Azure OpenAI を使用した患者紹介文書の要約

導入 

この記事では、医療業界が Generative AI、大規模言語モデル (LLM) 評価指標、機械学習を活用して患者紹介プロセスを効率化する方法を説明します。紹介文書の確認が遅れると患者の転帰に影響する可能性があるため、タイムリーな診断と治療が重要です。Generative AI 要約により、病院は紹介文書を効率的に要約し、患者の入院と診断を迅速化すると同時に、医師のレビュー時間を短縮できます。LLM 評価指標は要約パイプラインの信頼性を確保し、AI 生成コンテンツの使用に対する医師の信頼を高めます。

次のシナリオを想像してください。

忙しい病院で、専門医のジョン・ドー医師が重篤な患者の紹介状を受け取ります。通常、ジョン・ドー医師は、適切な情報を収集するために、複数の紹介状文書に目を通すのに何日もかかります。しかし、Azure テクノロジを活用した Generative AI Summarization を実装することで、ジョン・ドー医師は、患者の病歴、症状、関連する検査の簡潔な要約を数分以内に受け取ることができます。このプロセスが加速されたことで、ジョン・ドー医師は状況を迅速に評価し、救命治療を開始して、最終的に患者の転帰を改善できます。LLM 評価メトリックによって保証されたため、ジョン・ドー医師は AI が生成した要約を信頼し、重要な詳細がすべて正確に記録されていると確信しています。このシナリオは、AI と ML テクノロジがヘルスケアに革命をもたらし、意思決定の迅速化と患者ケアの向上を実現する方法を示しています。

建築 :

ユースケースワークフロー:

1. データソース

医療における効率的な患者紹介システムは、手書きのメモやさまざまなソースからのデジタル化されたデータを含む、多様な患者情報ソースへのアクセスに依存しています。これらには、紹介文書の安全な電子送信を可能にする電子健康記録 (EHR) システムや、医療情報サービス プロバイダー (HISP) によって促進される直接セキュア メッセージングが含まれます。医療情報交換 (HIE) ネットワークは、さまざまな医療エンティティ間で患者データをシームレスに共有することを可能にし、患者ポータルは患者とプロバイダー間の安全な文書交換を提供します。HL7 や FHIR などの相互運用性標準の採用により、システム間のデータ交換が強化され、安全な文書共有のための遠隔医療プラットフォームの統合によって補完されます。統合医療システム内の病院は、一元化された患者情報管理の恩恵を受けます。これらの多様なデータ ソースを分析することで、医師は包括的な患者の健康に関する洞察を得ることができ、入院前に治療の決定を下すことができます。

2. データの取り込みとステージング

データ取り込みとは、さまざまなソースから特定の場所にデータを移動するプロセスです。このプロセスでは、データ ソースとターゲットの場所ごとに特定のコネクタを使用する必要があります。

Azure Health Data API サービスでは、クラウド内のマネージド PaaS サービスに支えられた FHIR API を通じて、データの迅速な交換が可能になります。このサービスにより、医療データを扱うすべてのユーザーが保護対象医療情報 (PHI) を簡単に取り込み、管理し、保持できるようになります。

Azure Data Factory は、データベース、ファイル システム、クラウド サービスなど、さまざまなソースからデータを抽出するために活用できる包括的なコネクタを提供します。健康に関するドキュメント (通常は PDF 形式) は、Azure Data Factory を使用して取り込まれ、Azure Data Lake Storage 内の安全でプライベートなコンテナー内に配置できます。

Logic Apps は、ワークフローを自動化し、オンプレミスとクラウド環境全体でアプリケーション、データ、およびサービスを接続するためのビジュアル デザイナーを提供します。Logic Apps をワークフローに組み込むことで、組織はデータの移動と処理タスクを合理化し、データ取り込みプロセスの効率と信頼性をさらに高めることができます。

