Fermer

août 11, 2021

Formation de modèles d'IA en sciences de la vie : 3 cas d'utilisation de l'information médicale


– Prabha Ranganathan et Ruby Lin ont contribué à ce blog.

Comprendre comment l'IA/ML peut être utilisé pour des cas d'utilisation innovants liés aux sciences de la vie est un domaine dans lequel notre industrie est à la traîne. Dans cet article de blog, nous discuterons de plusieurs cas d'utilisation dans lesquels des modèles d'IA uniques peuvent être utilisés pour résoudre efficacement des problèmes critiques :

  1. NLQ (Natural Language Querying) – Nous traitons de nombreuses données cliniques et opérationnelles dans les sciences de la vie . Comment les utilisateurs professionnels peuvent-ils rechercher les données sans connaissance préalable de la structure des données et sans écrire des requêtes complexes de type SQL ? Peuvent-ils saisir une question dans un format lisible par l'homme et utiliser des modèles AI/ML pour la convertir en une requête pouvant être exécutée ? prendre des médicaments, et comment peut-on en extraire les EI ? Ces informations peuvent-elles être codées avec MedDRA et un fichier XML E2B peut-il être généré et envoyé au système de sécurité en tant qu'AE potentiel ?
  2. Assistants virtuels – Comment les assistants virtuels peuvent-ils comprendre intelligemment la conversation et fournir aux utilisateurs les informations ils cherchent? Le flux de conversation peut-il être amélioré pour qu'il soit plus humain, et l'expérience utilisateur peut-elle garantir que le parcours client est exceptionnel ?

Lors de l'évaluation des solutions pour tous ces cas d'utilisation, nous avons observé un modèle de conception émergeant pour plusieurs modèles afin de résoudre ces cas d'utilisation. Nous avons également déterminé que les modèles utilisés dans certains cas d'utilisation peuvent être réutilisés pour d'autres, bien sûr, en fonction du problème que nous essayons de résoudre.

Modèles AI/ML comme modèle de conception

Sciences de la vie - Comment l'intelligence artificielle Peut améliorer le processus d'examen et de nettoyage des données cliniques Ce modèle aborde un problème de classification et est formé à l'aide de questions/énoncés représentatifs que les utilisateurs poseraient ou soumettraient. Dans le cas du NLQ, l'utilisateur demande des données (montrez-moi une liste des sujets inscrits) ou des informations agrégées (combien de sujets ont échoué au dépistage de l'essai d'oncologie ONC4765 ?). Cette intention pourrait être différente pour l'assistant virtuel : l'utilisateur signale-t-il un événement indésirable, une plainte concernant un produit ou demande-t-il des informations concernant certains médicaments ? Pour le cas d'utilisation d'admission, il signale généralement une plainte potentielle d'EI ou de produit. exprimé dans l'énoncé de l'utilisateur pour le convertir en métadonnées. Pour NLQ, les métadonnées sont utilisées pour informer un autre modèle sur la façon de générer les requêtes de recherche correspondantes. Dans le cas de l'assistant virtuel, le modèle doit avoir une compréhension claire des données/documents auxquels il a accès afin de pouvoir fournir une réponse significative à l'utilisateur final. Dans le cas d'utilisation initiale, le modèle devrait être capable d'extraire des informations clés comme une indication du texte et du code à l'aide de MedDRA. Ces modèles NER peuvent être entraînés et réutilisés dans tous les cas d'utilisation. Pour plus d'informations sur la conservation des données, consultez notre blog <a href=Leaving AI for Knowledge Repositories and Content Curation in Life Sciences.
  • Executing the intent – Ce modèle est la dernière étape où il exécute intention et fournit à l'utilisateur des résultats. Dans le cas d'utilisation NLQ, cela exécute la requête principale, en corrigeant potentiellement automatiquement les erreurs dans les requêtes et en les exécutant pour générer les résultats. Pour l'application d'admission, il peut s'agir d'un simple appel d'API au système de sécurité, avec la possibilité d'une auto/correction automatique en cas de problème. Dans le cas d'utilisation de l'assistant virtuel, il fournit à l'utilisateur une réponse à ses demandes, en utilisant la réponse de l'utilisateur et l'analyse des sentiments pour auto-corriger la conversation afin que l'utilisateur final reçoive les informations qu'il recherche.

    • Ce modèle de conception s'est appliqué aux cas d'utilisation sélectionnés :

    NLQ :

    • Ce qui est interrogé (intention)
    • Génération des requêtes
    • Exécution des requêtes pour récupérer les résultats

    Intake :

    • Parsing l'entrée
    • Identification de l'AE potentiel, informations complémentaires et indication de codage
    • Envoi des informations au système de sécurité avec le document source

    Assistants virtuels :

    • Intention de la conversation : collecte d'informations, fourniture de détails (AE, réclamations relatives aux produits)
    • Détection des EI potentiels, des PC, des conditions sous-jacentes, des informations demandées
    • Récupération des informations à partir des données conservées, escalade des EI/PC par les politiques de l'entreprise

    Avantages

    • One N Le modèle ER peut être utilisé dans plusieurs solutions – c'est-à-dire la détection AE dans Intake et Virtual Assistant, NLQ (dans tous les cas d'utilisation)
    • NLP tex-to-data (pour NLQ) ou data-to-text (dans la réponse de l'assistant virtuel) )

    Défis

    • Données de formation et de formation – S'assurer que nous avons les bonnes données et PME disponibles pour former les différents modèles pour les cas d'utilisation identifiés
    • Comprendre les métadonnées et les données (structurées et non structurées )
    • Appliquer les connaissances en sciences de la vie pour comprendre l'intention et organiser les données en fonction de la structure du langage pour déterminer l'intention de la question : par exemple, AE vs conditions préexistantes, demande d'informations vs informations fournies (j'ai une maladie cardiaque, puis-je prendre ce médicament ? vs j'ai cette maladie cardiaque après avoir pris le médicament)
    • Validation de l'IA – pour les solutions validées, nous avons besoin d'un processus unique et acceptable pour valider les solutions d'IA non déterministes

    En conclusion, comprendre les cas d'utilisation, appliquer la conception modèle pour les cas d'utilisation identifiés, et la réutilisation de modèles entraînés dans les cas d'utilisation déterminera le succès du déploiement des microservices d'IA et de la définition d'une stratégie d'IA pour répondre aux besoins de votre entreprise.

    À propos de l'auteur <!– :   nfrantzen, Directeur – Intelligence Artificielle–>

    Nico Frantzen dirige la pratique d'intelligence artificielle de Perficient et la livraison de projets pour celle-ci. Il se concentre principalement sur l'exécution et la supervision de solutions techniques complexes impliquant l'IA et aide les clients à définir leurs stratégies et feuilles de route en matière d'IA. L'expérience de Nico en tant que développeur full-stack et sa profonde expertise dans le paysage de l'IA lui permettent d'infuser des capacités d'IA à tous les niveaux de processus métier et de donner vie à des solutions nouvelles et innovantes.

    Plus de cet auteur

    Le meilleur outil 2023 pour ta croissance Instagram !



    Source link