Improving patient care in Canada with Amazon Comprehend Medical

Click here for French version.

Amazon Comprehend Medical is a natural language processing (NLP) service that simplifies the use of machine learning (ML) to extract relevant medical information from unstructured text often found in clinical charts or doctor’s notes. Since the service launched in the AWS Canada (Central) Region in June 2019, it opened up possibilities for Canadian healthcare organizations to better serve patients.

By understanding and analyzing the insights and relationships that are “trapped” in free-form medical text, including hospital admission notes and a patient’s medical history, doctors and clinical researchers can improve patient care. Amazon Comprehend Medical quickly and accurately gathers information, such as a patient’s medical condition, medication, dosage, strength, and frequency from a variety of sources like doctors’ notes, clinical trial reports, and patient health records.

Bringing this service to the Canadian Region allows hospitals to develop advanced computing technologies and train advanced ML models to help with diagnosis and treatment.

Speeding time to treatment

Vancouver General Hospital (VGH) and University of British Columbia (UBC) researchers are among the organizations who leverage Amazon Comprehend Medical and Amazon SageMaker to create their own machine learning models that can triage x-rays to provide a better healthcare experience.

Imagine this scenario: a patient comes into the hospital with symptoms of pneumonia. The doctor takes an x-ray. The patient’s x-rays are then analyzed by a ML model trained on Amazon SageMaker that interprets the x-ray for the presence of infection. The algorithm then determines a priority for the x-ray to be seen by a radiologist. Ultimately, the patient in need would be seen more quickly and put on a treatment plan in less time than would have ordinarily taken to capture, assess, and diagnose. By using ML technology, fewer patients are left sitting in the waiting room or sent home waiting for answers. Treatment can be started efficiently, potentially saving lives.

This scenario was one of the first ML models the team experimented with at Vancouver General Hospital.

Having access to the AWS toolset, including Amazon Comprehend Medical and Amazon SageMaker along with storage and compute, brings forth three major potential benefits for VGH:

1. Efficiency – Having access to petaflops of processing power enables and empowers clinical data scientists to train models quickly and iterate on models efficiently. Accurate models are created faster, potentially improving care for more patients sooner.
2. Cost savings – Managing, securing, and servicing large data centers are expensive but having access to AWS on an as-needed basis decreases the headaches and costs associated with dealing with the technical aspects of managing these high-end systems. Ultimately, clinical data scientists can focus more time on patient care and outcomes.
3. Accuracy – AWS uses storage, security, processing, and compute systems that enable clinical data scientists to produce high-accuracy models. The better the accuracy, the better the patient care.

Training machine learning models on AWS

In order to train the image-detection model to be able to make these predictions, the research team at UBC is training the ML algorithms on Amazon SageMager. Amazon SageMaker is a fully managed service that covers the machine learning workflow, from choosing an architecture and model, to training models, iterating on results and optimizing accuracy for deployment in the clinical environment.

“Amazon SageMaker alleviates our need for an on-site compute cluster and gives us a lot of flexibility when it comes to compute performance and cost. We do a lot of our work in short sprints, so being able to ‘rent’ time on the server only when we need it, is a big improvement on an upfront investment in GPUs that may not see much consistent usage,” said Brian Lee, researcher at the University of British Columbia.

In order to provide their model with pre-classified data (ie. labeling images with the presence or absence of pneumonia), the team uses Amazon Comprehend Medical. This allows them to only acquire images that have a specific diagnosis or something particular from the radiologist’s reports.

The VGH research team also developed their own anonymization tool called SapienSecure that extracts Personal Identifiable Information (PII) data from medical images and written medical reports. The tool will be released publicly by SapienML later this year, and has functionality to integrate directly into the AWS platform. This step improves patient safety and security, but also allows for easier adoption of AWS tools by other hospitals and institutions.

“SapienSecure is our way of giving back to the clinical data science community by offering a way to accurately anonymize medical data, so that researchers and technology developers can feel confident that their data is anonymized before training a model,” said Dr. William Parker, researcher and Radiology Resident at UBC. “It plugs into AWS, so hopefully it will help researchers to take advantage of the power of AWS’s cloud offerings.”

Learn more about Amazon Comprehend Medical.

Amélioration des soins aux patients au Canada avec Amazon Comprehend Medical

Amazon Comprehend Medical est un service de traitement du langage naturel qui simplifie l’utilisation de l’apprentissage automatique pour extraire des informations médicales pertinentes à partir de textes non structurés qui existent généralement dans les tableaux cliniques ou les notes de médecin. Ce service a permis aux organismes de santé canadiens de mieux servir les patients depuis le lancement dans la région AWS Canada (Centre) en juin 2019.

Les médecins et les chercheurs cliniques peuvent améliorer les soins aux patients s’ils comprennent et analysent les idées et les relations qui sont « piégées » dans les textes médicaux de format libre, y compris les notes d’admission à l’hôpital et les antécédents médicaux d’un patient. Amazon Comprehend Medical recueille rapidement et avec précision des informations comme l’état de santé d’un patient, les médicaments, le dosage, la force et la fréquence, à partir de diverses sources comme les notes des médecins, les rapports d’essais cliniques et les dossiers médicaux des patients.

