借助生成式 AI 重塑电子病例报告：加速公共卫生响应

多年来，公共卫生机构一直依赖纸质的病例报告表来对法定传染病电子实验室报告 (ELR) 进行补充。尽管 ELR 提供了阳性检测结果，但随附的病例报告为公共卫生机构提供了有效疾病调查和响应所需的关键临床、人口和风险因素数据。

然而，新冠疫情的庞大病例数量迅速让这一基于纸质的手动流程不堪重负。在疫情爆发之前，美国国家卫生信息技术协调办公室 (ONC) 和美国疾病控制与预防中心 (CDC) 制定了电子病例报告 (eCR) 表单的标准，该表单可以从提供者的电子健康记录 (EHR) 自动发送给公共卫生机构。

为应对新冠疫情的数据危机，CDC 启动了 eCR Now 计划，加速 eCR 在全国范围内的采用。因此，公共卫生机构现在收到了大量关于新冠病毒和其他法定传染病的详细 eCR 数据。尽管这些信息非常宝贵，但其数量之多让公共卫生系统和工作人员不堪重负。

Amazon Bedrock 是亚马逊云科技 (AWS) 上的一项完全托管服务。利用 Amazon Bedrock 提供的基础模型 (FM)，公共卫生系统可以通过自动提取 eCR 中的关键公共卫生可操作数据来管理数据量。这使得公共卫生机构能够将有限的资源集中用于最关键的疾病调查和响应活动。

Amazon Bedrock 通过 API 提供来自领先人工智能 (AI) 初创公司和亚马逊云科技的基础模型，让您可以从广泛的基础模型中选择最适合您用例的模型。借助 Amazon Bedrock 的无服务器体验，您可以快速启动，使用自己的数据定制基础模型，并使用亚马逊云科技的产品服务将其集成和部署到您的应用程序中，而无需管理任何基础设施。

本文将探讨随着 eCR 数据量的持续增长，如何利用 Amazon Bedrock 和其他亚马逊云科技服务增强公共卫生监测和响应能力。

尽管 eCR 为公共卫生机构提供了更全面的数据，但各地区的机构很快发现自己被无法有效处理的信息所淹没。单个法定传染病案例可能会基于电子健康记录 (EHR) 系统中的触发代码生成多份 eCR。

每一份 eCR 都包含了大量超出公共卫生需求的数据，如医疗程序、药物和实验室测试。尽管 CDC 努力推广易于阅读的格式，eCR 的庞大数量和规模仍然使得机构难以利用这些信息。

此外，eCR 中的关键公共卫生数据格式不一致，没有统一的标签或字段来描述旅行史或症状发作等概念。eCR 还包含了公共卫生机构无权收集的非相关敏感信息，如心理健康诊断和相关药物。

然而，亚马逊云科技提出了不同的方法，而非将 eCR 数据转换为标准化格式。公共卫生机构非常清楚他们需要从 eCR 中提取的关键要素，例如，住院新冠患者是否使用血管活性药物、甲肝病例是否涉及食品处理人员，或梅毒病例是否涉及育龄患者且未进行妊娠测试或适当治疗。

与其通读整个 eCR 来识别数据要素，使用生成式 AI 是更佳的选择。借助提示工程，机构可以提出特定问题，并生成包含可操作数据元素的表格，从而优先跟进特定病例或将其导入监测系统。

除了利用 eCR 中的信息，公共卫生机构还可以将 Amazon Bedrock 的知识库纳入其中，从而增强洞察。例如，在询问梅毒病例时，系统不仅可以从 eCR 中提取相关数据，还可以对照关于适当梅毒治疗的知识库进行检查，以确定患者是否接受了适当的治疗。这种方法使机构能够优先跟进特定病例，如未进行妊娠测试或适当治疗的育龄梅毒患者。

旨在简化 eCR 数据提取和利用的基于生成式 AI 的方法包括以下步骤，如图 1 所示。

1. 提交 eCR 文档给 Amazon Bedrock 上的 Anthropic Claude 3 Haiku 模型，并使用自然语言提示指定需要提取的数据元素，例如，住院状态或适当治疗。
2. Amazon Bedrock 提供的 Anthropic Claude 3 Haiku 模型随后处理 eCR 和提取所请求的数据元素，并以结构化格式呈现信息。
3. 将提取的数据与存储在 Amazon Bedrock 知识库中的信息（包括相关的组织文件和指南）进行验证，以确保数据的准确性和完整性。
4. 如果提取的数据与知识库不一致，系统将使用 Amazon Simple Notification Service (Amazon SNS) 触发通知，提醒公共卫生机构。
5. 验证后的数据元素无缝集成到机构的疾病监测系统中，从而实现高效的病例优先级排序、接触者追踪和干预实施。

图 1：本文描述的解决方案的高级架构图。主要组件包括 Amazon Simple Storage Service (Amazon S3) 存储桶、AWS Step Functions、Amazon Bedrock、Amazon OpenSearch Serverless、AWS Lambda 和 AWS Simple Notification Service (Amazon SNS)。

这个端到端的工作流在 AWS Step Functions 的编排下调用 Amazon Bedrock，并通过 AWS Lambda 的微服务创建知识库。组织的文档信息被转换为嵌入，并存储在 Amazon OpenSearch Service 向量数据库中，从而实现了提取数据的高效检索和验证。借助该工作流，公共卫生机构可以简化从 eCR 中提取和利用关键数据的过程。

知识库与数据验证的整合进一步增强了从 eCR 数据中生成的洞察的可靠性和可信度，使机构能够专注于他们需要的特定信息，而无需解析每个 eCR 文档中的大量数据。

请注意，在撰写本文时，我们使用的是 Anthropic Claude 3 Haiku 模型。当然，您也可以在Anthropic 最新发布的模型上应用相同的解决方案，因为该方法并不限于特定模型。

请观看此处短视频，了解如何使用 Amazon Bedrock 处理 eCR，并使用简单的自然语言提示提取关键数据元素。

尽管 eCR 计划前景广阔，但从这些非结构化文档中提取可操作洞察的挑战，正在阻碍公共卫生专业人员有效地监测、调查和应对法定传染病。

借助生成式 AI 提取公共卫生当局所需的特定数据元素，我们有机会改变 eCR 数据的使用和利用方式。这种方法不仅简化了工作流程，还确保公共卫生机构将有限的资源集中用于最关键的病例和干预措施。

如果您是正在应对 eCR 数据挑战的公共卫生领导者，我们推荐您探索如何将生成式 AI 应用于您的工作流程。请联系我们了解更多关于 Amazon Bedrock 如何助力应对其他公共卫生用例（如可扩展的智能文档处理）的信息，以及我们的解决方案如何帮助您的机构充分发挥电子病例报告的潜力。

让我们携手构建韧性与响应能力更加强大的公共卫生基础设施，从而应对我们社区不断演变的需求。