亚马逊云科技生成式AI服务如何赋能个性化患者体验

关键字: [Salesforce Data Cloud, Patient Journey Optimization, Data Unification Challenges, Ai Implementation Healthcare, Personalized Patient Engagement, Predictive Analytics Healthcare]

本文字数: 400, 阅读完需: 2 分钟

导读

在一场亚马逊云科技活动上,演讲者阐释了如何利用Amazon SageMaker和生成式AI实现大规模个性化患者体验。演讲者探讨了改善患者结果并推动个性化医疗保健体验的方法。具体而言,他解释了医疗保健组织在理解患者旅程和有效实施AI所面临的挑战,以及良好的数据策略与AI相结合可以带来积极的健康结果。该演讲重点阐述了Salesforce Data Cloud和Amazon SageMaker如何实现创建统一的患者视图、无需编码即可构建AI/ML模型,以及推动个性化患者参与,从而最终改善护理和预防。

演讲精华

在当今医疗保健行业中,营销人员和体验官员面临着诸多挑战。他们渴望全面了解患者在与品牌互动过程中的旅程,优化服务线路,并在关键时刻为患者提供有影响力的体验。然而,由于患者数据分散在多个系统中,包括电子健康记录(EHR)、健康信息交换(HIE)、企业资源计划(ERP)等,构建患者的360度视图成为一大障碍。

传统上,组织会将这些数据倾倒到数据仓库中,使用存储过程和复杂的树形逻辑来创建复合键,试图整合患者信息。然而,这种方式效率低下,难以满足当前需求。正是出于这一原因,Salesforce四年前开始全力打造Data Cloud产品。

除了获取完整的患者视图外,医疗保健机构还希望有效实施人工智能(AI)策略,优化患者体验。事实上,AI策略的成功与否取决于数据策略的质量。一些真实的客户案例证明,结合良好的数据策略和营销策略,可以显著改善患者护理质量。

以Ascension Health为例,它通过自动化”患者提醒”活动,取得了令人鼓舞的成果。该活动使年度体检率提高了26%,从5.1%增加到近6倍;新增主治医生预约量增加了27%;筛查和疫苗覆盖率提高了20%。这些数据清楚地展示了自动化患者参与对于改善健康结果的积极影响。

在当前形势下,将AI集成到工作流程中以优化患者体验,对所有医疗保健提供商来说都是非常重要的。加之不断变化的监管和合规要求,组织需要掌控自身的第一方数据,以安全合规的方式跟踪和了解个体与品牌在网络上的互动。

芝加哥大学医学中心的营销总监Andy Chang阐述了医疗保健营销人员的核心需求,包括在关键时刻发掘见解,并以更高效的方式实现增长,满足客户期望。

为解决这些挑战,Salesforce推出了Data Cloud。Data Cloud是一个数据工程服务平台,涵盖了六大数据工程领域。它能够从各种来源摄取数据,进行必要的转换,构建高质量的语义层,最重要的是能够将数据激活到所需系统中,在关键时刻影响患者。Data Cloud的核心优势在于实现了数据的”超级可行动性”,确保构建的数据资产能够被充分利用。

即使构建了丰富的数据资产,医疗机构也希望不仅能够描述性地了解患者,还能预测患者的某些倾向性,从而为个性化旅程提供信息。这就需要利用Amazon SageMaker的能力。

SageMaker Canvas是一款无代码产品,旨在让业务团队能够构建、定制和部署机器学习和生成式AI模型。它提供了多种预构建模型,用于预测、图像分析、文本分析和生成式AI等场景。用户还可以构建自定义模型,并与机器学习专家协作、共享模型、获取反馈,最终将模型投入生产。

Canvas还提供了Amazon Bedrock服务,这是一种简单、安全且负责任的方式,用于在亚马逊云科技上构建生成式AI应用程序。Amazon与Anthropic、Cohere和21 Labs等AI提供商合作,为用户提供了多种模型选择。例如,Cohere发布的三种模型在多项测试中表现出色。用户还可以利用Amazon SageMaker JumpStart,将任何开源模型(如FLAN或LLAMA)进行微调,并用于生成式AI应用程序。

