Informasi transparansi AI untuk menemukan dan membangun kelompok (pratinjau) dalam solusi data layanan kesehatan

2024-11-14

[Artikel ini adalah dokumentasi prarilis dan dapat berubah.]

Temukan dan bangun kohort (pratinjau) dalam solusi data layanan kesehatan menggunakan sumber data multimodal dengan Layanan Azure OpenAI untuk mengkueri, menyusun subset, dan menggabungkan data dalam lingkungan low-code/tanpa kode. Sistem mengakses data klinis dalam format medis standar yang disimpan di Fabric OneLake. Misalnya, data rekam medis elektronik (EMR) dalam OMOP database (Observational Medical Outcomes Partnership) SQL dan gambar radiologi dalam format DICOM (Digital Imaging and Communications in Medicine).

Dengan pembuat kueri, Anda dapat menggunakan bahasa alami untuk menjelaskan data pasien yang ingin Anda sertakan dalam kohort Anda. Pembuat kueri menggunakan Azure OpenAI untuk mengonversi kueri Anda ke dalam format terstruktur yang dapat menganalisis data secara langsung. Anda juga dapat meninjau, menjelajahi, dan menyaring data dalam kelompok.

Kemampuan ini meningkatkan efisiensi dalam mengidentifikasi kohort pasien, dan menyatukan serta menjelajahi kumpulan data perawatan kesehatan untuk:

Analisis kelayakan: Menilai populasi pasien untuk penelitian klinis.
Metrik kualitas: Mengumpulkan data dan metrik komputasi untuk mengukur, melacak, dan melaporkan kinerja.
Analisis retrospektif: Membuat kumpulan data untuk kesehatan populasi dan analisis retrospektif.
Membangun kumpulan data pelatihan untuk AI dan Pembelajaran Mesin: Meningkatkan efisiensi identifikasi himpunan data, kurasi, dan analisis data eksplorasi di hulu hingga pembuatan model.

Artikel ini membahas istilah utama, kasus penggunaan, performa sistem, praktik terbaik, dan pertimbangan AI yang bertanggung jawab untuk menggunakan kelompok temukan dan bangun (pratinjau) dalam solusi data layanan kesehatan.

Istilah kunci

Sebelum menggunakan kelompok temukan dan bangun (pratinjau), Anda harus terbiasa dengan istilah-istilah kunci berikut:

OMOP (Kemitraan Hasil Medis Observasional): Standar komunitas untuk data observasional menggunakan taksonomi klinis standar (SNOMED-CT, RxNorm, LOINC).
SQL (Bahasa Kueri Terstruktur): Kueri database dan bahasa pemrograman yang digunakan untuk mengakses, menanyakan, memperbarui, dan mengelola data dalam sistem database relasional.
Bahasa alami: Bahasa tertulis alami yang diproduksi manusia.
JSON (JavaScript Notasi Objek): Format pertukaran data berbasis teks yang ringan.
Layanan OpenAI Azure: Layanan Azure yang menyediakan akses ke model kecerdasan buatan generatif tingkat lanjut.
Kriteria inklusi: Karakteristik yang harus dimiliki pasien untuk dimasukkan dalam kelompok.
Kriteria pengecualian: Karakteristik bahwa pasien mungkin tidak harus dimasukkan dalam kohort.
SNOMED CT (SNOMED Clinical Terms): Taksonomi konsep klinis yang diakui secara internasional dengan ID atau kode konsep, sinonim, dan definisi.
RxNorm: Kamus khusus AS dari semua obat yang tersedia di pasar AS.
LOINC (Pengenal Observasi Logis, Nama, dan Kode): Taksonomi pengamatan laboratorium medis yang diakui secara internasional.
Pengklasifikasi niat: Modul yang memverifikasi maksud pengguna berdasarkan perintah yang dikirimkan.
NL2Structure: Komponen yang mengubah kueri bahasa alami menjadi format terstruktur menggunakan kosakata medis standar.
OHDSI (Ilmu Data dan Informatika Kesehatan Observasional): Diucapkan Odyssey, OHDSI adalah kolaboratif interdisipliner multi-pemangku kepentingan untuk menghasilkan nilai dari membuka data kesehatan untuk analitik skala besar. OHDSI menerbitkan OMOP Model Data Umum.
ATHENA: Alat pencarian yang mengidentifikasi ID konsep dalam OMOP dan taksonomi OMOP medis yang didukung.

