Amazon SageMaker pour la santé et les sciences de la vie

Préparez, créez, entraînez et déployez rapidement des modèles de machine learning de haute qualité pour des cas d’utilisation de santé et de sciences de la vie.

Démarrer avec Amazon SageMaker

Aujourd’hui, des dizaines de milliers de clients, y compris des entreprises de premier plan dans le secteur de la santé et des sciences de la vie (HCLS), telles que GE Healthcare, Cerner, Bristol Myers Squibb, Roche, etc., utilisent Amazon SageMaker pour le machine learning (ML). Les secteurs de la santé et des sciences de la vie font face à une pression croissante pour proposer des traitements plus personnalisés, rationaliser les processus, moderniser tous les aspects de la chaîne de valeur pharmaceutique, mais aussi préserver la confidentialité et la sécurité des informations des patients. Le ML offre une réponse à ces défis en identifiant automatiquement les anomalies dans les images médicales telles que les radiographies, en élaborant des plans de traitement personnalisés sur la base de données et de documents historiques, mais aussi en identifiant les demandes de remboursement de soins de santé suspectes, afin que les entreprises des secteurs de la santé et des sciences de la vie puissent proposer un traitement de meilleure qualité et plus global à moindre coût. SageMaker permet aux patients, aux prestataires, aux organismes payeurs et aux chercheurs de préparer, de créer, d’entraîner et de déployer des modèles de ML de haute qualité, et propose des solutions intégrées pour démarrer plus rapidement avec le ML.

Principaux cas d’utilisation d’Amazon SageMaker

Extraction et analyse des données de documents

Pour prendre des décisions plus rapidement, les entreprises des secteurs de la santé et des sciences de la vie doivent comprendre le texte des documents médicaux, tels que les formulaires destinés aux patients. Avec Amazon SageMaker, vous pouvez créer des modèles de ML pour extraire, traiter et analyser automatiquement les données provenant de documents manuscrits et électroniques afin de traiter les documents plus rapidement et avec plus de précision. SageMaker propose des algorithmes de ML intégrés optimisés pour la classification de texte, le traitement du langage naturel (NLP) et la reconnaissance optique de caractères (OCR), que vous pouvez facilement utiliser pour entraîner et déployer des modèles. Vous pouvez également utiliser Amazon SageMaker Autopilot pour générer automatiquement des modèles de traitement de texte.

Détection des fraudes

Pour assurer la sécurité des données des patients, il est important que les entreprises des secteurs de la santé et des sciences de la vie utilisent des modèles de détection des fraudes, afin de mettre le doigt sur les demandes de remboursement de soins de santé suspectes avant qu’elles aient un impact sur les clients. Avec Amazon SageMaker, vous pouvez créer des modèles de ML pour détecter les transactions suspectes avant qu’elles se produisent et alerter rapidement vos clients. SageMaker propose des algorithmes de ML intégrés, tels que Random Cut Forest et XGBoost, que vous pouvez utiliser pour entraîner et déployer des modèles de détection de fraude. En outre, SageMaker propose un ensemble de solutions de détection des fraudes qui peuvent être déployées en quelques clics.

Détection des anomalies

Les entreprises des secteurs de la santé et des sciences de la vie continuent de rechercher des moyens d’identifier automatiquement les anomalies et d’accélérer le diagnostic des patients. Avec Amazon SageMaker, vous pouvez créer des modèles de vision par ordinateur pour détecter les anomalies dans les images médicales et les signaler automatiquement en vue de réaliser une analyse et un diagnostic approfondis. SageMaker fournit un large éventail de fonctionnalités spécialement conçues pour le machine learning, notamment des algorithmes intégrés optimisés pour la vision par ordinateur, tels que la classification des images, qui peuvent améliorer le diagnostic des patients, réduire la subjectivité du diagnostic et permettre aux pathologistes de gagner du temps.

Développement de médicaments

La compréhension des maladies et le développement de médicaments peuvent être longs et fastidieux. Dès lors, les entreprises du secteur des sciences de la vie recherchent constamment des moyens d’accélérer le processus de développement de médicaments. Avec Amazon SageMaker, vous pouvez facilement étiqueter les données d’entraînement pour divers cas d’utilisation afin de réduire le temps nécessaire à l’entraînement et au déploiement de modèles de machine learning extrêmement précis. En automatisant ce travail fastidieux à l’aide de SageMaker, les entreprises du secteur des sciences de la vie peuvent accélérer le processus de découverte de médicaments, mettre des médicaments sur le marché plus rapidement et proposer des médicaments qui changent des vies et qui apportent une valeur ajoutée aux patients et à la société.

Clients

Grâce aux instances Amazon SageMaker et Amazon EC2 P3, Celgene (qui fait désormais partie de Bristol Myers Squibb), a accéléré les délais d’entraînement de ses modèles et sa productivité, ce qui a permis à ses équipes de se concentrer sur l’innovation à travers la recherche et la découverte.

GE Healthcare transforme les soins de santé en offrant de meilleurs résultats aux prestataires et aux patients. Amazon SageMaker permet à GE Healthcare d’accéder à de puissants outils et services d’intelligence artificielle pour faire progresser l’amélioration des soins aux patients.

AWS aide Novartis à transformer son processus de fabrication en unifiant l’accès à toutes les informations et en se donnant les moyens de prendre rapidement des décisions critiques et éclairées. L’entreprise utilise Amazon SageMaker pour créer un modèle basé sur la vision par ordinateur qui déterminera la validation des lignes de production.

Propeller Health a recours au ML avec des solutions comme Amazon SageMaker et Amazon Redshift, ainsi que par son infrastructure créée sur AWS, pour fournir aux patients des prédictions sur leur santé, en fonction des conditions météorologiques locales, de leur consommation récente de médicaments et d'autres facteurs.