Yapay zeka ve makine öğrenmesi, cerrahi müdahale söz konusu olduğunda önemli bir rol oynar. Hastalar için ameliyat kararı hayatı değiştirebilir. Bireysel sonuçları tahmin edebilme özelliği, hastaların ve doktorların uygun eylemleri gerçekleştirmesini ve ilişkili riskleri daha iyi anlamasını sağlar. Bu makalede, ameliyatlar için risk tahmininin nasıl uygulandığını gösteren bir başvuru mimarisi sağlanmaktadır.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
İş Akışı
Data source
Hasta merkezli veriler Hızlı Sağlık Hizmetleri Birlikte Çalışabilirlik Kaynakları (FHIR®), gerçek zamanlı Elektronik Sağlık Kayıtları (EHR), şirket içi ve üçüncü taraf veri kaynaklarından elde edilir.
Önemli
Hasta merkezli verileri kullandığınızda, kişisel verilerin dikkatle işlendiğinden ve eğitim ve test veri kümesinin dışında tutulduğundan emin olmanız gerekir.
Ameliyat riskini tahmin ederken aşağıdaki veri noktalarını göz önünde bulundurun:
- Hasta demografik bilgileri
- Mevcut komorbiditeler ve bunların önem derecesi hakkında bilgi
- Hastanın güncel ilaç planı hakkında bilgi
- Hasta ameliyat öncesi kan testi bilgileri
- Sistem durumuyla ilgili diğer kritik bilgiler
Veri hazırlama
Veri hazırlama , makine öğrenmesi modelleri, iş zekası (BI) ve analiz ve veri görselleştirme uygulamaları oluşturmak için kullanabilmeniz için verileri toplama, birleştirme, yapılandırma ve düzenleme sürecidir.
- Azure Data Factory , daha fazla işlemeye hazır verileri dönüştürür, düzenler ve yükler.
- FHIR için Azure API, hızlı veri alışverişi sağlar.
- Azure Synapse Analytics verileri işler ve Azure Machine Learning denemelerini tetikler.
- Azure Data Lake , hasta merkezli bilgileri düz dosyalarda açıklayan tablosal verileri depolar.
Yapay zeka / makine öğrenmesi - eğitim
Model eğitimi , verilere dayalı desenleri öğrenmek ve daha önce görünmeyen hastaların ameliyat riskini tahmin edebilen bir model seçmek için makine öğrenmesi algoritması kullanma işlemidir.
Azure Machine Learning modeli eğitmektedir. Azure Machine Learning, makine öğrenmesi proje yaşam döngüsünü hızlandıran ve yöneten bir bulut hizmetidir. Yaşam döngüsü eğitim modellerini, modelleri dağıtmayı ve Machine Learning İşlemlerini (MLOps) yönetmeyi içerir.
Bu kullanım örneği için, açıklanabilecek modelleri kullanmanız gerekir. Sorumlu Yapay Zeka Araç Kutusu'ndaki etkileşimli yorumlanabilirlik panosunun yardımıyla, proje katılımcıları tüm hastalar için belirli bir riski belirlemede önemli rol oynayan faktörleri net bir şekilde anlayabilir. Sorumlu Yapay Zeka Araç Kutusu ayrıca hasta düzeyinde yorum sağlar. Bu yorum, klinisyenlerin belirli tedaviler için tedavileri özelleştirmelerine yardımcı olur.
Sorumlu Yapay Zeka Araç Kutusu, modellerde cinsiyet ve ırk gibi korumalı sınıflara yönelik sapmaları algılamaya yönelik etkileşimli bir pano sağlar. Eğitim verileri ameliyat olan hastaları temel aldığı için, paydaşların modelin aldığı verilerdeki doğal yanlılıkları anlaması gerekir. Seçilen model korumalı sınıflara karşı taraflı olduğunda, model azaltma için Sorumlu Yapay Zeka Araç Kutusu'nu kullanabilirsiniz.
Yapay zeka / makine öğrenmesi - çıkarım
Makine öğrenmesi çıkarımı , sayısal puan gibi bir çıktı hesaplamak için daha önce görünmeyen veri noktalarını bir makine öğrenmesi modeline besleme işlemidir. Bu durumda, hastaların risklerini belirlemek için kullanılır.
