Bagaimana konten ini?
Bagaimana Pieces Technologies memanfaatkan layanan AWS untuk memprediksi hasil pasien
Apa yang akan Anda lakukan jika Anda bisa memprediksi masa depan?
Dengan kemampuan yang semakin maju dari alat kecerdasan buatan (AI)/machine learning (ML) prediktif, meramalkan masa depan, setidaknya secara probabilistik, mungkin dapat dilakukan.
Pieces Technologies, Inc. (Pieces), startup di bidang kesehatan dan ilmu hayat, merintis jalan di bidang AI/ML yang bersifat prediktif. Pieces adalah platform AI berbasis perangkat lunak sebagai layanan (SaaS) yang diintegrasikan ke dalam rekam medis elektronik (EHR) rumah sakit. Misi mereka adalah untuk meningkatkan perawatan dengan memberikan wawasan klinis di sepanjang perjalanan pasien. Mereka menawarkan prediksi kejadian kesehatan, seperti perkiraan tanggal pemulangan, hambatan klinis dan non-klinis yang diantisipasi untuk pemulangan, dan risiko rawat inap ulang, sebelum hal itu terjadi. Pieces juga memberikan wawasan kepada penyedia layanan kesehatan dalam bahasa alami, serta mengoptimalkan kejelasan masalah klinis pasien secara keseluruhan sehingga tim perawatan dapat bekerja lebih efisien.
Ruben Amarasingham, CEO dan pendiri Pieces, mendirikan Pieces untuk membantu penyedia layanan kesehatan dan pasien mencapai hasil yang lebih baik. Ia memaparkan, “Pekerjaan di bidang kesehatan sangatlah penting. Namun, dokter, perawat, dan orang lain meninggalkan dunia kedokteran karena kelelahan kerja dan ketidakberdayaan. Kita melihat kecanggihan teknologi yang luar biasa di bidang lain dalam kehidupan kita, mengapa kita tidak bisa menerapkannya di dunia medis?”
Selama 13 tahun menjadi dokter rumah sakit, Ruben melihat bahwa “ada sejumlah pasien yang terus menerus keluar masuk rumah sakit. Mereka datang ke rumah sakit, menerima perawatan, lalu satu hingga tiga minggu kemudian mereka kembali lagi.” Dengan pelatihan pascasarjana di bidang informatika biomedis dan fokus pada prediksi kejadian klinis, tren ini menginspirasi Ruben untuk membantu.
“Saya melihat adanya titik temu antara latar belakang penelitian saya, praktik klinis saya, dan apa yang terjadi di rumah sakit.”
Untuk menerapkan teorinya ke dalam kasus penggunaan di dunia nyata, “Kami mulai membuat model matematis berdasarkan karakteristik pasien, seperti pasien mana yang mungkin dirawat inap kembali. Kemudian kami menerapkan sumber daya klinis dan non-klinis pada pasien yang berisiko, termasuk faktor penentu sosial. Kami mendapati bahwa rawat inap ulang dapat diidentifikasi dan dicegah sebelum terjadi.”
Kemampuan untuk memprediksi rawat inap ulang pasien membuat Ruben mendirikan Pieces pada tahun 2016. Cakupan layanan Pieces untuk penyedia layanan kesehatan dan pasien telah berkembang pesat. Saat ini, “Kami melihat segala jenis kejadian buruk pada pasien dan berpikir, ‘Apakah kami bisa memprediksi hal tersebut sebelum terjadi?’ Jika ya, kami memberikan wawasan kepada individu di lapangan lebih awal sehingga mereka dapat menindaklanjutinya.”
Untuk melakukan deployment dan memelihara mesin AI mereka dalam skala besar, Ruben mengatakan bahwa Amazon Web Services (AWS) merupakan bagian yang tidak terpisahkan: “Kami tidak akan mampu melakukan pekerjaan ini jika kami tidak memiliki cloud yang luar biasa dinamis dan dapat diskalakan untuk melakukannya. Hal ini tidak mungkin dilakukan di lingkungan on-premise. Anda harus memiliki sistem pemodelan yang dapat belajar dari set data yang besar dan Anda membutuhkan kemampuan untuk memanipulasi atau memodifikasi performa AI dalam skala besar dan di seluruh klien.”
Setelah periode singkat selama masa inkubasi ketika Pieces menggunakan lingkungan on-premise, “Kami beralih ke AWS dan kami tidak pernah menoleh ke belakang. Luar biasa. Kami sangat berterima kasih atas lingkungan AWS.”
