亚马逊本周宣布了最新的数据分析产品，该产品旨在搜索电子病历中的非结构化数据，以提供医生可以用来更好地治疗病人的见解。

亚马逊的新Comprehend Medical AWS云服务是一个自然语言处理引擎，它声称能够阅读医生笔记、病人处方、音频访谈记录以及病理学和放射学报告——并使用机器学习算法向医疗保健提供者吐出相关医疗信息。

亚马逊的Comprehend医疗软件服务是该公司周二宣布的13种新的机器学习软件产品之一。

HPE赞助的Brand Post

3管理多云复杂性的方法

一个人工智能、编排和自动化的新时代有助于企业管理日益增长的IT复杂性。

根据Amazon的说法，Comprehend Medical可以从非结构化记录或不具有结构化数据库格式的记录中提取病人的医疗条件、解剖学、药物、受保护的健康信息（PHI）、测试、治疗和程序，然后将它们放在易于阅读的电子表格格式中。

就在八年前，只有10%的医院甚至使用了基本的EMR，而不是依赖纸质记录。然而，2009年《经济和临床卫生保健信息技术法》推动医疗保健设施采用EMR，如果不采用EMR，则不给予医疗保险和医疗补助奖励。今天，80%的医院和医生实践使用EMRs，这创造了一个巨大的电子病人数据的宇宙，以挖掘有价值的信息。

西雅图的弗雷德·哈钦森癌症研究中心在过去一年的一些试点研究中使用了亚马逊的Comprehend Medical，它说，结果是快速和准确的。

Comprehend Medical是一个癌症研究中心，它确定了可能从特定癌症治疗中受益的临床试验患者。正如当地人所知，Fred Hutch能够评估数百万份临床笔记，提取和索引癌症治疗方案的医疗条件、药物和选择，从而将处理每份文件的时间从小时减少到秒。

Fred Hutchinson癌症研究中心的发言人Tom Kim通过电子邮件说：“现在还为时尚早，还没有用于临床试验，但它确实有能力使队列选择过程快得多。”

根据Kim的说法，开发临床试验并将其与正确的患者联系起来的过程需要研究团队筛选并标记大量非结构化临床记录数据。亚马逊Comprehend Medical将减少这一时间负担，“并允许研究人员和数据团队将注意力转向更有趣的分析，”Kim补充道。

亚马逊在一篇博客文章中说，最终，从病人记录和其他来源收集到的丰富信息有朝一日可以帮助消费者管理自己的健康，包括药物管理、主动安排护理访问以及就他们的健康和资格做出知情决定的能力。

亚马逊是一群拥有自己服务的大型科技公司进入医疗领域的一部分，这些公司包括苹果、谷歌、微软和IBM，其沃森超级计算机的自然语言处理引擎被作为从非结构化医疗保健数据和已发表的研究中提取关键数据点的服务提供。

然而，IBMWatsonHealthCognitiveServices实际上使用人工智能生成假设、向医生推荐患者治疗或将患者与临床试验匹配。最近几个月，IBMWatson（尤其是肿瘤学的Watson）被批评为不符合预期。

加州大学旧金山分校临床信息学与改进研究中心主任Julia Adler-Milstein博士说：“（这）很难说谁会取得最大的进步，因为他们的独特优势，但我不会仅仅因为沃森的挣扎就说别人不会成功。”

IDCHeal thInsights的研究主任辛西娅·伯格哈德说，虽然亚马逊的理解医疗服务就像沃森健康一样，它的自然语言处理吸收非结构化数据，但它不使用机器学习来建议病人治疗或进行临床试验匹配。

伯格哈德说：“我认为他们的价值主张是拿走你所有的非结构化数据，搞清楚它，然后把它还给你，这样你就可以用自己的机器学习来对抗它。”

伯格哈德说，尽管许多科技公司已经尝试过，但使用非结构化的临床数据来提出有价值的护理见解并没有取得太多成功。

伯格哈德表示，另一个令人担忧的问题是，她认为科技公司收集数百万份病人记录供自己或第三方使用，如果亚马逊的服务在正在进行的“数据战争”中还能成为另一个参与者——其目的是宣称医疗信息在行业中占据主导地位。

伯格哈德说：“我不知道AWS是否正在保留这些数据以供其他用途，但外面有很多活动，并担心这个世界上的亚马逊、谷歌和苹果最终会获得所有这些数据。”

例如，去年，一项关于谷歌DeepMind A.I引擎与英国国家卫生服务（NHS）合作的学术研究发现了“不可原谅”的错误，涉及在未经明确患者同意的情况下跨网络传输可识别的患者记录，以开发肾损伤临床警报应用程序。

一位亚马逊发言人说，它的亚马逊网络服务，数据传输的云，不收集或存储任何数据处理的Comprehend医疗。一旦分析完成，输出就会完全交付给客户。数据也被加密，钥匙由提供数据的医疗机构持有。

这位发言人通过电子邮件说：“最后，没有任何客户数据被用来训练或改进Comprehend Medical引擎盖下的机器学习模型。

此外，根据Adler-Milstein的说法，医疗行业已经开发出了“非常好的方法”，通过删除个人可识别的信息（PII）来匿名患者数据。她说，虽然“不完美”，但从匿名数据中重新识别患者的可能性远低于EHR系统对黑客攻击的脆弱性。