How Thermo Fisher Scientific built AI-powered patient matching on AWS

TL;DR · AI 摘要
How Thermo Fisher Scientific built AI-powered patient matching on AWS AWS Architecture Blog How Thermo Fisher Scientific...
核心要点
- 主题聚焦:How Thermo Fisher Scientific built AI-powered pa
- 来源:AWS Architecture Blog,建议结合原文判断细节。
- AI 分析暂不可用,本条为保底评分与摘要。
Thermo Fisher Scientific如何在AWS上构建AI驱动的患者匹配系统 | AWS架构博客
Thermo Fisher Scientific如何在AWS上构建AI驱动的患者匹配系统
临床试验招募通常被描述为一个患者匹配挑战。实际上,其复杂程度要远超这个范畴。招募团队需要了解潜在参与者在招募流程中的位置、各站点的表现、哪些地区可能带来最强的招募机会,以及是否足够多的患者能够满足日益复杂的试验标准。这些答案往往分散在不同的系统、数据集、调查问卷、知情同意记录、营销互动和运营流程中。
对Thermo Fisher Scientific而言,改进这一体验不仅需要引入新应用,更需要重新思考支撑患者招募的数据基础,并创建更可扩展的方式将招募数据转化为可操作的洞察。
通过AWS,Thermo Fisher Scientific建立了现代化的患者招募数据基础,整合并整理数据用于分析和AI应用场景。在此基础上构建了互补能力,包括患者招募的中央洞察中心(CIH),提供招募分析和运营可视化,以及Thermo Fisher Scientific专有的患者匹配AI工具,通过自然语言交互支持自助患者搜索、可行性评估和队列发现。
这种改进在队列发现方面尤为明显。过去需要数天甚至数周分析和与技术团队反复沟通的问题,现在可以在几分钟内探索和优化,为招募团队提供从问题到可操作患者群体的更快路径。
随着这些能力逐步进入生产环境,Thermo Fisher Scientific还与AWS Countdown Premium合作,加强运营准备,支持发布活动,并在转型关键阶段降低风险。
挑战
随着时间推移,患者招募数据在多个系统和用例中不断增长。患者信息、调查问卷、招募漏斗活动、营销互动、知情同意信息、站点数据和其他运营数据集并不总是以单一、一致的形式存在。
这种碎片化带来了多重挑战。
招募团队需要更快的方法在大量记录中识别和优化相关患者群体。他们还需要更清晰地了解各研究、站点和地区的招募表现。同时,组织希望引入AI功能而不损害数据质量、隐私、治理或合规性。
现有流程通常依赖专业技术团队将业务或临床问题转化为数据库查询,检索适当数据,验证结果,然后在标准变化时重复这一过程。
对于简单问题,这种方法可能可行。但对于涉及多个临床、人口统计、地理或知情同意相关标准的复杂队列发现,这可能演变为冗长的迭代过程。
因此,Thermo Fisher Scientific面临两个相互关联的挑战:现代化患者招募数据环境,并使业务用户更便捷地探索和利用这些数据。
与其将AI视为可以简单叠加到现有系统中的一层,该团队从数据入手。Thermo Fisher Scientific在AWS上建立了现代化的患者招募数据基础架构,整合了此前相互独立的数据源,并为后续分析和智能应用做好准备。
该新架构标准化并整理了来自患者档案、调查问卷、招募漏斗活动、营销信息、知情同意数据及其他招募数据集的来源数据。数据转换帮助创建更一致的结构和可复用的数据集,供依赖这些数据的应用程序使用。
这种方法实现了重要的职责分离:源系统继续履行其运营功能,而整理后的数据集则专门用于分析、报告和AI驱动的工作负载。
对业务而言,这提供了更值得信赖且可复用的招募信息来源。对技术团队而言,它创建了一个可扩展的基础架构,能够支持多个产品,而无需为每个新用例单独构建数据管道。
通过中央洞察中心将招募数据转化为运营洞察
这一现代化举措支持的功能之一是中央洞察中心(Central Insights Hub,CIH),这是Thermo Fisher基于开源技术开发的内部定制UI层。
CIH是一个集中化的临床试验招募分析平台,帮助团队了解不同研究中招募工作的表现情况。
通过交互式仪表板和可视化图表,用户可以追踪从患者初次接触,到预筛选、转介至研究站点、签署知情同意书、入组和随机分配等关键节点的招募全流程。
该平台整合了患者进展视图、站点活动、招募时间线、地理绩效和其他运营指标。随着CIH的不断发展,新增功能还扩展了对招募成本、参与者人口统计学特征、淘汰趋势、站点-患者互动以及营销渠道表现等领域的可视化能力。
这为招募团队提供了一个统一的平台,用于识别瓶颈、跨站点和国家比较活动、判断需要额外关注的领域,并做出更及时的决策。
CIH展示了招募工作的实际表现,并指明团队应重点关注的领域。
通过患者匹配AI实现队列发现的自助服务
