يلعب الذكاء الاصطناعي والتعلم الآلي دورا محوريا عندما يتعلق الأمر بالتدخل الجراحي. بالنسبة للمرضى، يمكن أن يتغير قرار الخضوع للجراحة. تمكن القدرة على التنبؤ بالنتائج الفردية المرضى والأطباء من اتخاذ الإجراءات المناسبة وفهم المخاطر المرتبطة بها بشكل أفضل. توفر هذه المقالة بنية مرجعية توضح كيفية تنفيذ التنبؤ بالمخاطر للعمليات الجراحية.
بناء الأنظمة
قم بتنزيل ملف Visio لهذه البنية.
سير العمل
Data source
يتم الحصول على البيانات التي تركز على المرضى من موارد التشغيل التفاعلي للرعاية الصحية السريعة (FHIR®)، والسجلات الصحية الإلكترونية في الوقت الحقيقي (EHR)، ومصادر البيانات المحلية، ومصادر البيانات التابعة لجهات خارجية.
هام
عند استخدام البيانات التي تركز على المريض، تحتاج إلى التأكد من معالجة البيانات الشخصية المحددة بعناية واستبعادها من مجموعة بيانات التدريب والاختبار.
ضع في اعتبارك نقاط البيانات التالية عند التنبؤ بمخاطر الجراحة:
- المعلومات الديموغرافية للمرضى
- معلومات حول ال comorbidities الموجودة وشدتها
- معلومات حول خطة المريض الحالية للأدوية
- معلومات اختبار الدم قبل الجراحة للمريض
- معلومات أخرى مهمة متعلقة بالصحة
تحضير البيانات
إعداد البيانات هو عملية جمع البيانات والجمع بينها وتنظيمها بحيث يمكنك استخدامها لبناء نماذج التعلم الآلي والمعلومات المهنية (BI) والتحليلات وتطبيقات تصور البيانات.
- يقوم Azure Data Factory بتحويل البيانات الجاهزة لمزيد من المعالجة وتنسيقها وتحميلها.
- تتيح واجهة برمجة تطبيقات Azure ل FHIR التبادل السريع للبيانات.
- يعالج Azure Synapse Analytics البيانات ويشغل تجارب Azure التعلم الآلي.
- يخزن Azure Data Lake البيانات الجدولية التي تصف المعلومات التي تركز على المريض في الملفات الثابتة.
الذكاء الاصطناعي / التعلم الآلي - التدريب
تدريب النموذج هو عملية استخدام خوارزمية التعلم الآلي لمعرفة أنماط تستند إلى البيانات واختيار نموذج قادر على التنبؤ بخطر الجراحة للمرضى الذين لم يتمكنوا من الإطلاع سابقا.
يقوم Azure التعلم الآلي بتدريب النموذج. Azure التعلم الآلي هي خدمة سحابية تعمل على تسريع وإدارة دورة حياة مشروع التعلم الآلي. تتضمن دورة الحياة نماذج التدريب ونشر النماذج وإدارة عمليات التعلم الآلي (MLOps).
بالنسبة لحالة الاستخدام هذه، تحتاج إلى استخدام النماذج التي يمكن شرحها. بمساعدة لوحة معلومات قابلية التفسير التفاعلية في مربع أدوات الذكاء الاصطناعي المسؤول، يمكن للمساهمين فهم العوامل التي تلعب دورا رئيسيا في تحديد خطر معين لجميع المرضى. يوفر مربع أدوات الذكاء الاصطناعي المسؤول أيضا الترجمة الفورية على مستوى المريض. يساعد هذا التفسير الأطباء على تخصيص العلاجات لعلاجات محددة.
يوفر مربع أدوات الذكاء الاصطناعي المسؤول لوحة معلومات تفاعلية للكشف عن التحيز تجاه الفئات المحمية مثل الجنس والعرق في النماذج. نظرا لأن بيانات التدريب تستند إلى المرضى الذين خضعوا للجراحة، يحتاج أصحاب المصلحة إلى فهم أي تحيزات متأصلة في البيانات التي التقطها النموذج. عندما يكون النموذج المختار متحيزا تجاه الفئات المحمية، يمكنك استخدام مربع أدوات الذكاء الاصطناعي المسؤول للتخفيف من حدة النموذج.