Model kayıt defteri Azure Machine Learning'de yerleşik olarak bulunur. Modelleri Azure bulutunda depolamak ve sürüme almak için kullanılır. Model kayıt defteri, eğitilen modelleri düzenlemeyi ve izlemeyi kolaylaştırır.
Eğitilmiş bir makine öğrenmesi modelinin, çıkarım için yeni verilerin bu veri üzerinden beslenebilmesi için dağıtılması gerekir. Önerilen dağıtım hedefi, Azure tarafından yönetilen bir uç noktadır.
Ameliyat kuyruğundaki yeni hastalar için dağıtılan model kullanılabilir ve olası riskler hastanın geçmiş sağlık bilgilerine göre çıkarılabilir. Klinisyenler ve hasta ameliyat risklerini anlayabilir ve uygun bir tedavi seyrini belirleyebilir.
Analitik iş yükü
Model puanlama sonuçları, giriş verilerinin toplandığı Azure Synapse Analytics ve Azure Data Lake gibi analiz sistemlerine geri kaydedilir. Bu, hasta ve klinisyen tüketimi, model izleme ve tahmin modellerini yeniden eğiterek yeni kullanılabilir verilerden öğrenmelerine yardımcı olmak için risk tahmininin sonuçlarını ön uca kaynak olarak belirlemeye yardımcı olur.
Ön uç modeli tüketimi
Puanlanan sonuçları bir web uygulamaları platformu aracılığıyla kullanabilirsiniz: Power BI ve Power Apps. Sonuçlara hasta ve klinisyen web portalları ve uygulamaları üzerinden de erişilebilir. Bu sayede hastalar ve klinisyenler tarihi bilgilerle birlikte en güncel bilgilere erişebilir, daha doğru bir teşhis ve tedavinin en iyi seyrini ortaya koymalarını sağlar.
Bileşenler
- Azure Synapse Analytics , veri ambarları ve büyük veri sistemleri arasında içgörü elde etme süresini hızlandıran bir kurumsal analiz hizmetidir. Azure Synapse, kurumsal veri ambarı için kullanılan en iyi SQL teknolojilerini, büyük veriler için kullanılan Spark teknolojilerini, günlük ve zaman serisi analizi için Azure Veri Gezgini'yi, veri tümleştirme ve ayıklama, dönüştürme, yükleme (ETL)/ayıklama, yükleme, dönüştürme (ELT) ve Power BI, Azure Cosmos DB ve Azure Machine Learning gibi diğer Azure hizmetleriyle derin tümleştirmeyi bir araya getirir.
- FHIR için Azure API, FHIR API'leri aracılığıyla hızlı veri alışverişi sağlar. Bulutta yönetilen bir hizmet olarak platform (PaaS) teklifi tarafından desteklenir. Bu API, sistem durumu verileriyle çalışan herkesin Korumalı Sistem Durumu Bilgileri PHI'sini bulutta almalarını, yönetmelerini ve kalıcı hale getirebilmelerini kolaylaştırır.
- Azure Veri Fabrikası, veri taşımayı ve dönüştürmeyi otomatikleştiren bulut tabanlı bir veri tümleştirme hizmetidir.
- Azure Data Lake , verileri çeşitli şekillerde ve biçimlerde barındıran sınırsız bir veri depolama hizmetidir. Azure'daki analiz araçlarıyla kolay tümleştirme sağlar. Kurumsal düzeyde güvenlik ve izleme desteğine sahiptir. Arşivler, veri gölleri, yüksek performanslı bilgi işlem, makine öğrenmesi ve bulutta yerel iş yükleri için kullanabilirsiniz. Bu çözüm, makine öğrenmesi verileri için yerel bir veri deposu ve makine öğrenmesi modelini eğiten premium veri önbelleği sağlar.
- Azure Machine Learning , çok çeşitli makine öğrenmesi işlem hedeflerine daha kolay model geliştirme ve dağıtma için kurumsal düzeyde makine öğrenmesi hizmetidir. Tüm beceri düzeylerindeki kullanıcılara düşük kod tasarımcısı, otomatik makine öğrenmesi ve çeşitli tümleşik geliştirme ortamlarını destekleyen barındırılan bir Jupyter not defteri ortamı sağlar.
