編輯

共用方式為

實作手術風險預測

Azure Machine Learning
Azure Synapse Analytics
Azure Data Factory
Azure Data Lake
Power BI

AI 和機器學習在手術干預方面扮演了關鍵角色。 對病患來說，接受手術的決定可能會改變生活。 預測個別結果的能力可讓病患和醫生採取適當的行動，並進一步了解相關聯的風險。 本文提供參考架構，示範如何實作手術的風險預測。

架構

此圖表顯示實作手術風險分層的架構。

下載此架構的 Visio 檔案。

工作流程

  1. 資料來源

    以病患為中心的資料來自快速健康照護互通資源 (FHIR®)、即時電子健康記錄 (EHR)、內部部署和第三方資料來源。

    重要

    當您使用以病患為中心的資料時，您必須確定已仔細處理個人標識資料，並排除在定型和測試資料集之外。

    預測手術風險時，請考慮下列資料點：

    • 病患人口統計資訊
    • 現有共和性及其嚴重性的相關資訊
    • 有關病患目前藥物計劃的資訊
    • 病患手術前血液測試資訊
    • 其他重大健康情況相關資訊

  2. 資料準備

    資料準備是收集、結合、建構及組織資料的流程，讓您能夠用來建置機器學習模型、商業智慧 (BI)，以及分析和資料視覺化應用程式。

  3. AI/機器學習 - 定型

    模型定型流程會使用機器學習演算法來學習資料模式，並挑選能夠預測先前未見病患手術風險的模型。

    Azure Machine Learning 會將模型定型。 Azure Machine Learning 是一種雲端服務，用於加速和管理機器學習專案生命週期。 生命週期包括定型模型、部署模型，以及管理機器學習作業 (MLOps)。

    針對此使用案例，您必須使用可解釋的模型。 在負責任 AI 工具箱中互動式可解釋性儀表板的幫助下，利害關係人可以清楚了解到，判斷所有病患特定風險時扮演重要角色的因素。 負責任 AI 工具箱也會在病患層級提供解釋。 此解釋可協助臨床醫生自定義特定治療的治療。

    負責任 AI 工具箱提供互動式儀表板，可偵測模型中的性別和種族等受保護類別的偏差。 由於定型資料是以接受手術的病患為基礎，因此專案關係人必須了解模型所擷取之資料中的任何固有偏差。 當所選的模型偏向於受保護的類別時，您可以使用負責任 AI 工具箱來降低模型。

  4. AI/機器學習 - 推斷

    機器學習推斷是將先前看不見的資料點饋送至機器學習模型以計算輸出的流程，例如數值分數。 在此情況下，這項功能會用來判斷病患的風險。

    模型登錄內建於 Azure Machine Learning。 此登錄用來在 Azure 雲端中儲存和建立模型版本。 使用模型登錄可以輕鬆組織和追蹤定型模型。

    必須部署定型的機器學習模型，以便透過新資料進行推斷。 建議的部署目標是 Azure 受控端點。

    對於佇列中用於手術的任何新病患，可以使用已部署的模型，並根據病患的歷史健康資訊推斷可能的風險。 臨床醫生和病患可以了解手術的風險，並判斷合適的治療過程。

  5. 分析工作負載

    模型評分的結果會儲存回分析系統，在此案例中為 Azure Synapse Analytics 和 Azure Data Lake，其中會收集輸入資料。 這有助於將風險預測的結果採購到前端，以供病患和臨床醫生使用、模型監測，以及重新定型預測模型，以協助他們從新可用的資料中學習。

  6. 前端模型耗用量

    您可以透過 Web 應用程式平台取用評分結果：Power BI 和 Power Apps。 您也可以透過病患和臨床醫生入口網站和應用程式來存取結果。 這可讓病患和臨床醫生存取最新的資訊，以及歷史資訊，以進行更準確的診斷，並策劃最好的治療過程。