الذكاء الاصطناعي / التعلم الآلي - الاستدلال
استنتاج التعلم الآلي هو عملية تغذية نقاط البيانات غير المرئية سابقا في نموذج التعلم الآلي لحساب الإخراج، مثل النتيجة الرقمية. في هذه الحالة، يتم استخدامه لتحديد المخاطر التي يتعرض لها المرضى.
تم تضمين سجل النموذج في Azure التعلم الآلي. يتم استخدامه لتخزين النماذج وإصدارها في سحابة Azure. يسهل سجل النموذج تنظيم النماذج المدربة وتتبعها.
يجب نشر نموذج التعلم الآلي المدرب بحيث يمكن تغذية البيانات الجديدة من خلاله للاستدلال. هدف النشر الموصى به هو نقطة نهاية مدارة من Azure.
بالنسبة لأي مريض جديد في قائمة الانتظار للجراحة، يمكن استخدام النموذج المنشور، ويمكن استنتاج المخاطر المحتملة بناء على المعلومات الصحية التاريخية للمريض. يمكن للأطباء والمريض فهم مخاطر الجراحة وتحديد مسار علاج مناسب.
حمل العمل التحليلي
يتم حفظ نتائج تسجيل النموذج مرة أخرى في أنظمة التحليلات، وفي هذه الحالة Azure Synapse Analytics وAzure Data Lake، حيث يتم جمع بيانات الإدخال. يساعد هذا في تحديد مصادر نتائج التنبؤ بالمخاطر إلى الواجهة الأمامية لاستهلاك المرضى والعيادات، ومراقبة النموذج، وإعادة تدريب نماذج التنبؤ لمساعدتهم على التعلم من البيانات المتاحة حديثا.
استهلاك نموذج الواجهة الأمامية
يمكنك استهلاك النتائج المسجلة من خلال النظام الأساسي لتطبيقات الويب: Power BI وPower Apps. ويمكن أيضا الوصول إلى النتائج من خلال بوابات وتطبيقات الويب للمرضى والعيادات. وهذا يمكن المرضى والأطباء من الوصول إلى أحدث المعلومات، إلى جانب المعلومات التاريخية، للحصول على تشخيص أكثر دقة ولتقدير أفضل مسار للعلاج.
المكونات
- Azure Synapse Analytics هي خدمة تحليلات مؤسسية تعمل على تسريع الوقت للحصول على نتيجة تحليلات عبر مستودعات البيانات وأنظمة البيانات الضخمة. يجمع Azure Synapse بين أفضل تقنيات SQL المستخدمة في تخزين بيانات المؤسسة وتقنيات Spark المستخدمة للبيانات الضخمة وAzure Data Explorer لتحليلات السجل والسلاسل الزمنية ومسارات تكامل البيانات واستخراجها وتحويلها وتحميلها (ETL)/استخراجها وتحميلها وتحويلها (ELT) والتكامل العميق مع خدمات Azure الأخرى، مثل Power BI وAzure Cosmos DB وAzure التعلم الآلي.
- تتيح واجهة برمجة تطبيقات Azure ل FHIR التبادل السريع للبيانات من خلال واجهات برمجة تطبيقات FHIR. يتم دعمه من خلال عرض نظام أساسي مدار كخدمة (PaaS) في السحابة. تسهل واجهة برمجة التطبيقات هذه على أي شخص يعمل مع البيانات الصحية استيعاب PHI للمعلومات الصحية المحمية وإدارتها واستمرارها في السحابة.
- Azure Data Factory هي خدمة تكامل بيانات مستندة إلى السحابة تعمل على أتمتة حركة البيانات وتحويلها.
- Azure Data Lake هي خدمة تخزين بيانات لا حدود لها لبيانات الإسكان في أشكال وتنسيقات مختلفة. يوفر تكاملا سهلا مع أدوات التحليلات في Azure. لديها دعم الأمان والمراقبة على مستوى المؤسسة. يمكنك استخدامه للأرشيفات وبحيرات البيانات والحوسبة عالية الأداء والتعلم الآلي وأحمال العمل السحابية الأصلية. يوفر هذا الحل مخزن بيانات محلي لبيانات التعلم الآلي وذاكرة تخزين مؤقت للبيانات المتميزة لتدريب نموذج التعلم الآلي.