- Sorumlu Yapay Zeka Araç Kutusu , sorumlu yapay zekayı kullanıma hazır hale getirmenize yardımcı olan tümleşik araçlardan oluşan bir koleksiyondur. Bu araç kutusunu kullanarak modellerinizi değerlendirebilir ve daha hızlı bir şekilde kullanıcıya yönelik kararlar alabilirsiniz.
- Azure Machine Learning uç noktaları , istemcilerin eğitilmiş bir modelin çıkarım (puanlama) çıkışını almak için çağırabileceği HTTPS uç noktalarıdır. Uç nokta, anahtar belirteci kimlik doğrulaması ile kararlı bir puanlama URI'sini sağlar.
- Power BI , iş analizi ve görsel açıdan çevreleyici ve etkileşimli içgörüler sağlayan bir hizmet olarak yazılımdır (SaaS). Çeşitli veri kaynaklarına, kolay dönüştürme özelliklerine ve gelişmiş görselleştirmelere zengin bir bağlayıcı kümesi sağlar.
- Power Apps , iş gereksinimlerinize yönelik özel uygulamalar oluşturmak için hızlı bir geliştirme ortamı sağlayan bir veri platformuyla birlikte bir uygulama, hizmet ve bağlayıcı paketidir. Power Apps'i kullanarak verilerinize bağlanan iş uygulamalarını hızla oluşturabilirsiniz. Veriler, temel alınan veri platformunda (Microsoft Dataverse) veya SharePoint, Microsoft 365, Dynamics 365 ve SQL Server gibi çeşitli çevrimiçi ve şirket içi veri kaynaklarında depolanabilir.
Alternatifler
- Azure Machine Learning bu çözümde veri modelleme ve dağıtım sağlar. Ayrıca, kod öncelikli bir yaklaşım kullanarak çözümü Azure Databricks'te de oluşturabilirsiniz.
- Azure Synapse'e alternatif olarak Azure Databricks'i veri keşfi ve işleme için kullanabilirsiniz.
- Görselleştirme için Power BI yerine Grafana kullanabilirsiniz.
- Data Lake yerine Azure SQL Veritabanı'da verileri hazırlayabilirsiniz. Veri hazırlama ve analiz için Data Factory'i kullanabilirsiniz.
Senaryo ayrıntıları
Veri toplama teknolojilerindeki ilerlemeler ve veri standartlarındaki (taşıma, içerik, terminoloji ve güvenlik) gelişmeler, sağlık sektöründe yapay zeka ve makine öğrenmesinde giderek artan bir dönüşüm yarattı. Bu dönüşüm özellikle hasta bakımı ve sağlayıcı yönetiminde çığır açıcıdır. Ayrıca sigorta ve ilaç şirketlerine, bir hastanın refah ve genel sağlık geçmişine bütünsel bir bakış sağlayan dijital bağlantılı sistemler sunma fırsatı da sağlamıştır.
Risk katmanlaması ikili veya çok sınıflı sınıflandırma modeli kullanabilir. İkili sınıflandırma söz konusu olduğunda, sonuçlar başarılı veya riskli bir sonuca neden olan bir ameliyattır. Çok sınıflı sınıflandırma yaklaşımında sonuçları başarılı, orta veya ciddi/ölüm olarak daha da geliştirme fırsatı vardır. Her iki yaklaşım için de demografik bilgiler, komorbiditeler, geçerli ilaç planı, kan testi raporları ve hastanın genel sağlığına ışık tedavür eden diğer her şey dahil olmak üzere hasta merkezli verilere ihtiyacınız vardır.
Bir hastaya olası cerrahi sonuçları açıklama olanağı sağlayan şeffaf bir sistem geliştirmek, bunun gibi modellerin birincil hedefi olmalıdır. Saydamlık ve yorumlanabilirlik, klinisyenlerin hastalarla anlamlı konuşmalar yapmasını sağlar ve ameliyat gerçekleşmeden önce bir tedavi planı oluşturmalarını sağlar.