作为Thermo Fisher内部工具的患者匹配AI(Patient Match AI)解决了另一个互补性挑战:帮助用户快速确定哪些患者群体可能符合招募需求。
无需技术团队手动构建数据库查询,用户可以通过自然语言描述需求。
例如,用户可以首先询问符合某种广泛临床条件的患者人数,然后逐步通过年龄、地理位置、诊断、治疗史、人口统计学特征、知情同意或可接触性标准等属性进一步细化目标人群。
预期的使用流程遵循以下简单步骤:
统计(COUNT)→ 细化(REFINE)→ 目标列表(TARGETED LIST)→ 导出(EXPORT)
用户可以从了解潜在人群规模开始,随着了解的深入逐步细化筛选条件,并在适当的时候转向目标患者群体。
这改变了工作模式,从一系列交接转变为更具互动性的自助服务体验。
过去需要数天或数周进行多轮分析的任务,现在对于许多常见的可行性工作流程而言,可以在几分钟内完成探索。招聘团队可以测试假设、调整标准,并了解这些更改如何影响潜在人群,而无需每次重新启动流程。
Patient Match AI 还支持聚合洞察和可视化,帮助用户在需要患者身份信息的受控工作流程之前,更好地理解队列的组成。
隐私、治理、同意、可联系性和个人身份信息(PII)控制,符合适用的监管要求,仍然是设计的重要组成部分。目标不是对患者数据的无限制访问,而是在既定的招聘和治理流程内,提供更快、更直观的工作方式。
架构概述
下图展示了数据如何从源系统通过精心策划的数据基础进入 Patient Match AI 和 Central Insights Hub,以及每个阶段涉及的关键 AWS 服务。
图1:数据如何从源系统通过精心策划的数据基础进入 Patient Match AI 和 Central Insights Hub
该解决方案采用基于 AWS 的云原生架构,结合了用于数据存储、转换、编排、分析、AI 工作负载和应用交付的托管服务。
Amazon Simple Storage Service (Amazon S3) 为招聘数据提供可扩展的存储,而 AWS Glue 支持数据转换和目录管理。AWS Step Functions 编排多阶段数据处理工作流程,Amazon Athena 则在精心策划的数据集上运行分析查询。
分析层使用 Amazon S3 上的 Apache Iceberg 表,为大规模分析工作负载提供灵活的基础,并支持数据量和用例的持续增长。
一个关键的架构原则是将操作型应用工作负载与分析处理分离。因此,复杂的队列和资格查询可以在大量患者档案上运行,而不会将相同的工作负载施加到事务型应用数据库上。
Thermo Fisher 的身份解析和档案整合流程也有助于整合来自多个系统的记录,减少重复,并为下游招聘用例建立更一致的视图。
其结果不仅仅是云服务的集合。这是一种经过设计的架构,使数据可以在分析和 AI 能力之间被摄入、策划、查询和重复使用,而无需为每个产品重建底层基础。
源系统包括患者档案、调查问卷、招聘漏斗活动、营销和同意数据以及站点和运营数据。这些来源的数据被摄入到数据基础中。在那里,AWS Step Functions 编排多阶段处理,Amazon S3 提供存储,AWS Glue 处理转换和目录管理。身份解析步骤整合档案并减少重复。
经过整理的数据随后流入两个独立的存储系统。Amazon DocumentDB(兼容MongoDB)用于存储身份、健康和运营数据。团队选择它作为最接近他们之前依赖的MongoDB数据库的托管替代方案。通过Amazon Athena查询的Amazon S3与Apache Iceberg表存储分析数据。
这些整理后的数据集为智能层提供支持。Central Insights Hub提供招聘分析,Patient Match AI通过COUNT、REFINE、TARGETED LIST和EXPORT工作流程支持自然语言队列发现。Amazon Elastic Container Service(Amazon ECS)托管API层,AWS Lambda执行患者匹配评分。结果传递给招聘团队进行可行性评估、队列发现以及站点、地理和漏斗性能分析。在整个过程中,隐私、治理、同意、可联系性和PII控制始终是设计的一部分。
使用AWS Countdown Premium为生产环境做准备
构建技术只是旅程的一部分。将大规模招聘能力投入生产需要确信架构、容量、操作流程和支持模式已准备好上线。
Thermo Fisher Scientific从测试阶段开始就启用了AWS Countdown Premium。
AWS Countdown Premium是一项由工程师主导的支持服务,在云项目的关键阶段提供指定的专业知识和指导。在此合作中,这种支持帮助团队在四个关键领域为上线做好准备。
指定的工程专业知识
从AWS专家团队中挑选的专门工程师担任持续的技术联系人,并深入理解Patient Match AI架构。
在处理复杂技术问题时,这种连续性非常有价值。团队无需为每次支持互动重建上下文,而是可以与熟悉系统的工程师合作,并在需要时协调访问其他AWS领域专家。
合作中的一个示例:管道设计审查:AWS专家工程师在上线前审查了关键设计决策。患者评分逻辑不再在排序前检索每条记录,管道在排序和查询前实现了并行化。对于AWS Step Functions中的长期外部调用,团队采用了等待回调模式,这样他们只需为状态转换付费,而无需为闲置等待时间付费。