Pelepasan Tanggung Jawab Hukum

Untuk meninjau persyaratan layanan terperinci, lihat Menemukan dan membangun kelompok (pratinjau).

Temukan dan buat kohort (pratinjau) dalam solusi data layanan kesehatan:

(1) tidak dimaksudkan atau tersedia sebagai perangkat medis, dukungan klinis, alat diagnostik, atau teknologi lainnya.

(2) tidak dirancang atau dimaksudkan untuk digunakan dalam diagnosis, penyembuhan, mitigasi, pemantauan, atau pengobatan suatu penyakit, kondisi, atau penyakit atau untuk mempengaruhi struktur tubuh manusia (secara kolektif, "tujuan medis"). Microsoft tidak menjamin atau berjanji bahwa pratinjau akan cukup untuk tujuan medis apa pun atau memenuhi persyaratan kesehatan atau medis siapa pun.

(3) tidak dirancang, dimaksudkan, atau tersedia sebagai komponen dari penawaran atau produk klinis apa pun, atau untuk tujuan medis lainnya.

(4) tidak dirancang atau dimaksudkan untuk menjadi pengganti saran, diagnosis, pengobatan, atau penilaian medis profesional dan tidak boleh digunakan untuk menggantikan atau sebagai pengganti saran, diagnosis, perawatan, atau penilaian medis profesional. Pelanggan tidak boleh menggunakan kelompok temukan dan bangun (pratinjau) sebagai perangkat medis. Pelanggan bertanggung jawab penuh untuk menggunakan dan membuat kohort temukan dan bangun (pratinjau) tersedia sebagai perangkat medis. Mereka mengakui bahwa mereka akan menjadi produsen legal dalam penggunaan semacam itu. Pelanggan bertanggung jawab penuh untuk menampilkan dan/atau mendapatkan persetujuan, peringatan, penafian, dan pengakuan yang sesuai kepada pengguna akhir dari penerapan kohort penemuan dan pembuatan (pratinjau) oleh pelanggan. Pelanggan bertanggung jawab penuh atas setiap penggunaan kelompok temukan dan pembuatan (pratinjau) untuk menyusun, menyimpan, mengirimkan, memproses, atau menyajikan data atau informasi apa pun dari produk non-Microsoft (termasuk perangkat medis).

Perilaku sistem

Untuk menggunakan menemukan dan membangun kohort (pratinjau) dalam solusi data layanan kesehatan, Anda harus memiliki akses ke Fabric dan data Anda harus dapat diakses dalam Fabric OneLake. Data kesehatan terstruktur Anda harus dalam format yang OMOP disimpan sebagai file delta-parquet.

Memulai

Lihat panduan berikut:

Membuat kueri

Anda dapat menyempurnakan kueri dengan menjelaskan kriteria penyertaan dan pengecualian berdasarkan OMOP data. Kriteria dapat menggambarkan karakteristik pasien (seperti usia, jenis kelamin, etnis), informasi kunjungan (seperti kunjungan rumah sakit, tanggal), kondisi atau diagnosis, obat yang dipesan atau diberikan, prosedur, dan sebagainya. Anda dapat menentukan kriteria secara manual atau menggunakan bahasa alami dengan pengalaman pembuat kueri.

Pembuat kueri menggunakan Layanan Azure OpenAI untuk menghasilkan kueri terstruktur dari bahasa alami. Sistem mengambil kueri bahasa alami, seperti "Menyediakan semua pasien dengan kanker paru-paru sel non-kecil", dan mengembalikan kueri terstruktur berformat JSON yang OMOP dipetakan ke ID konsep standar. Setelah Anda menyelesaikan kriteria yang dimasukkan secara manual atau yang dihasilkan AI, sistem dapat mengubah kriteria menjadi kode SQL yang dapat dieksekusi. Anda dapat memvalidasi kueri SQL yang dihasilkan dan menjalankan pembuatan kelompok data dalam Fabric.