Hastaların farklı geçmişlerden geldiğini kabul etmek de önemlidir. Cinsiyet ve ırk gibi korumalı sınıflara karşı önyargısız bir model oluşturmanız gerekir. Yansız bir model, hastalara olumlu bir cerrahi sonuç elde etme şanslarını en üst düzeye çıkarmak için arka planlarından bağımsız olarak taraflı olmayan tıbbi destek sağlar. Bu makaledeki mimari, Sorumlu Yapay Zeka Araç Kutusu'ndaki yorumlanabilirlik ve yanlılık algılama araçlarını kullanır.
Dünyanın en büyük sağlık kuruluşlarından biri olan Birleşik Krallık'taki National Sistem Sağlığı Hizmeti s, ortopedik cerrahi için risk katmanlama modellerinde Azure Machine Learning platformunu ve Sorumlu Yapay Zeka Araç Kutusu'nu kullanır. Daha fazla bilgi için bkz . İki NHS cerrahı, ameliyat sırasında artan risklerle karşılaşan hastaları tespit etmek için Azure AI kullanıyor.
Ya da şu kısa videoyu izleyin:
Azure Active Directory artık Microsoft Entra ID. Daha fazla bilgi için bkz. Azure AD için yeni ad.
Olası kullanım örnekleri
Bu çözüm sağlık sektörü için idealdir. Risk katmanlama modelleri şu senaryolar için geçerlidir:
- Klinik tıp. Ortopedik cerrahi, kalp cerrahisi, göz cerrahisi ve diğer ameliyat türlerinin cerrahi sonuçlarını tahmin edin.
- Halk sağlığı. Tıbbi uzmanların ve politika yapıcıların coğrafi alanlardaki yerleşikler arasında belirli hastalıkların yayılmasını anlamasına yardımcı olun, örneğin, kaç sakinin COVID'ye karşı duyarlı olduğunu belirlemek için.
- Epidemiyoloji. Plasbo ile karşılaştırıldığında bir tedavinin sonuçlarını daha iyi anlamak için klinik çalışmalar uygulayın.
Dikkat edilmesi gereken noktalar
Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanabileceğiniz bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.
Bu mimarideki teknolojiler, maliyetleri yönetmek ve denetlemek amacıyla ölçeklenebilirlik ve kullanılabilirlik için seçildi.
Güvenilirlik
Güvenilirlik, uygulamanızın müşterilerinize sağladığınız taahhütleri karşılayabilmesini sağlar. Daha fazla bilgi için bkz . Güvenilirlik sütununa genel bakış.
Bu mimarideki bileşenler yüksek güvenilirlik sunar. Ancak makine öğrenmesi ve analiz görevleri iki bölümden oluşur: eğitim ve üretim dağıtımı. Eğitim için gereken kaynaklar genellikle yüksek kullanılabilirlik gerektirmez. Üretim dağıtımı için yüksek kullanılabilirlik, Azure Machine Learning uç noktaları tarafından tam olarak desteklenir.
Güvenlik
Güvenlik, kasıtlı saldırılara ve değerli verilerinizin ve sistemlerinizin kötüye kullanılmasına karşı güvence sağlar. Daha fazla bilgi için bkz . Güvenlik sütununa genel bakış.
Bu senaryo, bileşenlerde yerleşik olarak bulunan gelişmiş güvenlik sağlar. Ayrıca Microsoft Entra kimlik doğrulaması veya rol tabanlı erişim denetimi aracılığıyla yönetebileceğiniz izinler de sağlar. Uygun güvenlik düzeyleri oluşturmak için kurumsal güvenliğe yönelik aşağıdaki Azure Machine learning en iyi yöntemlerini göz önünde bulundurun.
Azure Synapse, verileri korumak, ağ güvenliğini iyileştirmek ve tehdit korumasını geliştirmek için bileşen yalıtımı sağlayan kurumsal düzeyde ve sektör lideri güvenlik özellikleri sunar. Bileşen yalıtımı, güvenlik açığı söz konusu olduğunda maruz kalma süresini en aza indirgeyebilir. Azure Synapse, hassas kişisel verileri korumak için verilerin gizlenmeye de olanak tanır.
Azure Data Lake, geliştirilmiş veri koruma ve veri maskelemeden gelişmiş tehdit korumasına kadar tüm düzeylerde güvenlik özellikleri sağlar. Daha fazla bilgi için bkz . Azure Data Lake güvenliği.