让我们来看一个真实案例,即预测糖尿病患者的再入院风险。在这个场景中,分析师对问题和数据集有很好的理解,并且能够通过Salesforce Data Cloud获取到统一、协调和丰富的360度客户数据。

在SageMaker Canvas中,分析师可以直接连接到Salesforce Data Cloud,无需进行ETL即可访问最新、最准确的数据,这对于构建高质量模型至关重要。分析师可以搜索、预览和转换数据,还可以使用”Chat with Data”功能,通过自然语言提示进行数据转换,无需掌握复杂的Pandas DataFrame等知识。

准备好数据后,分析师可以启动模型构建器,根据具体问题类型选择合适的模型。在这个案例中,问题属于预测分析和多类别分类。Canvas会根据数据自动生成元数据,分析师可以选择目标列、模型指标,并调整模型类型、实验数量和超参数。

在模型训练过程中,Canvas会在后台自动执行基础设施配置、数据处理、实验运行、超参数调优等工作,最终呈现最佳模型及其重要特征。分析师还可以利用Canvas提供的分析和可视化功能,检查数据质量、特征相关性等,并通过”什么如果”分析评估特征变化对预测结果的影响。

一旦模型训练完成,分析师就可以将其注册到Salesforce Data Cloud中。在Data Cloud中,分析师能够基于模型预测的患者倾向性创建细分市场,并将这些患者激活到Salesforce Marketing Cloud或其他电子邮件发送引擎,注入健康行动故事。

患者收到个性化电子邮件后,可以登录门户网站,获取改善健康的积极建议。即使只有少数患者采纳了这些建议,也将对他们的健康产生重大影响,从而实现以预防为导向的患者健康管理,而非仅关注患者获取。

总的来说,Salesforce Data Cloud和Amazon SageMaker的合作为医疗保健机构提供了构建个性化患者体验的强大工具。Data Cloud使营销人员能够轻松构建数据资产,而SageMaker则赋予了预测分析和生成式AI的能力。通过利用这一解决方案,医疗保健机构不仅能够全面了解患者旅程,还能在关键时刻为患者提供个性化的健康建议,从而产生切实的健康效益。

总结

在瞬息万变的医疗保健环境中,首席营销官(CMO)和首席体验官面临着重大挑战,那就是理解患者的整体旅程并优化服务线路体验。Salesforce Data Cloud通过无需广泛的数据工程专业知识即可创建统一、丰富的数据资产,为解决这些挑战提供了良好的方法。随后,这种数据资产可以无缝集成到Amazon SageMaker,从而释放出强大的预测分析能力。

一个引人注目的用例涉及预测糖尿病患者再次入院的倾向性。通过利用SageMaker Canvas(一个无代码机器学习平台),业务分析师可以轻松地使用来自Salesforce Data Cloud的精心策划的数据构建和部署预测模型。生成的模型随后可以注册回Data Cloud,从而实现针对性的患者外展和个性化健康建议。

Salesforce与亚马逊云科技之间的协同作用使医疗保健组织能够有意义地改善患者结果。通过利用数据和人工智能的力量,他们可以主动识别高风险患者、提供量身定制的干预措施,并最终促进更加预防性和个性化的医疗保健方式。

Salesforce Data Cloud与Amazon SageMaker的合作体现了利用先进技术提升患者体验和推动大规模积极健康结果的变革潜力。

亚马逊云科技（Amazon Web Services）是全球云计算的开创者和引领者。提供200多类广泛而深入的云服务，服务全球245个国家和地区的数百万客户。亚马逊云科技致力于成为企业构建和应用生成式AI的首选，通过生成式AI技术栈，提供用于模型训练和推理的基础设施服务、构建生成式AI应用的大模型等工具、以及开箱即用的生成式AI应用。深耕本地、链接全球 -- 在中国，亚马逊云科技通过安全、稳定、可信赖的云服务，助力中国企业加速数字化转型和创新，并深度参与全球化市场。