La mise en place de ce service dans la région canadienne permet aux hôpitaux de développer des technologies informatiques avancées et d’entraîner des modèles d’apprentissage automatique pour faciliter le diagnostic et le traitement.

Accélération du délai d’administration du traitement

Les chercheurs de l’Hôpital général de Vancouver et de l’Université de Colombie-Britannique font partie des organisations qui utilisent Amazon Comprehend Medical et Amazon SageMaker pour créer leurs propres modèles d’apprentissage automatique qui peuvent trier les radiographies afin de fournir une meilleure expérience de soins de santé.

Imaginez ce scénario : un patient arrive à l’hôpital avec des symptômes de pneumonie. Le médecin fait une radiographie. La radiographie du patient est ensuite analysée par un modèle d’apprentissage automatique entraîné sur Amazon SageMaker qui l’interprète pour détecter la présence d’une infection. L’algorithme détermine alors une priorité pour que la radiographie soit analysée par un radiologue. En fin de compte, le patient est examiné plus rapidement et bénéficie d’un programme de traitement en moins de temps qu’il n’en faut normalement pour capturer, évaluer et diagnostiquer. Grâce à la technologie de l’apprentissage automatique, moins de patients restent assis dans la salle d’attente ou sont renvoyés chez eux en attendant des réponses. Le traitement peut commencer efficacement, ce qui peut sauver des vies.

Ce scénario a été l’un des premiers modèles d’apprentissage automatique que l’équipe a expérimenté à l’Hôpital général de Vancouver.

L’accès aux outils AWS, notamment Amazon Comprehend Medical et Amazon SageMaker, ainsi qu’au stockage et au calcul, présente trois grands avantages potentiels pour l’hôpital :

1. Efficacité : l’accès à des pétaflops de puissance de traitement permet aux spécialistes des données cliniques d’entraîner rapidement des modèles et d’itérer sur des modèles de manière efficace. Des modèles précis sont créés plus rapidement, ce qui peut améliorer les soins pour un plus grand nombre de patients plus tôt.
2. Réduction des coûts : la gestion, la sécurisation et la maintenance des grands centres de données sont coûteux, mais l’accès à AWS en fonction des besoins réduit les casse-têtes et les coûts liés aux aspects techniques de la gestion de ces systèmes haut de gamme. En fin de compte, les spécialistes des données cliniques peuvent consacrer plus de temps aux soins aux patients et aux résultats.
3. Précision : AWS utilise des systèmes de stockage, de sécurité, de traitement et de calcul qui permettent aux spécialistes des données cliniques de produire des modèles de haute précision. Plus la précision est grande, meilleurs sont les soins aux patients.

Entraînement de modèles d’apprentissage automatique sur AWS

Afin d’entraîner le modèle de détection d’images à faire ces prédictions, l’équipe de recherche de l’université entraîne des algorithmes ML sur Amazon SageMager. Amazon SageMaker est un service entièrement géré qui couvre le flux de travail de l’apprentissage automatique, depuis le choix d’une architecture et d’un modèle jusqu’aux modèles d’entraînement, en passant par l’itération des résultats et l’optimisation de la précision pour le déploiement dans l’environnement clinique.

« Amazon SageMaker nous évite d’utiliser une grappe de calcul sur place et nous apporte beaucoup de souplesse en matière de performances et de coûts de calcul. Nous faisons une grande partie de notre travail dans des sprints courts. Par conséquent, pouvoir « louer » du temps sur le serveur seulement quand nous en avons besoin, est une grande amélioration par rapport à un investissement initial dans des unités GPU qui ne sont pas toujours utilisées de manière régulière », déclare Brian Lee, chercheur à l’Université de Colombie-Britannique.

Afin de fournir à leur modèle des données pré-classifiées (c’est-à-dire étiqueter des images avec la présence ou l’absence de pneumonie), l’équipe utilise Amazon Comprehend Medical. Ainsi, elle peut acquérir uniquement les images qui ont un diagnostic spécifique ou quelque chose de particulier provenant des rapports du radiologue.

L’équipe de recherche de l’Hôpital général de Vancouver a également développé son propre outil d’anonymisation appelé SapienSecure qui extrait les renseignements permettant d’identifier une personne des images médicales et des rapports médicaux écrits. L’outil sera rendu public par SapienML dans le courant de cette année, et dispose de fonctionnalités permettant de l’intégrer directement dans la plateforme AWS. Cette étape améliore la sûreté et la sécurité des patients, mais permet également aux autres hôpitaux et institutions d’adopter plus facilement les outils AWS.

« SapienSecure est notre façon de redonner à la communauté scientifique des données cliniques en offrant un moyen d’anonymiser avec précision les données médicales, de sorte que les chercheurs et les développeurs de technologies puissent être sûrs que leurs données sont anonymisées avant d’entraîner un modèle », souligne le docteur William Parker, chercheur et résident en cardiologie à l’Université de Colombie-Britannique. « Comme il s’intègre à AWS, on peut penser qu’il aidera les chercheurs à tirer profit de la puissance des offres de Nuage AWS ».

Découvrez-en plus sur Amazon Comprehend Medical.