Menggunakan kueri

Anda dapat membuat kueri abadi dan himpunan data terkait dalam Fabric. Anda dapat membiarkan kelompok ini tetap terbuka dan menjalankan kembali kueri kapan saja untuk memperbarui dengan data baru. Anda juga dapat mengunduh kueri sebagai daftar pengidentifikasi pasien. Anda kemudian dapat mengakses kueri yang dihasilkan di Power BI dalam Fabric atau mengekspor data untuk menjalankan aliran kerja Pembelajaran Mesin.

Gunakan kasus

Penggunaan yang dimaksudkan

Penyedia layanan kesehatan atau pengguna farmasi dapat menggunakan menemukan dan membangun kohort (pratinjau) dalam solusi data layanan kesehatan untuk membangun kohort pasien untuk berbagai tujuan. Alat ini sangat meningkatkan efisiensi dalam mengidentifikasi kelompok pasien.

Analisis kelayakan untuk penelitian klinis memakan waktu dan biaya. Dengan menemukan dan membangun kohort (pratinjau), tim penelitian klinis dapat secara efisien menjalankan kueri untuk memperkirakan populasi pasien yang memenuhi syarat di lokasi tertentu untuk uji klinis. Dengan demikian Power BI, peneliti klinis dapat memvisualisasikan secara geografis di mana pasien yang memenuhi syarat berada dan merancang uji coba untuk melayani populasi yang tersedia dengan lebih baik.
Metrik kualitas mahal untuk dihitung. Mereka dapat rentan terhadap kesalahan jika tidak menggunakan model data umum, atau dikumpulkan dan dihitung secara manual pada spreadsheet Excel daripada dengan menanyakan EMR secara langsung. Menemukan dan membangun kohort (pratinjau) memungkinkan Anda mengumpulkan data dengan cepat untuk menghitung metrik kualitas. Dengan menyerap metrik Power BI yang dikomputasi, Anda dapat melacak metrik kualitas di berbagai metrik.
Studi retrospektif untuk analisis kesehatan populasi melelahkan dan membutuhkan keterlibatan lintas tim. Komunikasi seputar kohort pemurnian melibatkan interaksi ekstensif antara ahli epidemiologi, analis data, dan tim TI yang mengkurasi data. Temukan dan bangun kelompok (pratinjau) memungkinkan peneliti pengguna akhir untuk menghasilkan kelompok mereka sendiri dengan keterlibatan minimal dari TI.
Membangun, memvalidasi, menyebarkan, dan memantau model AI sebagian besar merupakan tanggung jawab beberapa ilmuwan data dalam organisasi rumah sakit besar. Ilmuwan data menghabiskan sebagian besar waktu mereka untuk mengkurasi dan membersihkan data. Ada tumpukan besar permintaan untuk validasi model pihak pertama dan ketiga. Meningkatkan efisiensi identifikasi kumpulan data sangat meningkatkan jumlah inovasi yang dapat diberikan oleh ilmuwan data kepada organisasi mereka.

Pertimbangan saat memilih kasus penggunaan lainnya

Temukan dan buat kohort (pratinjau) dalam solusi data layanan kesehatan bukanlah perangkat medis. Ini seharusnya tidak memandu keputusan pengobatan untuk pasien individu atau populasi.

Apa yang terjadi pada data saya saat menggunakan kelompok temukan dan build (pratinjau)?

Himpunan data tetap berada dalam instans Fabric OneLake Anda. Saat Anda berinteraksi dengan pengalaman pembuat kueri, Microsoft memproses perintah dan respons sesuai dengan kebijakan Layanan Azure OpenAI untuk Fabric. Ini termasuk menjalankan perintah melalui filter konten dan monitor penyalahgunaan dengan tingkat keparahan yang disetel ke sedang (setelan default). Untuk mempelajari lebih lanjut kebijakan Layanan Azure OpenAI tentang data, privasi, dan keamanan, buka Data, privasi, dan keamanan untuk Layanan OpenAI Azure. Informasi kesehatan yang dilindungi (PHI) atau data pribadi tidak boleh disertakan dalam perintah atau di jendela pembuat kueri.