3. 生成AIと機械学習

Azure 機械学習スタジオ は、Azure 環境内で機械学習ワークフローを構築および運用するための使いやすいグラフィカル インターフェイス (GUI) を提供するクラウド ベースのサービスです。機械学習のライフサイクル全体を効率化するようにカスタマイズされており、データの準備からモデルの展開と管理までのタスクを容易にし、機械学習モデルの構築、トレーニング、展開のための統合環境を提供します。

 

a. Azure AI Document Intelligence によるデータ抽出

紹介文書は、通常、非構造化PDF形式で、Azure Data Lake Storage (ADLS)内のプライベートコンテナーに安全に保存されるため、機密情報を保護するためにREST暗号化が必要になる可能性があります。ワークフローでは、Azure ML Studio Pythonノートブックを使用してADLSから文書を取得し、 Azure AI ドキュメント インテリジェンス OCR (光学文字認識) 機能を利用して紹介 PDF をテキスト形式に変換するための API により、後続のステップでの検索と要約が容易になります。

 

b. 要約のためのデータ操作

データを準備することは、Generative AI の基礎モデルを要約に利用する上で重要なステップです。紹介文書を要約する前に、要約プロセスを妨げる可能性のある特殊記号、句読点、HTML タグなどの無関係な文字を削除してテキストを整理することが重要です。さらに、要約出力の明瞭性と一貫性を保つには、略語や頭字語を完全な形式に拡張することが重要です。さらに、テキストを単語やサブワードなどの小さな単位にトークン化すると、OpenAI モデルに適した構造化された入力を作成するのに役立ちます。

  紀元前 プロンプトエンジニアリングと要約

大規模言語モデル (LLM) を使用して正確な要約を実現するには、迅速なエンジニアリングが不可欠です。 Jinja テンプレート これらのプロンプトを作成するためのソリューションを提供し、ADLSストレージに便利に保存することもできます。ユーザーは、さまざまなプロンプトを細かく調整して呼び出す柔軟性があります。 Azure OpenAI チャット完了モデルこれにより、さまざまな種類の紹介文書に合わせてカスタマイズされた要約が生成されます。

LangChainは、LLMを使用したアプリケーション構築プロセスを効率化するために設計されたオープンソースのオーケストレーションフレームワークです。 要約チェーン LangChain 内の機能と OpenAI モデルおよび要約プロンプトを併用することで、紹介文書に必要な要約を希望の形式で効率的に生成できます。

  d. Azure AI SDK を使用した LLM 評価

開発中 評価戦略 生成 AI 大規模言語モデル (LLM) を使用して紹介文書を要約することで生成された出力に対して、ユーザー、利害関係者、およびより広範な病院コミュニティの間で信頼を築くために不可欠です。

の Azure AI SDK は、根拠、一貫性、流暢性、関連性などのすぐに使用できる AI 支援メトリックと、ビジネスおよび利害関係者の要件に合わせてカスタマイズされた AI 支援メトリックを作成する機能の両方を提供するソリューションを提供します。

これらの標準化されたカスタマイズされたメトリクスは、一貫性、関連性、根拠を評価し、生成された要約が品質基準に準拠していることを保証します。さらに、研究者や開発者は、さまざまなモデルを比較したり、それらのバリエーションをプロンプトして、最も効果的なモデルを特定したりすることができます。評価では、未知のデータ形式にわたる LLM の一般化能力も測定され、その回復力と実用性を示します。最終的には、評価プロセスから収集された洞察は、LLM アーキテクチャ、トレーニング方法論、またはプロンプトの微調整戦略の反復的な強化を導き、要約のパフォーマンスを向上させることができます。