Bu mimarinin güvenlik özellikleri hakkında daha fazla bilgi için aşağıdaki kaynaklara bakın:
- Ayrılmış Azure hizmetlerini sanal ağlara dağıtma
- Azure Machine Learning için kurumsal güvenlik ve idare
- Güvenlik sütununa genel bakış
Önemli
Sağlık verilerini işlerken hastaların kişisel verilerinin dikkatle işlendiğinden ve HIPAA standartlarına uygun olduğundan emin olmanız gerekir. Kişisel olarak tanımlanabilir veriler gerekiyorsa, daha fazla kapanım veya homomorfik şifreleme çözümleri uygulamanız gerekebilir.
Maliyet iyileştirme
Maliyet iyileştirmesi, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri iyileştirmenin yollarını aramaktır. Daha fazla bilgi için bkz . Maliyet iyileştirme sütununa genel bakış.
- Kaynakların ölçeklenebilirliği, gerektiğinde maliyetleri iyileştirmek için etkinleştirilen analiz iş yüküne, eğitime ve dağıtım iş yüklerine bağlıdır.
- Bu çözümü uygulama maliyetini tahmin etmek için azure fiyatlandırma hesaplayıcısını kullanarak bu makalede açıklanan hizmetleri yazın. Maliyet iyileştirme sütunlarına genel bakış da yararlı olabilir.
Operasyonel mükemmellik
Operasyonel mükemmellik, bir uygulamayı dağıtan ve üretimde çalışır durumda tutan operasyon süreçlerini kapsar. Daha fazla bilgi için bkz . Operasyonel mükemmellik sütununa genel bakış.
Birden çok çalışma alanında ölçeklenebilir bir uçtan uca makine öğrenmesi yaşam döngüsünü standartlaştırmak ve yönetmek için MLOps yönergelerini izleyin. Üretime geçmeden önce, uygulanan çözümün yeniden eğitme döngüleri ve modellerin otomatik yeniden dağıtımları ile devam eden çıkarımları desteklediğinden emin olun. Dikkate alınması gereken bazı kaynaklar şunlardır:
Azure Machine Learning'in bir parçası olarak sorumlu yapay zeka, yapay zeka geliştirme ve kullanımın altı temelini temel alır: eşitlik, güvenilirlik ve güvenlik, gizlilik ve güvenlik, kapsayıcılık, saydamlık ve sorumluluk. Genel bakış ve uygulama ayrıntıları için bkz . Sorumlu yapay zeka nedir?.
Performans verimliliği
Performans verimliliği, kullanıcılar tarafından anlamlı bir şekilde yerleştirilen talepleri karşılamak amacıyla iş yükünüzü ölçeklendirme becerisidir. Daha fazla bilgi için bkz . Performans verimliliği sütununa genel bakış.
Bu senaryodaki bileşenlerin çoğu, analiz etkinliği düzeylerine bağlı olarak ölçeği artırılabilir veya azaltılabilir. Azure Synapse ölçeklenebilirlik ve yüksek performans sağlar ve düşük etkinlik düzeylerinde azaltılabilir veya duraklatılabilir.
Azure Machine Learning'i veri miktarına ve model eğitimi için gerekli işlem kaynaklarına göre ölçeklendikleyebilirsiniz. Dağıtım ve işlem kaynaklarını beklenen yük ve puanlama hizmetine göre ölçeklendikleyebilirsiniz.
Ölçeklenebilir çözümler tasarlama hakkında daha fazla bilgi için bkz . Performans verimliliği denetim listesi.
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazar:
- Manasa Ramalinga | Ana Bulut Çözümü Mimarı, ABD Ulusal CSA Ekibi
Diğer katkıda bulunan:
- Mick Alberts | Teknik Yazar
Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.
Sonraki adımlar
- Azure Health Veri Hizmetleri nedir?
- FHIR için Azure API
- Azure Machine Learning nedir?
- MLflow ve Azure Machine Learning ile ML modellerini izleme
- Azure Data Factory belgeleri
- Azure Synapse Analytics nedir?
- Azure SQL Veritabanı nedir?
- Power BI nedir?
- Sağlık hizmetleri için Microsoft Bulut nedir?