AWS認定資格 WEB問題集＆徹底解説機械学習エンジニア アソシエイト（MLA）

会員登録/ログイン

1. サービス概要

AWS HealthLake（旧称 Amazon HealthLake）は、医療データの国際標準であるFHIR（Fast Healthcare Interoperability Resources）R4形式で、診療記録・検査結果・保険請求などの医療データを保存・検索・分析・共有するためのHIPAA対象サービスです。 患者ごとの医療履歴を時系列にまとめたインデックスを自動で維持し、FHIR R4のREST APIで検索できるほか、SQLでの分析やMLの学習データ作成にも使えます。

最大の特徴は、統合された医療向け自然言語処理（NLP）です。診療メモのような非構造テキストから、症状・投薬・検査値などの医療エンティティや保護対象保健情報（PHI）を抽出し、FHIR R4リソースとして同じデータストアに格納します。 構造化データと非構造テキストを同じ形式にそろえられるため、医療データを使ったML（再入院予測、リスク層別化など）の前処理を、自前の変換パイプラインなしで進められます。

2. 主な特徴と機能

2.1 FHIR R4データストア

データストアはFHIR R4に準拠したトランザクション型のFHIRサーバーとして動作し、リソースの作成・更新・検索や検証を標準のFHIR APIで行えます。 インデックスは常に最新に保たれ、いつでも検索できます。

2.2 インポートとエクスポート

Amazon S3に置いたFHIR R4データ（NDJSONなど）をネイティブのインポートジョブでデータストアへ一括投入できます。 逆方向は、エクスポートジョブやFHIR Bulk Data（$export）でS3へ書き出し、SageMaker AIでの学習や外部システム連携に使います。

2.3 統合医療NLP

データストア内の医療テキストから、エンティティ、エンティティ間の関係、特性（否定・推測など）、PHIを自動抽出し、FHIR R4リソースとして保存します。 抽出結果はFHIR APIでもAmazon Athena（SQL）でも参照できます。Amazon Comprehend Medicalを自分で呼び出して結果をFHIRへ変換する処理を作り込む必要がありません。

2.4 SQLによる分析

AWS Lake Formationと連携してデータストアをデータカタログに公開し、Amazon AthenaからSQLで患者の絞り込みや集計を行えます。 Amazon QuickSightでの可視化や、学習データセットの作成に直結します。

2.5 相互運用性と新しい機能

SMART on FHIRによる認可、FHIR Bulk Data Access、US Core実装ガイドなどの標準に対応し、患者アクセスAPIの要件への準拠を支援します。 レガシーなC-CDAやCSVのデータをFHIR R4へ変換するデータ変換エージェントや、重複レコードの検出・統合（いずれもプレビュー）も提供されています。 画像データのAWS HealthImaging、ゲノムデータのAWS HealthOmicsと組み合わせたマルチモーダル分析も可能です。

3. アーキテクチャおよび技術要素

1. FHIR R4形式のデータストアを作成する（暗号化キーと認可方式は作成時に決める）。
2. 電子カルテなどから出力したFHIRデータをS3へ置き、インポートジョブで取り込む。
3. 統合医療NLPが医療テキストからエンティティとPHIを抽出し、FHIRリソースとして保存する。
4. アプリケーションはFHIR REST APIで患者単位の検索・更新を行う。
5. 分析担当はLake Formationで権限を付与されたAthenaからSQLで集計し、QuickSightで可視化する。
6. ML用途ではエクスポートやAthenaの結果をS3に出力し、SageMaker AIで学習する。

4. セキュリティと認証・認可

• HIPAA対象サービス: PHIを扱うワークロードで利用できる。利用者は自身のコンプライアンス責任（責任共有モデル）を果たす必要がある。
• 暗号化: 通信はTLSで保護され、保存データはAWS所有キーまたはカスタマー管理のAWS KMSキーで暗号化する。
• 認可方式: データストア作成前に、IAM（SigV4署名）かSMART on FHIR（OAuth 2.0 / OpenID Connect）のどちらかを選ぶ。外部の医療アプリやユーザーへの認可にはSMART on FHIRを使う。
• 分析データの統制: Athena経由の参照はLake Formationの権限で、テーブル・列単位などのきめ細かいアクセス制御を行う。
• ネットワークと監査: AWS PrivateLinkでVPCから閉域接続し、CloudTrailでAPI操作を記録、CloudWatchで監視する。
• 利用上の注意: HealthLakeは診断・治療の代わりにはならず、臨床判断に使う場合は医療専門家によるレビューが前提とされている。

5. 料金形態

料金はデータストアの稼働時間を軸に、保存量・クエリ・NLP・エクスポートで構成されます。AdvancedとStandardの2つの階層があり、保存単価・クエリ単価や一部機能が異なります。

• データストア: データストア1つあたりの稼働時間で課金（作成している間は常に発生）。
• ストレージ: 一定容量を超えた保存量に対してGB月単位で課金。
• クエリ: 含まれる処理量を超えたFHIR APIリクエストに課金。
• 統合医療NLP: 解析した文字数（100文字単位）に応じて課金。
• エクスポート・分析用変換: 書き出し・変換したデータ量（GB）に応じて課金。
• コスト最適化: 不要な検証用データストアは削除する（稼働時間課金のため）。分析はAthenaでまとめて行い、FHIR APIの細かいリクエストを減らす。

6. よくあるアーキテクチャ・設計パターン

• 医療MLの学習データ作成: S3のFHIRデータと診療メモをHealthLakeへ取り込み、統合NLPで正規化したうえでAthenaのSQLで対象患者を抽出し、学習データセットをS3へ出力する。
• ポピュレーションヘルス分析: Athenaで疾患・投薬の傾向を集計し、QuickSightのダッシュボードで共有する。
• 患者アクセスAPI: SMART on FHIR対応のアプリから、患者が自分の医療データを参照できるようにする。
• マルチモーダル分析: HealthLakeの臨床データとHealthImagingの医用画像、HealthOmicsのゲノムデータを組み合わせて精密医療の分析を行う。
• イベント駆動処理: データの更新をEventBridgeで受け、後続の集計や通知を起動する。

7. 設定・デプロイ手順（ハンズオン例）

1. HealthLakeコンソールでFHIR R4のデータストアを作成し、暗号化キー（AWS所有キーまたはカスタマー管理KMSキー。作成後は変更不可）を選ぶ。検証用にはオープンソースのサンプルデータ（Synthea）の事前投入も選べる。コンソールで作れるのはIAM（SigV4）認可のデータストアで、SMART on FHIR認可のデータストアはCLIやSDKで作成する。
2. S3バケットにFHIR R4データを配置し、HealthLakeが読み取れるIAMロールを用意する。
3. インポートジョブを開始し、完了後にFHIR APIで Patient や Condition などのリソースを検索して確認する。
4. Lake Formationで分析担当に権限を付与し、AthenaからSQLでデータを照会する。
5. 学習用のデータをS3へ出力し、SageMaker AIの学習ジョブやData Wranglerで前処理・学習を行う。
6. CloudTrailとCloudWatchで操作と稼働状況を監視し、検証が終わったデータストアは削除する。

8. 試験で問われやすいポイント