- Azure التعلم الآلي هي خدمة التعلم الآلي على مستوى المؤسسة لتسهيل تطوير النموذج ونشره إلى مجموعة واسعة من أهداف حساب التعلم الآلي. فهو يوفر للمستخدمين على جميع مستويات المهارات مصمما منخفض التعليمات البرمجية والتعلم الآلي الآلي وبيئة دفتر ملاحظات Jupyter مستضافة تدعم بيئات التطوير المتكاملة المختلفة.
- مربع أدوات الذكاء الاصطناعي المسؤول عبارة عن مجموعة من الأدوات المتكاملة لمساعدتك على تشغيل الذكاء الاصطناعي المسؤولة. باستخدام مربع الأدوات هذا، يمكنك تقييم نماذجك واتخاذ قرارات تواجه المستخدم بسرعة أكبر.
- نقاط نهاية Azure التعلم الآلي هي نقاط نهاية HTTPS التي يمكن للعملاء الاتصال بها لتلقي إخراج الاستدلال (تسجيل) لنموذج مدرب. توفر نقطة النهاية URI تسجيل ثابت مع مصادقة الرمز المميز للمفتاح.
- Power BI هو برنامج كخدمة (SaaS) يوفر تحليلات الأعمال والرؤى الشاملة والتفاعلية بصريا. يوفر مجموعة غنية من الموصلات لمصادر البيانات المختلفة، وقدرات التحويل السهلة، والتصور المتطور.
- إن Power Apps عبارة عن مجموعة من التطبيقات والخدمات والموصلات، بالإضافة إلى نظام أساسي للبيانات، يوفر بيئة تطوير سريعة لإنشاء تطبيقات مخصصة لاحتياجات عملك. يمكنك استخدام Power Apps لإنشاء تطبيقات الأعمال التي تتصل ببياناتك بسرعة. يمكن تخزين البيانات في النظام الأساسي للبيانات الأساسية (Microsoft Dataverse) أو في مصادر بيانات مختلفة عبر الإنترنت وفي أماكن العمل، مثل SharePoint وMicrosoft 365 وDynamics 365 وSQL Server.
البدائل
- يوفر Azure التعلم الآلي نمذجة البيانات ونشرها في هذا الحل. يمكنك أيضا إنشاء الحل في Azure Databricks، باستخدام نهج التعليمات البرمجية أولا.
- كبديل ل Azure Synapse، يمكنك استخدام Azure Databricks لاستكشاف البيانات ومعالجتها.
- يمكنك استخدام Grafana بدلا من Power BI للتصور.
- يمكنك تنظيم البيانات في قاعدة بيانات Azure SQL بدلا من Data Lake. يمكنك استخدام Data Factory للتقسيم المرحلي للبيانات وتحليلها.
تفاصيل السيناريو
أدت التطورات في تقنيات جمع البيانات والتطورات في معايير البيانات (النقل والمحتوى والمصطلحات والأمن) إلى تحول متزايد في الذكاء الاصطناعي والتعلم الآلي في صناعة الرعاية الصحية. هذا التحول هو حجر الأساس بشكل خاص في رعاية المرضى وإدارة مقدمي الخدمات. كما وفرت فرصة لشركات التأمين والأدوية لتقديم أنظمة متصلة رقميا تمكن من رؤية شاملة لرفاهية المريض وتاريخ الرعاية الصحية الشامل.
يمكن أن تستخدم طبقات المخاطر إما نموذج تصنيف ثنائي أو متعدد الفئات. في حالة التصنيف الثنائي، تكون النتائج عملية جراحية تؤدي إما إلى نتيجة ناجحة أو محفوفة بالمخاطر. في نهج التصنيف متعدد الطبقات، هناك فرصة لزيادة تحسين النتائج على أنها ناجحة أو متوسطة أو شديدة/وفاة. لأي من النهجين، تحتاج إلى بيانات تركز على المريض، بما في ذلك المعلومات الديموغرافية، وال comorbidities، وخطة الأدوية الحالية، وتقارير اختبار الدم، وأي شيء آخر يمكن أن يضاء على الصحة العامة للمريض.
يجب أن يكون تطوير نظام شفاف يوفر القدرة على شرح النتائج الجراحية المحتملة للمريض هو الهدف الأساسي لنماذج مثل هذه. تساعد الشفافية وقابلية التفسير الأطباء على إجراء محادثات ذات مغزى مع المرضى وتتيح لهم وضع خطة علاجية قبل إجراء الجراحة.