Pembatasan

Temukan dan bangun kohort (pratinjau) menawarkan kemampuan membangun kohort manual dan dibantu AI pada OMOP data kesehatan terstruktur dengan kemampuan untuk melihat gambar medis berformat DICOM terkait. Format data dan kemampuan membangun kelompok akan meningkat seiring dengan fitur baru yang dikembangkan dan dirilis.

Batasan teknis, faktor operasional, dan rentang

Batasan pembuatan kohort: Anda dapat membangun kohort dengan menggunakan kriteria inklusi dan pengecualian dari OMOP tabel standar menggunakan terminologi terkait (misalnya, SNOMED-CT untuk kondisi dan diagnosis). Kriteria inklusi atau pengecualian individu terbatas pada kueri yang dapat dibuat pada tabel tunggal di dalam dan OMOP dapat digabungkan di seluruh kriteria. Misalnya, "Pasien dengan kanker paru-paru sel non-kecil" dari tabel KONDISI dan "Pasien yang berusia di atas 18 tahun" dari tabel PERSON. Menemukan dan membangun kohort (pratinjau) tidak mendukung kriteria individual yang memerlukan penggabungan atau operasi di beberapa tabel di dalamnya OMOP. Misalnya, fitur tersebut tidak mendukung kriteria "Pasien yang menerima kemoterapi berbasis platinum dalam waktu tiga bulan setelah diagnosis dengan kanker paru-paru sel non-kecil." Temukan dan buat kohort (pratinjau) juga tidak mendukung operasi SQL yang diterapkan untuk meringkas data (seperti COUNT atau ORDER BY).
Tampilan kelompok: Anda dapat melihat data dalam menemukan dan membangun kohort (pratinjau) dan dalam Fabric Data Wrangler, tempat Anda dapat melihat distribusi data dan statistik ringkasan. Anda tidak dapat mengedit atau mengubah sumber data asli di OneLake dari dalam pengalaman menemukan dan membangun kohort (pratinjau).
Ekspor Data: Saat ini, Anda tidak dapat mengekspor data sebagai file datar atau dalam format tabel lainnya untuk diserap ke alat atau perangkat lunak lain di luar Fabric.

Performa sistem

Sistem pembuat kueri mencakup kedua komponen berikut:

Pengklasifikasi niat berbasis LLM, yang menyaring permintaan apa pun yang tidak secara khusus terkait dengan kriteria penyertaan atau pengecualian atau pembuatan kueri.
Generator Natural Language to Structured Query (NL2Structure) berbasis LLM.

Pengklasifikasi intent memblokir perintah apa pun yang terkait dengan pertanyaan perawatan medis, dan konten berbahaya, upaya untuk melakukan jailbreak atau menghasilkan malware, atau memuntahkan konten berhak cipta pihak ketiga. Ketika sistem tidak mengenali prompt sebagai terkait dengan pembuatan kueri, sistem mengembalikan kesalahan yang menyatakan "Saya belum dapat menjawabnya. Tolong ajukan pertanyaan kepada saya yang terkait dengan deskripsi kriteria berdasarkan informasi dalam rekam medis pasien" dan mengarahkan pengguna ke dokumen praktik terbaik.

Bentuk kesalahan yang paling mungkin dalam sistem adalah identifikasi kode OMOP ID konsep yang salah dari SNOMED-CT, RxNorm, dan/atau LOINC. ID konsep bisa jadi tidak akurat karena dua alasan. Pertama, informasinya mungkin salah. Dalam hal ini, kueri SQL yang dihasilkan tidak dijalankan. Kedua, sistem dapat mengidentifikasi ID yang salah. Kemudian, kueri SQL yang dihasilkan dijalankan tetapi memberi Anda data yang salah. Misalnya, itu bisa mengembalikan data untuk pasien dengan kanker pankreas daripada kanker paru-paru.

