Amazon SageMaker untuk Layanan Kesehatan dan Ilmu Hayati
Saat ini, puluhan ribu pelanggan, termasuk organisasi layanan kesehatan dan ilmu hayati (HCLS) terkemuka, seperti GE Healthcare, Cerner, Bristol Myers Squibb, Roche, dan banyak lagi, menggunakan Amazon SageMaker untuk machine learning (ML). Industri HCLS dihadapkan pada tekanan yang meningkat untuk memberikan perawatan yang lebih personal, menyederhanakan proses, memodernisasi setiap aspek dari rantai nilai farmasi, serta menjaga kerahasiaan dan keamanan informasi pasien. ML mengatasi tantangan ini dengan secara otomatis mengidentifikasi anomali dalam gambar medis seperti sinar-X, menyusun rencana perawatan layanan kesehatan yang dipersonalisasi berdasarkan riwayat data dan dokumen, serta mengidentifikasi klaim layanan kesehatan yang mencurigakan sehingga organisasi HCLS dapat menawarkan perawatan yang lebih berkualitas dan holistik dengan biaya lebih rendah. SageMaker memungkinkan pasien, penyedia, pembayar, dan peneliti untuk mempersiapkan, membangun, melatih, dan melakukan deployment model ML berkualitas tinggi dan menawarkan solusi bawaan untuk memulai ML lebih cepat.
Kasus penggunaan teratas untuk Amazon SageMaker
Ekstraksi dan analisis data dari dokumen
Untuk mempercepat pengambilan keputusan, organisasi layanan kesehatan dan ilmu hayati perlu memahami teks dalam dokumen medis, seperti formulir pasien. Dengan Amazon SageMaker, Anda dapat membangun model ML untuk secara otomatis mengekstrak, memproses, dan menganalisis data dari dokumen yang ditulis tangan dan elektronik sehingga Anda dapat memproses dokumen lebih cepat dan lebih akurat. SageMaker menyediakan algoritma ML bawaan yang dioptimalkan untuk klasifikasi teks, pemrosesan bahasa alami (NLP), dan pengenalan karakter optik (OCR), yang dapat Anda gunakan dengan mudah untuk melatih dan melakukan deployment model, atau Anda dapat menggunakan Amazon SageMaker Autopilot untuk membuat model pemrosesan teks secara otomatis.
Deteksi penipuan
Untuk menjaga keamanan data pasien, penting bagi organisasi layanan kesehatan dan ilmu hayati untuk menggunakan model deteksi penipuan guna menemukan klaim layanan kesehatan yang mencurigakan sebelum berdampak pada pelanggan. Dengan Amazon SageMaker, Anda dapat membangun model ML untuk mendeteksi transaksi yang mencurigakan sebelum terjadi dan memberi tahu pelanggan dengan segera. SageMaker menyediakan algoritma ML bawaan, seperti Random Cut Forest dan XGBoost, yang dapat digunakan untuk melatih dan melakukan deployment model deteksi penipuan. Selain itu, SageMaker menyediakan serangkaian solusi untuk mendeteksi penipuan yang dapat diterapkan hanya dengan beberapa klik.
Deteksi anomali
Organisasi layanan kesehatan dan ilmu hayati terus mencari cara untuk secara otomatis mengidentifikasi anomali dan mempercepat diagnosis pasien. Dengan Amazon SageMaker, Anda dapat membangun model visi komputer untuk menemukan anomali pada gambar medis dan secara otomatis menandai untuk analisis dan diagnosis mendalam. SageMaker menyediakan serangkaian kemampuan yang dirancang khusus untuk machine learning, termasuk algoritma bawaan yang dioptimalkan untuk visi komputer, seperti klasifikasi gambar, yang dapat meningkatkan diagnosis pasien, mengurangi subjektivitas dalam diagnosis, dan membantu menghemat waktu bagi ahli patologi.
Pengembangan obat
Pemahaman penyakit dan pengembangan obat dapat menjadi hal yang melelahkan dan memakan waktu, dan perusahaan ilmu hayati terus-menerus mencari cara untuk mempercepat proses pengembangan obat ini. Dengan Amazon SageMaker, Anda dapat dengan mudah memberi label pada data pelatihan untuk berbagai kasus penggunaan sehingga Anda dapat mempercepat waktu untuk melatih dan melakukan deployment model ML yang sangat akurat. Dengan mengotomatiskan pekerjaan melelahkan ini menggunakan SageMaker, perusahaan ilmu hayati dapat mempercepat proses penemuan obat, memperkenalkan obat-obatan ke pasar secara lebih cepat, dan mendistribusikan obat-obatan yang mengubah hidup yang memberikan nilai bagi pasien dan masyarakat.
Pelanggan
Dengan Instans Amazon SageMaker dan Amazon EC2 P3, Celgene (yang kini merupakan bagian dari Bristol Myers Squibb) mempercepat waktu untuk melatih model dan produktivitas, memungkinkan mereka untuk berfokus pada penelitian dan penemuan yang inovatif.
GE Healthcare mentransformasi layanan kesehatan dengan memberikan hasil yang lebih baik bagi penyedia dan pasien. Amazon SageMaker memungkinkan GE Healthcare untuk mengakses alat dan layanan kecerdasan buatan yang canggih untuk meningkatkan perawatan pasien.
AWS membantu Novartis mentransformasi proses manufakturnya dengan menyatukan akses ke semua informasi dan memungkinkan Novartis untuk mengambil keputusan penting secara cepat dan tepat. Novartis menggunakan Amazon SageMaker untuk membangun model berbasis visi komputer yang akan menentukan jarak garis.
Propeller Health menerapkan ML dengan solusi seperti Amazon SageMaker dan Amazon Redshift, bersama infrastrukturnya yang dibangun di AWS, untuk memberi pasien prakiraan mengenai kesehatan mereka berdasarkan kondisi cuaca lokal, penggunaan obat-obatan baru-baru ini, dan berbagai faktor lainnya.
Sumber Daya
Membuat model penyakit prediktif menggunakan Amazon SageMaker dengan data normal Amazon HealthLake
Amazon SageMaker