من المهم أيضا الاعتراف بأن المرضى يأتون من خلفيات متنوعة. تحتاج إلى إنشاء نموذج خال من التحيز نحو فئات محمية مثل الجنس والعرق. يوفر النموذج غير المتحيز دعما طبيا غير متحيز للمرضى، بغض النظر عن خلفياتهم، لزيادة فرصهم في الحصول على نتيجة جراحية إيجابية. تستخدم البنية في هذه المقالة أدوات قابلية التفسير والكشف عن التحيز من مربع أدوات الذكاء الاصطناعي المسؤول.
واحدة من أكبر مؤسسات الرعاية الصحية في العالم، الخدمات الصحية الوطنية في المملكة المتحدة، تستخدم منصة Azure التعلم الآلي وعلبة أدوات الذكاء الاصطناعي المسؤولة لنماذج طبقات المخاطر لجراحة العظام. لمزيد من المعلومات، راجع اثنين من جراحي NHS يستخدمون Azure الذكاء الاصطناعي لاكتشاف المرضى الذين يواجهون مخاطر متزايدة أثناء الجراحة.
أو شاهد هذا الفيديو القصير:
لقد أصبح Azure Active Directory هو Microsoft Entra IDالآن. لمزيد من المعلومات، راجع اسم جديد ل Azure AD.
حالات الاستخدام المحتملة
هذا الحل مثالي لصناعة الرعاية الصحية. تنطبق نماذج تقسيم المخاطر على هذه السيناريوهات:
- الطب السريري. توقع النتائج الجراحية للمرضى الذين يخضعون لجراحة العظام وجراحة القلب وجراحة العين وأنواع أخرى من العمليات الجراحية.
- الصحة العامة. مساعدة المهنيين الطبيين وصانعي السياسات على فهم انتشار أمراض محددة بين المقيمين في المناطق الجغرافية، على سبيل المثال، لتحديد عدد السكان المعرضين للإصابة بمرض كوفيد.
- علم الأوبئة. تنفيذ التجارب السريرية لفهم نتائج العلاج بشكل أفضل مقارنة بالغفل.
الاعتبارات
تطبق هذه الاعتبارات ركائز إطار العمل جيد التصميم في Azure، وهي مجموعة من المبادئ التوجيهية التي يمكنك استخدامها لتحسين جودة حمل العمل. لمزيد من المعلومات، راجع Microsoft Azure Well-Architected Framework.
تم اختيار التقنيات في هذه البنية لقابلية التوسع والتوافر، بهدف إدارة التكاليف والتحكم فيها.
الموثوقيه
تضمن الموثوقية أن التطبيق الخاص بك يمكنه الوفاء بالالتزامات التي تقوم بها لعملائك. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم للموثوقية.
تتميز المكونات في هذه البنية بموثوقية عالية. ومع ذلك، تتكون مهام التعلم الآلي والتحليلات من جزأين: التدريب ونشر الإنتاج. لا تتطلب الموارد المطلوبة للتدريب عادة توفرا عاليا. لنشر الإنتاج، يتم دعم قابلية الوصول العالية بشكل كامل من قبل نقاط نهاية Azure التعلم الآلي.
الأمان
ويوفر عامل الأمان ضمانات للحماية من الهجمات المتعمدة واستغلال البيانات والأنظمة القيمة الخاصة بك. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم للأمان.
يوفر هذا السيناريو أمانا محسنا مضمنا في المكونات. كما يوفر الأذونات التي يمكنك إدارتها عبر مصادقة Microsoft Entra أو التحكم في الوصول المستند إلى الدور. ضع في اعتبارك أفضل ممارسات Azure التعلم الآلي التالية لأمان المؤسسة لإنشاء مستويات أمان مناسبة.
يوفر Azure Synapse ميزات أمان رائدة على مستوى المؤسسة توفر عزل المكونات لحماية البيانات وتحسين أمان الشبكة وتحسين الحماية من التهديدات. يمكن أن يقلل عزل المكونات من التعرض في حالة وجود ثغرة أمنية. يتيح Azure Synapse أيضا حجب البيانات لحماية البيانات الشخصية الحساسة.
يوفر Azure Data Lake قدرات أمان على جميع المستويات، من حماية البيانات المحسنة وإخفاء البيانات إلى الحماية المحسنة من التهديدات. لمزيد من المعلومات، راجع أمان Azure Data Lake.
