ResMed nutzt Amazon SageMaker zur Personalisierung der Schlaftherapie für Millionen von Patienten

ResMed bietet Geräte und Masken für kontinuierlichen positiven Atemwegsdruck für Menschen mit Schlafapnoe, chronisch obstruktiver Lungenerkrankung und weiteren Schlafstörungen. Dieses cloudbasierte Gerät erfasst Daten über die Schlafgewohnheiten der Patienten und übermittelt sie über die myAir-Anwendung von ResMed. Anschließend verwendet die Smart-Coaching-Funktion von myAir KI/ML, um jedem Patienten individuelle Empfehlungen zur Verbesserung seiner Ergebnisse zu geben.

Im Jahr 2021 verfügte ResMed nicht über die automatisierte, einheitliche KI/ML-Selfservice-Lösung, um die sehr großen Mengen an Schlafdaten der Patienten, die erforderlich waren, um das Ziel für 2025 zu erreichen, sicher auszuwerten. Die erste Version von IHS wurde zusammen mit Manifold entwickelt, einem AWS-Partner, mit dem ResMed auf eine starke Erfolgsbilanz gemeinsamer Innovationen zurückblicken kann. Obwohl das containerbasierte Framework als Machbarkeitsnachweis erfolgreich war, wurde es von Datenwissenschaftlern entwickelt, die jeweils unterschiedliche Tools verwendeten, was sie dazu verpflichtete, auf Dauer die Verantwortung für diese Infrastruktur zu übernehmen. „Es einem einzelnen Entwickler zu überlassen, seine eigene Toolbox zu erstellen, ist weder skalierbar, noch führt es zu der strengen Qualität, die wir von einem Endprodukt erwarten“, sagt Badri Raghavan, ResMeds Vizepräsident für KI und ML.

ResMed entschied sich für Amazon SageMaker zum Aufbau einer zentralisierten, standardisierten KI/ML-Lösung, da diese global skalierbar war und sich gut mit Lösungen verbinden ließ, die das Unternehmen bereits zur Datenspeicherung nutzte. Im Jahr 2018 hatte ResMed einen Data Lake auf AWS aufgebaut, der den regionalen Datenvorschriften entsprach. Amazon SageMaker verbindet sich nahtlos mit diesem Data Lake über AWS Glue, einen Serverless Service zur Datenintegration, der die Erkennung, Vorbereitung und Kombination von Daten für Analysen, ML und Anwendungsentwicklung vereinfacht.

Zusammen mit Manifold begann ResMed Anfang 2022 mit dem Aufbau einer zweiten Version von IHS, seiner ML-Lösung der nächsten Generation. Zur Orientierung nahm das Team am AWS Data Lab teil, das beschleunigte, gemeinsame Entwicklungsprojekte zwischen Kunden und technischen Ressourcen von AWS anbietet. Ziel ist es, greifbare Ergebnisse zu erstellen, die die Daten, Analytik, KI/ML und Initiativen zur Anwendungsmodernisierung beschleunigen. „Das AWS Data Lab war großartig“, sagt Philomena Lamoureaux, Senior Managerin für ML und KI bei ResMed. „Wir hatten die Zeit für unsere Entwickler reserviert, um uns ausschließlich auf die Entwicklung und Schulung für diesen Machbarkeitsnachweis zu konzentrieren.“ Nach dem AWS Data Lab hat sich die Einführung von Amazon SageMaker bei ResMed innerhalb von 3 Monaten mehr als verdoppelt. Der Prototyp der Lösung wurde im April 2022 eingeführt, nur 2 Monate nachdem ResMed mit dem AWS Data Lab-Team zusammengearbeitet hatte. Die grundlegenden KI/ML-Funktionen der IHS-Lösung auf Amazon SageMaker wurden innerhalb von 6 Monaten bereitgestellt.

Die KI/ML-Lösung von ResMed verwendet Amazon SageMaker Processing, um Workloads zur Vorverarbeitung, Nachbearbeitung und Modellevaluierung auf einer vollständig verwalteten Infrastruktur auszuführen. ResMed nutzt viele Funktionen von Amazon SageMaker, um Modelle und Pipelines zu trainieren und Bereitstellungstypen auszuwählen, einschließlich nahezu Echtzeit- und Batch-Inferenzen. (Weitere Einzelheiten zur Lösungsarchitektur von ResMed finden Sie in Abbildung 1.) Diese ML-Modelle liefern nahezu in Echtzeit Vorhersagen an die myAir-Anwendung, die dann Inhalte an myAir-Benutzer anpasst und bereitstellt. Jedes ML-Modell erstellt bis zu 2 Millionen Vorhersagen pro Tag. Zusätzlich zu den In-App-Benachrichtigungen versendet myAir mithilfe von Amazon Pinpoint, einem flexiblen und skalierbaren Service für ausgehende und eingehende Marketingkommunikation, auch personalisierte E-Mail-Kampagnen an Kunden.

„Bisher erhielten alle myAir-Benutzer ähnliche Nachrichten von der App“, sagt Urvashi Tyagi, Chief Technology Officer bei ResMed. „IHS hat über myAir personalisierte Interaktionen mit Patienten ermöglicht, basierend auf dem von ihnen verwendeten ResMed-Gerät, ihren Wachzeiten und zusätzlichen Kontextdaten.“ Mittlerweile genießen mehr als 18,5 Millionen Patienten maßgeschneiderte Inhalte und ein personalisiertes Erlebnis. „Unser Team kann sicherstellen, dass Patienten von allen uns vorliegenden Daten profitieren“, sagt Prakhar Shukla, Direktor für Datentechnik bei ResMed.

Die Datenwissenschaftler von ResMed verfügen jetzt über mehr Zeit und Flexibilität. „Die Bereitstellung, der Betrieb und die Überwachung sind optimiert und so weit wie möglich automatisiert, sodass Datenwissenschaftler ein Modell ohne Abhängigkeit von der von ihnen entwickelten Infrastruktur erstellen können“, sagt Lamoureaux. „Sie können sich weiterentwickeln und haben den Raum, kreativ zu sein.“ Mit Amazon SageMaker beschleunigen die Datenwissenschaftler von ResMed die Markteinführungszeit, indem sie ML-Modelle im Vergleich zu Monaten jetzt in Tagen oder Wochen bereitstellen und die Zeit für die Verarbeitung der KI/ML-Pipeline um mehrere Stunden verkürzen.

ResMed nutzte Amazon SageMaker zum schnellen Aufbau der KI/ML-IHS-Lösung, mit der die Schlaftherapie für über 18,5 Millionen Patienten weltweit personalisiert werden kann. „Vor der Einführung von Amazon SageMaker erhielten alle myAir-Benutzer unabhängig von ihrem Gesundheitszustand gleichzeitig dieselben Nachrichten von der App“, sagt Raghavan. „Amazon SageMaker hat dazu beigetragen, ResMed-Benutzern eine personalisiertere Therapie zu ermöglichen. Wir nutzten die Funktionen von Amazon SageMaker, um Modellpipelines zu trainieren und Bereitstellungstypen auszuwählen, einschließlich nahezu Echtzeit- und Batch-Inferenzen, um myAir-Benutzern maßgeschneiderte Inhalte bereitzustellen.“ Darüber hinaus sagt Raghavan: „Amazon SageMaker hat uns geholfen, unser Hauptziel zu erreichen, ML-Funktionen in unserer globalen Organisation zu verankern, indem wir ML-Modelle in Tagen oder Wochen statt in Monaten bereitstellen.“