Aetion如何利用生成性 AI 和 Amazon Bedrock 揭开患者群体的隐藏洞察

关键要点

Aetion通过结合生成性AI与AmazonBedrock的技术，成功解锁了患者群体隐藏的洞察。利用真实患者数据，Aetion可以识别出相似特征的患者亚群，并通过自然语言查询让用户轻松与数据互动。这项创新使得用户能在数分钟内生成决策级别的证据，推动了医学研究和患者治疗的效率。

Aetion利用患者生活历程中收集的真实数据，为用户提供了洞察患者特征、疗效和医疗创新安全性的重要信息。然而，研究者在使用结构化查询时，若缺乏合适的查询选择和复杂数据集的深厚了解，许多趋势和模式可能会被忽视。

是生物制药、支付者和监管机构决策级真实世界证据软件的领先供应商。该公司致力于为医疗和生命科学客户提供全面的解决方案，以将真实数据转化为真实证据。

通过对半结构化数据使用无监督学习的方法，加上，Aetion得以揭开隐藏的见解。利用，用户可以快速进行基于真实数据的探索性分析，同时能够以结构化方式提出研究问题，以加速数据探索和假设生成。Discover使用无监督学习方法揭示出“智能亚群”——在较大群体内，具有相似特征（如诊断、治疗和疗法）的患者子群体。

本文将讨论Aetion的智能亚群解释器如何使用户通过自然语言查询与智能亚群相互作用。该解释器基于和大型语言模型（LLMs）构建，能够以对话方式回应用户关于患者亚群的问题，并提供洞察以形成进一步的假设和证据。Aetion选择AmazonBedrock用于与LLMs的结合，因其模型选择广泛、安全性高、可扩展性强且易于使用。

AmazonBedrock是一个完全托管的服务，通过统一的API提供来自领先人工智能初创公司和亚马逊的高性能（FMs）访问，具有广泛齐全的模型，用户可以根据自己的特定用例选择最适合的模型。

Aetion的技术

Aetion使用因果推断理论生成关于药物和临床干预的安全性、有效性以及价值的真实世界证据。Aetion已经与前20名生物制药公司、大型支付者以及监管机构合作。

Aetion在生命科学、监管机构（包括FDA和EMA）、支付者和健康技术评估（HTA）客户中提供深厚的科学专业知识和技术，能够实现以下目标：

Aetion的应用程序，如Discover和AetionSubstantiate，依托Aetion证据平台（AEP），一个核心纵向分析引擎，能够应用严格的因果推断和统计方法于数亿患者历程中。

AetionAI是嵌入在核心环境和应用中的一套生成性AI能力。智能亚群解释器则是Discover中的一项AetionAI功能。

智能亚群

智能亚群功能能够根据用户指定的患者群体，识别具有相似特征的患者集群（例如，诊断、治疗和疗法的相似流行特征）。

生成性AI模型进一步对这些亚群进行分类和标记。例如，在下面生成的热力图中，开处方GLP-1激动剂的患者群体中的前两个智能亚群分别被标记为“白内障和视网膜疾病”和“炎症性皮肤病”，以捕捉其定义特征。

用户可以与AetionAI互动，以自然语言提出进一步问题。用户可能会询问诸如“白内障患者亚群的常见特征是什么？”等问题。AetionAI以自然语言回应用户，引用相关亚群统计信息。

用户还可以向AetionAI提出详细问题，如“比较‘Dulaglutide’组与总体患者群体之间心血管疾病或病症的流行程度。”AetionAI会做出相应的回答。

在这个例子中，洞察使用户假设Dulaglutide患者可能会经历较少的循环症状。他们可以在AetionSubstantiate中进一步探索，以生成决策级证据，评估Dulaglutide在心血管疾病结果中的有效性。

解决方案概述

智能亚群解释器结合了无监督机器学习的元素和生成性AI，揭示真实数据中的隐藏模式。以下是工作流程的示意图。

工作流程的各个步骤

1. 创建患者群体 ：用户利用Aetion Measure Library (AML) 功能定义患者群体。AML特征库通过科学验证的算法标准化变量定义，用户选择定义患者群体的AML特征。
2. 生成患者群体特征 ：AEP根据各种类别（如诊断、治疗和手术）为每位患者计算超过1000个AML特征。
3. 建立集群并总结特征 ：智能亚群部分使用患者特征训练主题模型，确定最佳的集群数量并将患者分配到集群中，每个集群的显著特征流行程度被用于描述集群特征。
4. 生成集群名称并回答用户查询 ：使用Anthropic的Claude 3 Haiku进行提示工程，生成描述性集群名称并回答用户查询。Amazon Bedrock提供来自多家模型提供者的LLMs访问。由于速度快、智能水平令人满意，选用了Anthropic的Claude 3 Haiku作为模型。

解决方案使用（AmazonS3）和进行数据持久化和数据交换，并结合AmazonBedrock与Anthropic的Claude 3Haiku模型生成集群名称。Discover及其事务和批处理应用在集群中进行部署和扩展，以优化性能、用户体验和可移植性。

结果

智能亚群解释器使不熟悉真实世界数据的AEP用户能够使用自然语言查询发现患者群体之间的模式。用户现在可以在几分钟内将这些发现的结果转化为假设，并在Aetion的软件中进行进一步分析，以生成决策级证据，而不是以往需要几天的时间，且无需支持人员的介入。

结论

本文展示了Aetion如何利用AmazonBedrock和其他AWS服务帮助用户揭示患者群体内的有意义模式，即使没有真实世界数据的专业知识。这些发现为在Aetion的证据平台中进行更深入的分析奠定了基础，生成了推动更智能和数据驱动结果的决策级证据。

随着我们不断扩展生成性AI的能力，Aetion致力于改善用户体验，加快从真实世界数据到真实世界证据的旅程。

借助AmazonBedrock，创新的未来触手可及。了解更多关于在AWS上构建生成性AI能力的信息，访问，以解锁新洞察、构建变革性解决方案，并塑造未来医疗保健。

关于作者

Javier Beltrán 是Aetion的高级机器学习工程师，他的职业生涯专注于自然语言处理，并在多个领域（包括医疗、社交媒体等）应用机器学习解决方案。

Ornela Xhelili 是Aetion的员工机器学习架构师，专注于自然语言处理、预测分析和MLOps，并拥有统计学硕士学位。Ornela在过去8年中为不同领域的科技初创公司开发AI/ML产品，包括医疗、金融、分析和电子商务。

Prasidh Chhabri 是Aetion的产品经理，领导Aetion证据平台、核心分析和AI/ML能力，具有丰富的经验，致力于构建量化和统计方法来解决人类健康问题。

Mikhail Vaynshteyn 是亚马逊网络服务的解决方案架构师，与医疗生命科学客户合作，专注于数据分析服务，拥有超过20年的行业经验，涵盖多种技术和领域。