnh đã xử lý hơn 6000 trường hợp nhi khoa phức tạp tại đơn vị chăm sóc tích cực tim mạch (CICU). Trong quá trình đó, một cơ sở tri thức gồm hơn 250 phép đo có cấu trúc đã được phát triển (bao gồm hơn 500 biểu diễn vector thưa thớt và hàng nghìn nhúng ngữ nghĩa) để nắm bắt ý nghĩa lâm sàng kết hợp với các phép đo số. Một tác nhân LLM được trang bị cơ sở tri thức này có thể chuyển đổi một truy vấn ngôn ngữ tự nhiên thành một đối tượng được sử dụng để tìm kiếm kho lưu trữ này và tìm các bệnh nhân liên quan để phát triển một nhóm bệnh nhân trong vài giây đến vài phút.

Khi một bác sĩ lâm sàng muốn tìm những bệnh nhân có, ví dụ, tim trái thiểu sản và rối loạn nhịp tim sau phẫu thuật Glenn với phản ứng tốt với tạo nhịp, LLM sẽ diễn giải ý định và lập kế hoạch tìm kiếm nhiều bước trên cơ sở tri thức của chúng tôi để phát triển một nhóm bệnh nhân liên quan. Sau đó, bác sĩ lâm sàng có thể xem xét những bệnh nhân tương tự này để giúp đưa ra quyết định cho bệnh nhân hiện tại.

Tận dụng AWS để mở rộng quy mô và di chuyển nhanh chóng

Kiến trúc cấp cao cho Clinical Doppelgangers được thể hiện trong Hình 1 và bao gồm các thành phần sau:

  • Thu nạp và điều phối
    • Ghi chú lâm sàng và PDF được lưu trữ trong Amazon Simple Storage Service (Amazon S3)
    • AWS Step Functions điều phối quy trình làm việc
    • AWS Lambda xác thực tải trọng và điều phối các tác vụ tiếp theo
  • Trích xuất
    • Amazon Textract thực hiện nhận dạng ký tự quang học (OCR) và trích xuất bố cục trên PDF
    • Amazon Comprehend Medical và Amazon Bedrock gắn thẻ chẩn đoán, thuốc, thủ tục và thuộc tính
    • Một mô hình nhúng lâm sàng được lưu trữ trên Amazon SageMaker tạo ra các vector
    • Một bộ mã hóa tài liệu SPLADE (mô hình mở rộng và từ vựng thưa thớt) cũng được lưu trữ trên Amazon SageMaker, tạo ra các bản đồ thưa thớt của từng phần ghi chú và báo cáo
  • Lưu trữ và tìm kiếm
  • Truy vấn và suy luận tác nhân
    • Amazon Bedrock Agents phân tích câu hỏi của bác sĩ lâm sàng, tạo cấu trúc dữ liệu tìm kiếm và tìm kiếm lặp lại kho lưu trữ tri thức
    • LLM cũng được sử dụng để tạo ra các câu trả lời nhóm cấp cao dựa trên truy vấn của bác sĩ lâm sàng
  • Bảo mật
    • Mọi thứ chạy trong một Amazon Virtual Private Cloud (Amazon VPC) riêng tư với các điểm cuối giao diện

Sơ đồ thể hiện kiến trúc cấp cao cho giải pháp Clinical Doppelgangers, mô tả một bác sĩ lâm sàng ở trên cùng đưa ra truy vấn ngôn ngữ tự nhiên cho giải pháp nằm trong Đám mây riêng ảo (VPC) tuân thủ HIPAA trong AWS Cloud. Trong VPC này, năm hộp phụ được hiển thị. Hộp ngoài cùng bên trái được gắn nhãn Nhập tài liệu và chứa ba biểu tượng nhỏ được kết nối bằng mũi tên chỉ sang phải: “Amazon S3,” “AWS Step Functions,” và “AWS Lambda.” Hộp thứ hai từ bên trái được gắn nhãn “Tiền xử lý tác nhân” và bao gồm bốn biểu tượng nhỏ bên trong, với một mũi tên chấm chấm từ biểu tượng “AWS Lambda” của hộp đầu tiên đến biểu tượng “Amazon Textract” của hộp thứ hai, sau đó có ba mũi tên, một mũi tên được gắn nhãn “Toàn văn” đến biểu tượng “Amazon Bedrock (Nhúng),” một mũi tên được gắn nhãn “Văn bản thô” đến biểu tượng “Amazon Comprehend Medical,” và một mũi tên được gắn nhãn “Dữ liệu có cấu trúc” đến biểu tượng “Amazon SageMaker (Văn bản thành SQL).” Hộp thứ ba được gắn nhãn “Lưu trữ & Tìm kiếm” và chứa hai biểu tượng, “Amazon OpenSearch Service” có một mũi tên được gắn nhãn “Vector” đến từ biểu tượng “Amazon Bedrock” của hộp thứ hai, và “Amazon Aurora PostgreSQL” có một mũi tên được gắn nhãn “Thực thể” đến từ biểu tượng “Amazon Comprehend Medical” của hộp thứ hai và một mũi tên thứ hai được gắn nhãn “Chèn SQL” đến từ biểu tượng “Amazon SageMaker” của hộp thứ hai. Phía trên hộp thứ hai và thứ ba là hộp thứ tư được gắn nhãn “Giao diện truy vấn” chứa hai biểu tượng bên trong: “Amazon Cognito” và “Amazon API Gateway.” Mũi tên truy vấn ngôn ngữ tự nhiên của bác sĩ lâm sàng chỉ vào biểu tượng “Amazon Cognito” này, sau đó có một mũi tên chỉ vào biểu tượng “Amazon API Gateway,” sau đó có một mũi tên chỉ vào biểu tượng “Amazon Bedrock Agents” của hộp thứ năm và một mũi tên khác chỉ từ biểu tượng “Amazon Bedrock Guardrails” của hộp thứ năm đến biểu tượng “Amazon API Gateway” của hộp thứ tư. Hai mũi tên này có từ “Cohort” gần chúng. Hộp thứ năm đó được gắn nhãn “Suy luận tác nhân.”
Hình 1: Kiến trúc cấp cao cho Clinical Doppelgangers