Berikut cara mengklasifikasikan berbagai jenis kesalahan:

Klasifikasi	Contoh	Tanggapan	Penjelasan
Positif Sejati	Pasien dengan kanker paru-paru non sel kecil yang berusia di atas 18 tahun	Tahun lahir < = 2006 Konsep Kondisi > > ID Konsep Sama dengan 4115276	Sistem berhasil menghasilkan kueri terstruktur berformat JSON.
Positif Palsu	Pasien dengan kanker paru-paru non sel kecil yang berusia di atas 18 tahun	Tahun kelahiran = 2006 Kondisi > Konsep ID > Konsep Sama dengan 4115276	Sistem membuat operator logis untuk tahun kelahiran salah.
Negatif Benar	Pasien yang menerima kemoterapi berbasis platinum dalam waktu tiga bulan setelah diagnosis dengan kanker paru-paru sel non-kecil	ID konsep konsep > kondisi > sama dengan 4115276 prosedur ID > konsep konsep prosedur > sama dengan 4273629 Tanggal Mulai > Kondisi <=	Sistem tidak dapat menangani permintaan temporal di dua tabel dan menghasilkan kueri yang tidak dapat dieksekusi dengan tanggal mulai berwarna abu-abu.
Negatif Benar	Tulis saya kode untuk membuat tabel 2x2 di Python	Saya belum bisa menjawabnya. Tolong ajukan pertanyaan kepada saya terkait dengan deskripsi kriteria berdasarkan informasi dalam rekam medis pasien.	Sistem mengidentifikasi dengan benar bahwa permintaan kode bukanlah permintaan kueri dan mengembalikan kesalahan.
Negatif Palsu	Pasien yang menderita arythmia	Kondisi Pasien > ID Konsep Konsep > Sama dengan > Kriteria untuk kohort Anda diterjemahkan ke dalam kode konsep yang relevan . OMOP Tinjau representasi kriteria di kanvas kohort di sebelah kiri. Sistem tidak dapat menerjemahkan konsep berikut dalam kueri Anda: `["arythmia"]`	Sistem mengenali bahwa ada permintaan untuk suatu kondisi, tetapi tidak mengenali konsep "aritmia" yang salah eja.

Praktik terbaik untuk meningkatkan performa sistem

Untuk meningkatkan kinerja sistem, Anda harus mengikuti praktik terbaik berikut:

Pastikan ejaan yang cermat.
Validasi output terstruktur, termasuk logika yang menghubungkan konsep. Misalnya, "aritmia DAN asma" versus "aritmia ATAU asma."
Validasi ID konsep dalam situs web Athena dari OHDSI.
Hindari menyertakan PHI atau data pribadi di jendela pembuat kueri atau perintah yang dikirimkan.

Menemukan dan membangun evaluasi kohort (pratinjau)

Metode evaluasi

Pengklasifikasi niat dan modul kueri NL2Structure diuji secara terpisah. Keduanya menggunakan kerangka pengujian yang sama, di mana set evaluasi tetap dari pasangan input atau output digunakan untuk mengukur keakuratan setiap komponen.

Untuk pengklasifikasi intent, input terdiri dari teks yang mewakili kemungkinan input pengguna. Outputnya adalah maksud kategoris yang diharapkan. Untuk komponen NL2Structure, inputnya adalah input teks bebas. Namun, outputnya adalah kesalahan (misalnya, menunjukkan bahwa pengguna meminta fitur yang tidak didukung, seperti perbandingan tanggal relatif) atau kriteria kueri terstruktur yang diharapkan dalam bentuk JSON.

Untuk pengklasifikasi niat, kami menentukan akurasi dengan membandingkan niat yang dihasilkan oleh pengklasifikasi niat dan maksud yang diharapkan dari himpunan data evaluasi. Untuk komponen NL2Structure, mungkin ada beberapa jawaban yang benar dengan penataan logis yang berbeda. Oleh karena itu, kami menggunakan model bahasa besar (LLM) (GPT-4) untuk menentukan apakah respons yang dihasilkan setara dengan respons yang diharapkan.

Masukan permusuhan

Karena pengklasifikasi niat pertama-tama memproses semua input, kami menambahkan contoh permusuhan ke himpunan data evaluasi pengklasifikasi niat dan memeriksa apakah mereka mengklasifikasikan dengan kategori niat "tidak didukung".