元件

  • Azure Synapse Analytics 是一項企業分析服務，可讓您更快速地取得資料倉儲和巨量資料系統間的深入解析。 Azure Synapse 集結用於企業資料倉儲工作的最佳 SQL 技術、用於巨量資料的 Spark 技術、用於記錄和時間序列分析的 Azure 資料總管、用於資料整合和擷取、轉換、載入 (ETL)/擷取、轉換和載入 (ELT) 和深度整合的管線及其他 Azure 服務，例如 Power BI、Azure Cosmos DB 和 Azure Machine Learning。
  • 適用於 FHIR 的 Azure API 支援透過 FHIR API 快速交換資料。 此 API 受到雲端中受控平台即服務 (PaaS) 供應項目的支援。 此 API 可讓任何使用健康情況資料的人員更輕鬆內嵌、管理並保存雲端受保護的健康情況資訊 PHI。
  • Azure Data Factory 是雲端資料整合服務，可自動化資料移動及轉換作業。
  • Azure Data Lake 是一項無限制的資料儲存服務，適用於各種形式和格式的住房資料。 此服務可讓您與 Azure 中的分析工具輕鬆整合。 此服務提供企業級的安全性與監視支援。 您可以將其用於封存、資料湖、高效能運算、機器學習和雲端原生工作負載。 此解決方案提供機器學習資料的本機資料存放區，以及用於定型機器學習模型的進階資料快取。
  • Azure Machine Learning 是企業級機器學習服務，可更輕鬆地將模型開發和部署至各種機器學習計算目標。 此服務為所有技能層級的使用者提供具有低程式碼設計工具、自動化機器學習，以及支援各種整合開發環境的已裝載 Jupyter Notebook 環境。
  • 負責任 AI 工具箱是整合式工具的集合，可協助您操作負責任 AI。 藉由使用此工具箱，您可以評估模型，並更快速地做出使用者面向決策。
  • Azure Machine Learning 端點是用戶端可以呼叫的 HTTPS 端點，以接收定型模型的推斷 (評分) 輸出。 端點會使用金鑰令牌驗證來提供穩定的評分 URI。
  • Power BI 是提供商務分析的軟體即服務 (SaaS)，具有視覺化的沉浸式和互動式深入解析。 此服務提供一組豐富的連接器，包含各種資料來源、簡單的轉換功能，以及複雜的視覺化。
  • Power Apps 是一套應用程式、服務、連接器和資料平台，能夠提供快速的應用程式開發環境，以依照您的業務需求來建置自訂應用程式。 您可以使用 Power Apps 快速建置連線到您資料的商務 App。 資料可以儲存在基礎資料平台 (Microsoft Dataverse) 中，也可以儲存在各種線上和內部部署資料來源中，例如 SharePoint、Microsoft 365、Dynamics 365 和 SQL Server。

替代項目

  • Azure Machine Learning 在此解決方案中提供資料模型化和部署。 您也可以使用程式碼優先方法，在 Azure Databricks 中建置解決方案。
  • 做為 Azure Synapse 的替代方案，您可以使用 Azure Databricks 進行資料探索和操作。
  • 您可以使用 Grafana 而非 Power BI 進行視覺化。
  • 您可以在 Azure SQL Database 中暫存資料，而不是 Data Lake。 您可以使用 Data Factory 進行資料暫存和分析。

案例詳細資料

資料收集技術和資料標準 (傳輸、內容、術語和安全性) 的發展，在醫療保健產業中創造了 AI 和機器學習的日益轉型。 這種轉變在病患護理和提供者管理方面尤其開創性。 這種轉變還讓保險和製藥公司有機會提供數位連線系統，以全方位檢視病患的健康情況和整體醫療保健史。

風險階層化可以使用二進位或多類別分類模型。 在二元分類的情況下，結果為手術，導致成功或有風險的結果。 在多類別分類方法中，有機會進一步精簡結果，如成功、中度或嚴重/死亡。 無論是哪種方法，您都需要以病患為中心的資料，包括人口統計資訊、共生症、目前的藥物計劃、血液測試報告，以及任何可以減輕病患整體健康情況的其他事項。

開發透明系統，以提供向病患解釋潛在手術結果的能力，必須是像這樣模型的主要目標。 透明度和可解釋性有助於臨床醫生與病患進行有意義的對話，並讓他們在手術進行前建立治療計劃。

也請務必承認病患來自不同的背景。 您需要建立一個模型，該模型不會偏向於性別和種族等受保護類別。 一個不偏不倚的模型為病患提供不偏不倚的醫療支援，無論其背景如何，以最大限度地發揮其積極手術結果的機會。 本文中的架構會使用負責任 AI 工具箱中的可解釋性和偏差偵測工具。

世界最大的醫療保健組織之一，英國 National Health Service 使用 Azure Machine Learning 平台和負責任 AI 工具箱建立骨科手術的風險分層模型。 如需詳細資訊，請參閱兩位 NHS 外科醫師使用 Azure AI 找出手術期間面臨較高風險的病患。