 

e. Azure AI Studio のパフォーマンス監視用の LLM 評価ダッシュボード

Azure AI スタジオ は、開発者向けにカスタマイズされた包括的なプラットフォームであり、エンタープライズ グレードの環境内で生成 AI アプリケーションの作成を容易にします。Azure AI SDK と Azure AI CLI を介した直接対話機能により、開発者はコード ファーストでプロジェクトにシームレスに取り組むことができます。このプラットフォームは包括的に設計されており、さまざまな能力と好みの開発者に対応し、AI のイノベーションを促進し、将来の進歩に影響を与えます。Azure AI Studio を使用すると、ユーザーは責任ある AI プラクティスを遵守しながら、最先端の AI ツールと機械学習モデルを簡単に探索、構築、評価、展開できます。さらに、このプラットフォームは共同開発を促進し、エンタープライズ グレードのセキュリティとチーム コラボレーション用の共有環境を提供し、事前トレーニング済みのモデル、データ、計算リソースに簡単にアクセスできるようにします。

Azure AI Studio には、合理化された監視を可能にすることでユーザー エクスペリエンスを向上させる、大規模言語モデル (LLM) 評価ダッシュボードが組み込まれています。このダッシュボードにより、評価に不可欠な重要なすぐに使用できるメトリックとカスタム AI 支援メトリックの追跡が簡素化されます。開発者とデータ サイエンティストは、このダッシュボードを利用してこれらのメトリックを継続的に監視し、Gen AI LLM モデルを使用して生成された紹介ドキュメントの概要のパフォーマンスと信頼性を効果的に評価して対応することができます。

4. 分析作業負荷

健康関連のドキュメントから抽出された要約は、Azure Synapse Analytics、Azure Data Lake、Azure CosmosDB などの回復力のある分析システム内に効果的に保存でき、それらの堅牢なデータベース機能を活用できます。Azure Machine Learning (AML) ノートブックで生成される大規模な出力には、Large Language Model (LLM) 評価ツールボックス ワークフローの結果が含まれており、推奨されるストレージ ソリューションのいずれかに安全にアーカイブされます。この慎重なストレージ戦略により、情報の安全な保存が保証されるだけでなく、生成された出力の将来の取得、詳細な分析、比較評価も容易になります。このアプローチは、シームレスで包括的なデータ管理戦略を強調し、Azure エコシステム内の運用の効率と信頼性に貢献します。

 

5. エンドユーザーの消費

医師はポータルで概要を確認でき、何百もの文書を確認する代わりに概要を読むだけで済むため、患者紹介プロセスが効率化され、潜在的な患者の入院プロセスが迅速化されます。また、必要に応じて、Web アプリや PowerBI での視覚化を構築できます。

コンポーネント 

• Azure データレイク: 簡単な統合とエンタープライズ グレードのセキュリティを備えた無制限のストレージ。

• ランチェーン: 言語モデルを利用したアプリケーションのためのオープンソース フレームワーク。

• パワーBI: 豊富なコネクタと視覚化を備えたビジネス分析。

• パワーアプリ: データ ソースに接続するカスタム ビジネス アプリを迅速に開発します。

• キーボールト: 機密データを保護するためのキー管理ソリューション。

• Azure モニター: クラウド環境向けの包括的な監視ソリューション。

 

 

潜在的な使用例:

生成型人工知能 (GenAI) の統合は、さまざまな業界に変革をもたらす可能性があります。さまざまな分野での代替的な使用例を以下に示します。

 

• ファイナンス： 財務レポート分析を合理化して意思決定を迅速化します。

• 小売り： 製品レビューを要約して顧客の感情を迅速に理解します。

• 製造: 品質管理レポートを分析して、問題を効率的に特定します。

• 教育： 教育コンテンツを自動的に要約し、より早く理解できるようにします。

• 顧客サービス： 電子メールを要約して、応答時間とコミュニケーションを改善します。

• 人事： 履歴書の審査を効率化し、効率的な人材獲得を実現。 

• 法律上の： 複雑な法的文書を要約して、より迅速に情報を抽出します。

寄稿者 

この記事は Microsoft によって管理されています。この記事は元々、次の寄稿者によって書かれました。 

主な著者:

• マナサ・ラマリンガ | プリンシパル クラウド ソリューション アーキテクト – 米国カスタマー サクセス

• アベド・サウ | シニア クラウド ソリューション アーキテクト – 米国カスタマー サクセス