Dua layanan AWS paling penting yang digunakan Pieces untuk menjalankan model mereka dalam produksi dan dalam skala besar adalah Amazon Managed Workflows for Apache Airflow (Amazon MWAA) dan Amazon Elastic Kubernetes Service (Amazon EKS). Ruben menjelaskan, “Kami menggunakan Amazon EKS untuk menjalankan instans Kubernetes dari Amazon Elastic Compute Cloud (Amazon EC2) dan Amazon Relational Database Service (Amazon RDS).” Kemampuan untuk memantau situs klien sistem kesehatan secara waktu nyata sangat penting bagi Pieces sehingga mereka menggunakan Amazon EC2 dan Amazon OpenSearch Service guna mencatat analitik untuk pemantauan aplikasi secara waktu nyata.
Ruben sangat bersemangat dalam membuat prediksi AI/ML yang relevan dan mudah diakses. “Kami sangat antusias untuk menggabungkan pembuatan bahasa alami ke dalam perangkat lunak kami. Kemampuan tersebut merupakan keunggulan Pieces dalam AI saat ini.” Pieces memanfaatkan pembuatan bahasa alami untuk memberikan prediksi kepada penyedia layanan kesehatan dalam konteks dan dalam bahasa yang sederhana. Bahasa alami memudahkan penyedia layanan kesehatan untuk mengevaluasi penilaian AI untuk kebutuhan pasien yang paling penting sekaligus mengesampingkan prediksi yang kurang penting. Hal ini memudahkan untuk menindaklanjuti informasi secara tepat waktu dan bermanfaat.
“Pembuatan bahasa alami dapat membantu penyedia layanan kesehatan dan pasien dengan menerjemahkan informasi dalam skala besar dengan cara yang paling mudah dimengerti. Baik informasi resume klinis untuk dokter, maupun instruksi pemulangan untuk anggota keluarga yang, katakanlah, memiliki tingkat pendidikan setara kelas tujuh.”
Dalam waktu dekat, kita mengharapkan Pieces dapat meluncurkan ringkasan hand-off untuk dokter yang memungkinkan mereka untuk mentransfer pasien ke dokter lain jika diperlukan. Ringkasan ini dibuat menggunakan beberapa data klinis yang dapat dikumpulkan oleh solusi AWS. Menurut Joint Commission, proses transfer dari satu dokter ke dokter lain adalah masalah yang signifikan dalam perawatan kesehatan karena “80% kesalahan medis serius diperkirakan akibat miskomunikasi antara perawat ketika pasien dipindahkan atau ditransfer.” Dengan mengotomatiskan tugas ini, Pieces berharap dapat meningkatkan hasil pasien sekaligus, “membawa kegembiraan dalam praktik kedokteran ke dalam sistem yang sangat rumit,” jelas Ruben.
Untuk startup yang ingin mengikuti jejak Pieces, Ruben menyarankan, “Layanan kesehatan beregulasi tinggi dan sangat presisi sehingga Anda harus menguji berbagai hal dengan lebih ketat dibandingkan, misalnya, startup ritel. Tidak masalah untuk mengambil langkah yang lebih lambat. Sangat penting untuk menemukan investor dan pendukung yang memahami lingkungan perawatan kesehatan dan manfaat dari kemajuan yang bertahap.”
Keberhasilan ini sangat berharga, kata Ruben, karena, “Jika Anda dapat menyelesaikan semua tahapan, dampaknya sangat besar. Anda melakukan hal yang baik untuk dunia.”
Sumber daya terkait:
Dr. Ruben Amarasingham
Ruben Amarasingham, MD, MBA, adalah Founder dan CEO Pieces, sebuah perusahaan AI layanan kesehatan yang berspesialisasi dalam ilmu keputusan klinis. Dia juga merupakan Founder dan mantan presiden PCCI, sebuah lembaga penelitian ilmiah yang berbasis di Dallas, Texas, yang berfokus pada uji klinis dan informatika biomedis, serta mendirikan Pieces. Dr. Amarasingham adalah pakar nasional dalam desain produk AI untuk perawatan kesehatan dan kesehatan masyarakat. Sebelum menduduki posisi CEO Pieces, dia adalah Associate Chief of Medicine di Parkland Health & Hospital System, dan seorang profesor di departemen Kedokteran Internal Umum dan Ilmu Klinis di Pusat Medis University of Texas Southwestern (UTSW), tempat ia juga menjabat sebagai Direktur Program Informatika Biomedis untuk NIH Clinical dan Translational Science Award. Ruben adalah mantan anggota dewan direksi nasional HIMSS.
Megan Crowley
Megan Crowley adalah Senior Technical Writer di Tim Konten Startups di AWS. Mengawali kariernya sebagai guru bahasa Inggris di sekolah menengah atas, dia memiliki antusiasme yang tinggi untuk berkontribusi pada konten yang mendidik dan menginspirasi. Berbagi kisah Startups dengan dunia adalah bagian paling berharga dari perannya di AWS. Di waktu luangnya, Megan kerap menghabiskan waktu dengan membuat kerajinan kayu, berkebun, dan berbelanja di pasar barang antik.
Bagaimana konten ini?