或觀看這段短片：


Azure Active Directory 現在改為 Microsoft Entra ID。 如需詳細資訊，請參閱 Azure AD 的新名稱。

潛在使用案例

此解決方案適用於醫療保健產業。 風險分層模型適用於下列案例：

  • 臨床醫學。 預測接受骨科手術、心臟手術、眼科手術和其他類型的手術的病患的手術結果。
  • 公共衛生。 例如，協助醫療專業人員和決策者了解地理區域中居民之間特定疾病的傳播情況，以判斷有多少居民容易感染 COVID。
  • 流行病學。 實作臨床試驗，以進一步了解與安慰劑相比的治療結果。

考量

這些考量能實作 Azure Well-Architected Framework 的支柱，這是一組指導原則，可以用來改善工作負載的品質。 如需詳細資訊，請參閱 Microsoft Azure Well-Architected Framework。

此架構中的技術是針對延展性和可用性而選擇的，目的是管理和控制成本。

可靠性

可靠性可確保您的應用程式符合您對客戶的承諾。 如需詳細資訊，請參閱可靠性支柱的概觀 (部分機器翻譯)。

此架構中的元件具有高度可靠性。 不過，機器學習和分析工作是由兩個部分所組成：定型和生產部署。 定型所需的資源通常不需要高可用性。 針對生產部署，Azure Machine Learning 端點完全支援高可用性。

安全性

安全性可提供保證，以避免刻意攻擊和濫用您寶貴的資料和系統。 如需詳細資訊，請參閱安全性支柱的概觀。

此案例提供元件內建的改良安全性。 此案例也提供您可以透過 Microsoft Entra 驗證或角色型存取控制來管理的權限。 請考慮下列 Azure Machine Learning 企業安全性的最佳做法，以建立適當的安全性層級。

Azure Synapse 提供企業級和領先業界的安全性功能，可提供元件隔離來保護資料、改善網路安全性，以及改善威脅防護。 元件隔離可以在安全性弱點的情況下將暴露程度降到最低。 Azure Synapse 也可讓資料混淆來保護敏感資料。

Azure Data Lake 提供所有層級的安全性功能，從改良的資料保護和資料遮罩到改善的威脅防護。 如需詳細資訊，請參閱 Azure Data Lake 安全性。

如需此架構安全性功能的詳細資訊，請參閱下列資源：

重要

當您處理醫療保健資料時，您必須確定已小心處理病患的個人標識資料，並遵循 HIPAA 標準。 如果是個人標識資料，您可能需要實作進一步的記憶體保護區或同型加密解決方案。

成本最佳化

成本最佳化是關於考慮如何減少不必要的費用，並提升營運效率。 如需詳細資訊，請參閱成本最佳化支柱的概觀。

  • 資源的延展性取決於啟用的分析工作負載、定型和部署工作負載，以視需要將成本最佳化。
  • 若要預估實作此解決方案的成本，請使用 Azure 定價計算機，並輸入本文所述的服務。 成本最佳化支柱概觀也相當有幫助。

卓越營運

卓越營運涵蓋部署應用程式並使其持續在生產環境中執行的作業流程。 如需詳細資訊，請參閱卓越營運支柱的概觀 (部分機器翻譯)。

遵循 MLOps 指導方針，將可跨多個工作區擴充的端對端機器學習生命週期標準化和管理。 進入生產環境之前，請確定實作的解決方案支援持續使用重新定型週期和自動重新部署模型進行推斷。 以下是一些要考量的資源：

負責任 AI 是 Azure Machine Learning 的一部分，以 AI 開發和使用的六大支柱為基礎：公平性、可靠性和安全性、隱私權和安全性、包容性、透明度和責任。 如需概觀和實作詳細資料，請參閱什麼是負責任 AI？

效能效益

效能效率可讓您的工作負載進行調整，以有效率的方式符合使用者對其放置的需求。 如需詳細資訊，請參閱效能效率支柱概觀。

視分析活動層級而定，此案例中的大部分元件可相應增加或減少。 Azure Synapse 提供延展性和高效能，並可降低或暫停低層級的活動。

您可以根據資料量和模型定型所需的計算資源，調整 Azure Machine Learning。 您可以根據預期的負載和評分服務來調整部署和計算資源。

如需設計可調整解決方案的詳細資訊，請參閱效能效率檢查清單。

參與者

本文由 Microsoft 維護。 原始投稿人如下。

主要作者：

  • Manasa Ramalinga | 美國國家 CSA 小組首席雲端解決方案架構設計師

其他投稿人：

若要查看非公開的 LinkedIn 設定檔，請登入 LinkedIn。

下一步