Tác động lâm sàng ban đầu và những bước tiếp theo

Sau khi nhận được phản hồi rất tích cực từ các bác sĩ lâm sàng, Bệnh viện Nhi Boston đang nỗ lực mở rộng hơn nữa dự án Clinical Doppelgangers—tăng cường tác động lâm sàng của nó. Về thời gian cần thiết để có được thông tin chi tiết, họ đang đặt mục tiêu giảm 80% thời gian xem xét biểu đồ để cải thiện thời gian ra quyết định cho các trường hợp bệnh nhân phức tạp.

Clinical Doppelgangers cũng có thể đóng vai trò quan trọng trong việc tăng tốc nghiên cứu, nơi việc xác định nhóm bệnh nhân nhanh hơn là rất quan trọng cho các dự án cải thiện chất lượng và nghiên cứu. Lộ trình cho dự án Clinical Doppelgangers bao gồm mở rộng ra ngoài CICU sang các ICU và chuyên khoa khác. Họ cũng đang tìm cách tích hợp vào hồ sơ sức khỏe điện tử (EHR) để hợp lý hóa quy trình làm việc và mở rộng các bài học sang các tổ chức khác (bao gồm cả các tổ chức chăm sóc sức khỏe nhi khoa và người lớn).

Tìm hiểu thêm ở đâu

Liên hệ với Đại diện AWS để biết cách chúng tôi có thể giúp tăng tốc hoạt động kinh doanh của bạn.

Tìm hiểu thêm về AWS cho Chăm sóc sức khỏe & Khoa học đời sống và các dịch vụ AWS được tuyển chọn của chúng tôi hoặc xem các giải pháp Mạng lưới đối tác AWS được hàng nghìn khách hàng chăm sóc sức khỏe và khoa học đời sống trên toàn cầu sử dụng. Truy cập trang web Giải pháp chăm sóc sức khỏe AWS hoặc xem trang web Danh mục dữ liệu sức khỏe AWS. Bạn cũng có thể đọc thêm các blog về câu chuyện chăm sóc sức khỏe của AWS.

Đọc thêm

Về tác giả


Dinesh Rai, MD
Dinesh Rai, MD, là Kỹ sư AI Lâm sàng tại Bệnh viện Nhi Boston, với nền tảng về y học cấp cứu và tin học lâm sàng. Ông tập trung vào việc áp dụng AI, bao gồm các mô hình ngôn ngữ lớn và xử lý ngôn ngữ tự nhiên, vào các thách thức chăm sóc sức khỏe thực tế. Dinesh làm việc trong các dự án nhằm cải thiện quy trình làm việc lâm sàng, chăm sóc bệnh nhân và giáo dục y tế thông qua AI.


Angela Zhang
Angela Zhang là Giám đốc Chương trình tại Trung tâm Đổi mới và Tăng tốc Y tế Kỹ thuật số tại Bệnh viện Nhi Boston, nơi cô giám sát chiến lược và các phương pháp hay nhất về vận hành trong toàn bộ trung tâm tăng tốc và các luồng công việc công nghệ mới nổi/AI. Cô dẫn dắt việc ưu tiên và phân loại các trường hợp sử dụng AI thông qua việc phát triển sản phẩm và đóng góp vào chiến lược quản trị AI của bệnh viện để hỗ trợ đổi mới có trách nhiệm, có thể mở rộng.


Christine Tsien Silvers, MD, PhD
Christine Tsien Silvers, MD, PhD, là Cố vấn Điều hành Chăm sóc sức khỏe tại AWS. Nghiên cứu của bà tại MIT và Trường Y Harvard từ những năm 1990 tập trung vào AI/ML và việc sử dụng chúng để cải thiện việc chăm sóc bệnh nhân. Được đào tạo tại Bệnh viện Đa khoa Massachusetts và Bệnh viện Brigham and Women’s, bà được Hội đồng chứng nhận về Y học Cấp cứu cũng như Tin học Lâm sàng. Trong hơn 20 năm trước khi gia nhập AWS, Chris đã làm việc lâm sàng và sau đó giữ chức Giám đốc Y tế tại hai công ty khởi nghiệp công nghệ chăm sóc sức khỏe. Bà đam mê tận dụng công nghệ để cải thiện sức khỏe.


John Brownstein, PhD
John Brownstein, PhD, là Giáo sư Nhi khoa tại Trường Y Harvard và Phó Chủ tịch cấp cao kiêm Giám đốc Đổi mới của Bệnh viện Nhi Boston. Ông điều hành Phòng thí nghiệm Dịch tễ học Máy tính và Trung tâm Đổi mới và Tăng tốc Y tế Kỹ thuật số. Nghiên cứu của ông đã đóng vai trò quan trọng trong việc thúc đẩy kiểm soát và phòng ngừa dịch bệnh, cải thiện thực hành y tế công cộng và thu hút công chúng tham gia vào các vấn đề sức khỏe.

←
→

Leave a comment