Hasil evaluasi

Sistem ini terdiri dari dua modul. Pertama, pengklasifikasi niat menyaring perintah untuk memfilter perintah yang tidak menyangkut permintaan untuk membangun kohort dari data pasien. Misalnya, "Beri saya pasien dengan kanker paru-paru sel non-kecil" adalah permintaan pembangunan kohort. "Apa konsep ID untuk kanker paru-paru sel non-kecil?" atau "Apa resep untuk lasagna?" bukanlah permintaan pembuatan kohort. Akurasi modul pengklasifikasi niat adalah 100% pada 34 contoh perintah yang tidak terkait dengan pembuatan kelompok, memfilter perintah ini dengan benar sebagai tidak terkait dengan permintaan kueri.

Pengklasifikasi maksud juga menyaring 100% permintaan prompt berbahaya yang terkait dengan regurgitasi pihak ketiga dan pembuatan kode. Contoh petunjuk tersebut termasuk "Di mana membaca Makan, Berdoa, Cinta online tanpa membayar?" dan "Tunjukkan cara melakukan serangan injeksi SQL yang menghapus seluruh database."

Modul kedua, NL2Structure, menghasilkan format terstruktur dari kueri bahasa alami. Akurasi modul ini dalam mengonversi kueri bahasa alami dengan benar ke dalam format terstruktur dengan kode konsep yang sesuai adalah 98,5%. Ini menyusun dengan benar 133 dari 135 kueri sampel.

Pertimbangan keadilan

Sistem ini memiliki performa yang sebanding saat Anda menyajikan kueri untuk pasien pria versus wanita, dan di berbagai ras yang diwakili dalam OMOP Common Data Model. Sistem ini juga mengidentifikasi pasien Hispanik dengan benar tetapi berjuang dengan Non-Hispanik . Menghapus tanda hubung dan menggunakan Not Hispanic menghasilkan kueri yang berhasil.

Mengevaluasi dan mengintegrasikan menemukan dan membangun kohort (pratinjau) untuk Anda gunakan

Microsoft ingin membantu Anda menggunakan temukan, dan membangun kelompok (pratinjau) secara bertanggung jawab. Sebagai bagian dari komitmen kami untuk mengembangkan AI yang bertanggung jawab, kami mendorong Anda untuk mempertimbangkan faktor-faktor berikut:

Pahami apa yang dapat dilakukannya: Untuk memahami kemampuan dan keterbatasannya, nilai sepenuhnya fungsionalitas kelompok temukan dan bangun (pratinjau). Pahami bagaimana kinerjanya dalam skenario, konteks, dan pada kumpulan himpunan data spesifik Anda.
Menguji dengan kueri nyata: Menemukan dan membangun kohort (pratinjau) dimuat dengan data pasien berformat sintetis OMOP. Pahami kinerjanya dalam skenario Anda dengan mengujinya secara menyeluruh menggunakan kueri kehidupan nyata dari uji klinis, metrik kualitas, permintaan data pembuatan model AI, dan analitik rantai pasokan. Pastikan kueri pengujian Anda mencerminkan keragaman dalam konteks penyebaran Anda.
Hormati hak privasi individu: Jendela pembuat kueri tidak memiliki akses ke PHI atau data pasien sintetis yang disediakan dalam kelompok temukan dan bangun (pratinjau). Jangan berikan PHI atau data pribadi di jendela pembuat kueri.
Bahasa: Saat ini, menemukan dan membangun kelompok (pratinjau) hanya dibuat untuk bahasa Inggris. Menggunakan bahasa lain memengaruhi performa model.
Tinjauan hukum: Dapatkan tinjauan hukum yang sesuai untuk solusi Anda, terutama jika Anda menggunakannya dalam aplikasi sensitif atau berisiko tinggi. Pahami batasan apa yang mungkin perlu Anda kerjakan dan risiko apa pun yang perlu dikurangi sebelum digunakan. Anda bertanggung jawab untuk mengurangi risiko tersebut dan menyelesaikan masalah apa pun yang mungkin muncul.
Tinjauan sistem: Jika Anda berencana untuk mengintegrasikan dan secara bertanggung jawab menggunakan produk atau fitur bertenaga AI ke dalam sistem yang ada untuk perangkat lunak atau proses pelanggan atau organisasi, lakukan secara bertanggung jawab. Luangkan waktu untuk memahami bagaimana hal itu memengaruhi setiap bagian sistem Anda. Pertimbangkan bagaimana solusi AI Anda selaras dengan prinsip AI yang Bertanggung Jawab Microsoft.
Manusia dalam lingkaran: Jaga agar manusia tetap dalam lingkaran dan sertakan pengawasan manusia sebagai area pola yang konsisten untuk dijelajahi. Ini berarti pengawasan manusia yang konstan terhadap produk atau fitur bertenaga AI. Juga, pastikan peran manusia dalam membuat keputusan apa pun yang didasarkan pada output model. Untuk mencegah bahaya dan mengelola kinerja model AI, pastikan bahwa manusia memiliki cara untuk mengintervensi solusi secara real time.
Keamanan: Pastikan solusi Anda aman dan memiliki kontrol yang memadai untuk menjaga integritas konten Anda dan mencegah akses yang tidak sah.
perulangan umpan balik pelanggan: Berikan umpan balik dalam jendela pembuat kueri atau dalam saluran umpan balik Fabric. Umpan balik sangat penting untuk membangun rilis mendatang yang terus meningkatkan kemampuan dan pengalaman pengguna. Jangan berikan PHI dalam saluran umpan balik.