لمزيد من المعلومات حول ميزات الأمان لهذه البنية، راجع الموارد التالية:
- توزيع خدمات Azure المخصصة في الشبكات الظاهرية
- أمان المؤسسة وحوكمتها ل Azure التعلم الآلي
- نظرة عامة على ركيزة الأمان
هام
عند التعامل مع بيانات الرعاية الصحية، تحتاج إلى التأكد من معالجة البيانات الشخصية للمرضى بعناية واتباع معايير HIPAA. إذا كانت البيانات الشخصية ضرورية، فقد تحتاج إلى تنفيذ المزيد من حلول التشفير المتجانس أو الجيب.
تحسين التكلفة
يتعلق تحسين التكلفة بالبحث عن طرق لتقليل النفقات غير الضرورية وتحسين الكفاءة التشغيلية. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم لتحسين التكلفة.
- تعتمد قابلية توسع الموارد على حمل عمل التحليلات والتدريب وأحمال العمل للتوزيع الممكنة لتحسين التكاليف حسب الحاجة.
- لتقدير تكلفة تنفيذ هذا الحل، استخدم حاسبة تسعير Azure، مع إدخال الخدمات الموضحة في هذه المقالة. يمكن أن تكون نظرة عامة على ركائز تحسين التكلفة مفيدة أيضا.
التميز التشغيلي
يغطي التميز التشغيلي العمليات التي تنشر تطبيقا وتبقيه قيد التشغيل في الإنتاج. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم للتميز التشغيلي.
اتبع إرشادات MLOps لتوحيد وإدارة دورة حياة التعلم الآلي الشاملة القابلة للتطوير عبر مساحات عمل متعددة. قبل الانتقال إلى الإنتاج، تأكد من أن الحل المنفذ يدعم الاستدلال المستمر مع دورات إعادة التدريب وإعادة التوزيع التلقائي للنماذج. فيما يلي بعض الموارد التي يجب مراعاتها:
تستند الذكاء الاصطناعي المسؤولة كجزء من Azure التعلم الآلي إلى الركائز الست للتطوير والاستخدام الذكاء الاصطناعي: الإنصاف والموثوقية والسلامة والخصوصية والأمان والشمولية والشفافية والمساءلة. للحصول على نظرة عامة وتفاصيل التنفيذ، راجع ما هي الذكاء الاصطناعي المسؤولة؟.
كفاءة الأداء
كفاءة الأداء هي قدرة حمل العمل الخاص بك على التوسع لتلبية الطلبات التي يضعها المستخدمون عليه بطريقة فعالة. لمزيد من المعلومات، راجع قائمة اختيار مراجعة التصميم لكفاءة الأداء.
يمكن توسيع معظم المكونات في هذا السيناريو لأعلى أو لأسفل اعتمادا على مستويات نشاط التحليل. يوفر Azure Synapse قابلية التوسع والأداء العالي ويمكن تقليله أو إيقافه مؤقتا عند مستويات منخفضة من النشاط.
يمكنك قياس Azure التعلم الآلي استنادا إلى كمية البيانات وموارد الحوسبة الضرورية لتدريب النموذج. يمكنك توسيع نطاق موارد النشر والحوسبة استنادا إلى خدمة التحميل والتسجل المتوقعة.
لمزيد من المعلومات حول تصميم حلول قابلة للتطوير، راجع قائمة التحقق من كفاءة الأداء.
المساهمون
تحتفظ Microsoft بهذه المقالة. وهي مكتوبة في الأصل من قبل المساهمين التاليين.
الكاتب الرئيسي:
- ماناسا رامالينغا | مهندس حلول السحابة الرئيسي، فريق CSA الوطني الأمريكي
المساهم الآخر:
- مايكل ألبرتس | كاتب تقني
لمشاهدة ملفات تعريف LinkedIn غير العامة، سجل الدخول إلى LinkedIn.
الخطوات التالية
- ما هي Azure Health Data Services؟
- واجهة برمجة تطبيقات Azure ل FHIR
- ماذا يُقصد بالتعلم الآلي من Azure؟
- تعقب نماذج التعلم الآلي باستخدام MLflow والتعلم الآلي من Azure
- وثائق Azure Data Factory
- ما المقصود بـ Azure Synapse Analytics؟
- ما هي قاعدة بيانات Azure SQL؟
- ما هو Power BI؟
- ما هو Microsoft Cloud for Healthcare؟