ResMed utilizza Amazon SageMaker al fine di personalizzare la terapia del sonno per milioni di pazienti

ResMed fornisce dispositivi e maschere a pressione positiva continua delle vie aeree per persone affette da apnea ostruttiva del sonno, patologie polmonari ostruttive croniche e altri disturbi del sonno. Queste attrezzature connesse al cloud raccolgono dati sui modelli di sonno dei pazienti e li condivide con loro attraverso l'applicazione myAir di ResMed. Quindi, la funzione Smart Coaching di myAir utilizza l'intelligenza artificiale e il machine learning per fornire raccomandazioni personalizzate a ciascun paziente e migliorarne gli esiti.

Nel 2021, ResMed non disponeva della soluzione self-service di IA/ML automatizzata e unificata per eseguire in modo sicuro le inferenze sui volumi molto elevati di dati sul sonno dei pazienti necessari per raggiungere l'obiettivo del 2025. La prima versione di IHS è stata realizzata insieme a Manifold, un partner AWS, con il quale ResMed aveva già alle spalle una solida collaborazione per l'innovazione. Sebbene sia stato un successo come proof of concept, il framework basato su container è stato sviluppato da data scientist che utilizzavano strumenti diversi tra loro, il che li costringeva ad assumersi costantemente la responsabilità dell'infrastruttura. "Lasciare che un singolo sviluppatore crei il proprio toolbox non è scalabile e non porta alla qualità rigorosa che desideriamo in un prodotto finale", afferma Badri Raghavan, vicepresidente di ResMed per l'IA e il ML.

ResMed ha scelto Amazon SageMaker per creare una soluzione IA/ML centralizzata e standardizzata perché era scalabile a livello globale e si collegava bene alle soluzioni che l'azienda stava già utilizzando per l'archiviazione di dati. Nel 2018, ResMed aveva creato un data lake su AWS conforme alle normative regionali sui dati. Amazon SageMaker si connette perfettamente a questo data lake tramite AWS Glue, un servizio di integrazione dei dati serverless che semplifica l'individuazione, la preparazione e la combinazione dei dati per l'analisi, il machine learning e lo sviluppo di applicazioni.

Insieme a Manifold, ResMed ha iniziato a costruire una seconda versione di IHS, la sua soluzione di ML di nuova generazione, all'inizio del 2022. Per orientarsi, il team ha partecipato al Laboratorio dei dati AWS, che offre l'impegno congiunto e accelerato tra clienti e risorse tecniche AWS, consentendo di generare risultati tangibili che accelerano le iniziative di modernizzazione di dati, analisi, IA/ML e applicazioni. "Il Laboratorio dei dati AWS è stato fantastico", afferma Philomena Lamoureaux, senior manager di ML e AI presso ResMed. "Abbiamo avuto tempo a disposizione per consentire ai nostri sviluppatori di concentrarsi solo sullo sviluppo e sulla formazione di questa proof of concept". Dopo il Laboratorio dei dati AWS, l'adozione di Amazon SageMaker presso ResMed è più che raddoppiata in tre mesi. Il prototipo della soluzione è stato lanciato nell'aprile 2022, appena due mesi dopo la collaborazione di ResMed con il team del Laboratorio dei dati AWS, e le capacità fondamentali di IA/ML della soluzione IHS su Amazon SageMaker sono state implementate entro sei mesi.

La soluzione di IA/ML di ResMed utilizza l'Elaborazione Amazon SageMaker per eseguire carichi di lavoro di pre-elaborazione, post-elaborazione e valutazione dei modelli su un'infrastruttura completamente gestita. ResMed sfrutta molte funzionalità di Amazon SageMaker per addestrare modelli e pipeline e scegliere i tipi di implementazione, comprese le inferenze in batch e quasi in tempo reale. La Figura 1 mostra maggiori dettagli sull'architettura delle soluzioni di ResMed. Questi modelli di ML forniscono previsioni quasi in tempo reale all'applicazione myAir, che personalizza e fornisce contenuti agli utenti di myAir. Ogni modello di ML crea fino a 2 milioni di previsioni al giorno. Oltre alle notifiche in-app, myAir invia anche campagne e-mail personalizzate ai clienti utilizzando Amazon Pinpoint, un servizio di comunicazioni di marketing in uscita e in entrata flessibile e scalabile.

"In precedenza, tutti gli utenti di myAir ricevevano messaggi simili dall'app", afferma Urvashi Tyagi, Direttore tecnico di ResMed. "IHS ha facilitato le interazioni personalizzate con i pazienti tramite myAir in base al dispositivo ResMed utilizzato, alle ore di veglia e a dati contestuali aggiuntivi". Ora, oltre 18,5 milioni di pazienti usufruiscono di contenuti su misura e di un'esperienza personalizzata. "Il nostro team può assicurarsi che i pazienti traggano beneficio da tutti i dati in nostro possesso", afferma Prakhar Shukla, Director of data engineering presso ResMed.

Ora i data scientist di ResMed hanno più tempo e flessibilità. "L'implementazione, la gestione e il monitoraggio sono il più possibile semplificati e automatizzati, in modo che i data scientist possano creare un modello senza essere vincolati all'infrastruttura che costruiscono", afferma Lamoureaux. "Possono andare oltre e dare spazio alla creatività". Utilizzando Amazon SageMaker, i data scientist di ResMed accelerano il time-to-market implementando modelli di ML in pochi giorni o settimane, e non in mesi come in precedenza, e riducendo di diverse ore i tempi di elaborazione delle pipeline di IA/ML.

ResMed ha utilizzato Amazon SageMaker per creare rapidamente la soluzione IHS di IA/ML che supporta la personalizzazione della terapia del sonno per oltre 18,5 milioni di pazienti in tutto il mondo. "Prima di adottare Amazon SageMaker, tutti gli utenti di myAir ricevevano gli stessi messaggi dall'app nello stesso momento, a prescindere dalla propria condizione", dichiara Raghavan. "Amazon SageMaker ha contribuito a promuovere una terapia più personalizzata per gli utenti di ResMed. Abbiamo sfruttato le caratteristiche di Amazon SageMaker per addestrare pipeline di modelli e per scegliere i tipi di implementazione, tra cui inferenze quasi in tempo reale e in batch per fornire contenuti su misura per gli utenti di myAir". Inoltre, afferma Raghavan, "Amazon SageMaker ci ha aiutato a raggiungere il nostro obiettivo principale, ossia quello di integrare le funzionalità di ML nella nostra organizzazione globale, implementando modelli di ML in pochi giorni o settimane anziché mesi".