操作准备和主动规划
此次合作的重点是在生产环境上线前识别潜在问题,而不是等待它们在上线时出现。
事前审查、容量规划、操作手册和决策框架帮助团队验证环境是否已准备好支持大规模患者招聘工作负载。
合作中的另一个示例:AWS Glue准备审查:AWS Glue专家审查了团队在非生产环境中的提取、转换和加载(ETL)作业,并在上线前提供了书面建议。团队还获得了通过AWS Glue Iceberg REST端点读取Apache Iceberg表的指导,以及将AWS Glue Studio可视化作业纳入源代码控制的建议。
上线期间的支持
在上线期间,协调的AWS支持为故障排除和问题解决提供了另一层技术支持。
对于支持临床招募工作流程的生产系统,这帮助团队更有信心地推进上线,并为需要AWS专业知识的问题建立了明确的升级路径。
上线后稳定阶段
支持工作持续到初始部署之后。
这为团队监控生产环境行为、解决早期问题以及从上线活动过渡到正常运营提供了连续性。
成果
通过结合现代云架构与AWS Countdown Premium的支持,Thermo Fisher Scientific实现了以下关键成果:
- 统一患者数据 – 超过2000万份患者档案记录(约1.6 TB)从此前分散的来源(包括患者档案、调查问卷、招募漏斗数据、营销信息和知情同意数据)整合到统一平台。
- 自助式队列发现 – 借助Patient Match AI,招募团队可通过自然语言提问来发现和细化患者群体,共享测试查询可在完整数据集上于六秒内完成。
- 加速可行性分析 – 队列分析时间从以往的数天缩短到现在的几分钟,适用于多数常见可行性分析和患者发现流程。
- 更及时的洞察 – 招募数据持续实时更新,可立即用于AI驱动的患者搜索,并在稍后同步至分析仪表板。
- 现代化数据基础 – 迁移到基于AWS的数据架构,减少了对早期基于Snowflake的仪表板环境的依赖。
- 成功上线 – Patient Match AI于FY26年第二季度在生产环境中正式上线。AWS Countdown Premium通过架构审查、Amazon DocumentDB和AWS Glue的就绪性审查,以及四个月期间的流程设计和查询优化专家指导,支持了此次上线。
- 指定工程支持 – 一位专属的Countdown Premium工程师与Amazon DocumentDB服务团队及专家合作优化数据库,使预估处理时间缩短超过3倍。
- 降低上线风险 – 在完整2000万条记录数据集上进行全规模测试,提前暴露了查询性能问题,从而在上线前完成修复。
未来展望
此次转型的更广泛价值超越了单一应用本身。Thermo Fisher Scientific已建立了一个现代、精选的患者招募数据基础,可支持多种体验形式,从Central Insights Hub的操作分析到Patient Match AI驱动的AI队列发现,这一共享基础为在不重复构建底层数据架构的前提下持续提升招募能力创造了机会。
更重要的是,它改变了招募团队与数据协作的方式。
团队不再需要等待信息通过多轮技术交接,而是可以越来越多地直接与可信的招募数据互动,通过仪表板了解当前状况,并利用自然语言工具探索潜在可能性。
结论
Thermo Fisher Scientific对其患者招募环境(包括现代精选患者招募数据基础、Central Insights Hub(CIH)和Patient Match AI)的现代化改造,展示了组织如何结合现代数据架构、分析和AI能力来解决复杂且高风险的商业问题。
通过使用 AWS 的数据管理、编排、分析和 AI 服务,团队创建了一个使招聘信息更易获取、理解和采取行动的环境。过去需要大量人工分析的流程现在可以更及时、交互性更强,并实现自助服务。
AWS Countdown Premium 在降低向生产环境过渡的风险方面发挥了重要作用。指定的工程支持、主动规划、发布协助以及发布后的稳定化措施,帮助团队更有信心且具备更高的运营准备度地将这些能力部署到生产环境中。
对赛默飞世尔科技而言,这一成果不仅是技术现代化,更是为招聘团队从数据到洞察、从洞察到行动的转变奠定了基础,使这一过程更加高效。
其他组织也使用 AWS Countdown Premium 推进类似计划,例如改进制造运营、实现网站无缝迁移以及加速关键的云迁移。
若想了解 AWS Countdown Premium 如何支持您的下一个关键云计划,请联系您的 AWS 账户团队。
致谢
特别感谢所有为此次发布做出贡献的人:
- 患者招募工程团队:Prameela Yasa、Madhurendra Singh、Prakash Singh、Karthik Tirumalasetti、Thanmay Jasti Naga Chowdry、Pawan Shah、Arnab Ghosh、Denys Martsynko、Maria Ozirskaya、Daniel Petko。
- AWS 领导团队:Kwesi Edwards、Mary Marzak。
作者简介
'"`