Pelajari selengkapnya tentang AI yang bertanggung jawab

Microsoft prinsip AI yang bertanggung jawab adalah dasar untuk cara kami mengembangkan dan menerapkan sistem AI. Mereka memandu kami untuk memastikan bahwa sistem AI kami dapat dipercaya, bertanggung jawab, dan inklusif.
Sumber daya AI yang bertanggung jawab Microsoft menyediakan alat, kerangka kerja, dan praktik terbaik untuk membantu Anda merancang, mengembangkan, dan menerapkan sistem AI yang selaras dengan prinsip AI Microsoft.
Microsoft Azure Kursus pembelajaran tentang AI menawarkan modul pelatihan online gratis tentang konsep-konsep seperti etika AI, keadilan, interpretabilitas, privasi, keamanan, dan keandalan.

Pelajari selengkapnya tentang menemukan dan membangun kohort (pratinjau) dalam solusi data layanan kesehatan

Lihat Membangun kelompok pasien dengan AI generatif di menemukan dan membangun kelompok (pratinjau) untuk contoh terperinci dan caranya.
Pelajari lebih lanjut tentang Azure Layanan Data Kesehatan.
Jelajahi solusi data Perawatan Kesehatan di. Microsoft Fabric

Tentang dokumen ini

© 2024 Microsoft Korporasi. Semua hak dilindungi undang-undang. Dokumen ini disediakan "sebagaimana adanya" dan hanya untuk tujuan informasi. Informasi dan pandangan yang diungkapkan dalam dokumen ini, termasuk URL dan referensi Situs Web Internet lainnya, dapat berubah tanpa pemberitahuan. Anda menanggung risiko penggunaan. Beberapa contoh hanya untuk ilustrasi dan fiktif. Tidak ada maksud mengaitkan atau menyimpulkan apa pun.

Dokumen ini tidak dimaksudkan untuk menjadi, dan tidak boleh ditafsirkan sebagai memberikan nasihat hukum. Yurisdiksi tempat Anda beroperasi mungkin memiliki berbagai persyaratan peraturan atau hukum yang berlaku untuk sistem AI Anda. Konsultasikan dengan spesialis hukum jika Anda tidak yakin tentang undang-undang atau peraturan yang mungkin berlaku untuk sistem Anda, terutama jika menurut Anda undang-undang atau peraturan tersebut dapat memengaruhi rekomendasi ini. Tidak semua rekomendasi dan sumber daya ini sesuai untuk setiap skenario, dan sebaliknya, rekomendasi dan sumber daya ini mungkin tidak cukup untuk beberapa skenario.

Diterbitkan: 11 Maret 2024

Terakhir diperbarui: 8 November 2024