使用 Azure OpenAI 进行患者转诊文档摘要

介绍 

本文探讨了医疗保健行业如何利用生成式人工智能、大型语言模型 (LLM) 评估指标和机器学习来简化患者转诊流程。 延迟审查转诊文件可能会影响患者的治疗结果，及时诊断和治疗至关重要。 生成式人工智能摘要使医院能够有效地压缩转诊文件，加快患者入院和诊断速度，同时减少医生审查时间。 LLM 评估指标确保对摘要流程的信任，增强医生使用人工智能生成内容的信心。

想象一下以下场景：

在繁忙的医院环境中，专家乔恩·多伊 (Jon Doe) 医生收到一位危重病人的转诊。 通常，Jon Doe 医生会花几天时间阅读多份转诊文件，试图收集相关信息。 然而，通过实施由 Azure 技术支持的生成式 AI 摘要，Jon Doe 医生在几分钟内就收到了患者病史、症状和相关测试的简明摘要。 这一加速过程使 Jon Doe 医生能够及时评估情况并启动挽救生命的治疗，最终改善患者的治疗结果。 凭借法学硕士评估指标提供的保证，Jon Doe 博士相信人工智能生成的摘要，相信它准确地捕获了所有重要细节。 此场景说明了人工智能和机器学习技术如何彻底改变医疗保健，从而实现更快的决策和更好的患者护理。

建筑学 :

用例工作流程：

1. 数据来源

医疗保健中高效的患者转诊系统依赖于对不同来源的患者信息的访问，包括来自各种来源的手写笔记和数字化数据。 其中包括电子健康记录 (EHR) 系统，可实现转诊文件的安全电子传输，以及由健康信息服务提供商 (HISP) 促进的直接安全消息传递。 健康信息交换 (HIE) 网络允许在不同医疗保健实体之间无缝共享患者数据，而患者门户则在患者和提供者之间提供安全的文档交换。 采用 HL7 或 FHIR 等互操作性标准增强了系统之间的数据交换，并辅以远程医疗平台的集成以实现安全文档共享。 综合医疗保健系统中的医院受益于集中式患者信息管理。 分析这些不同的数据源为医生提供了全面的患者健康见解，指导入院前的治疗决策。

2. 数据摄取和暂存

数据摄取是将数据从不同来源移动到特定位置的过程。 此过程需要为每个数据源和目标位置使用特定的连接器。

Azure 健康数据 API 服务支持通过 FHIR API 快速交换数据，并由云中托管 PaaS 产品提供支持。 该服务使处理健康数据的任何人都可以轻松获取、管理和保留受保护的健康信息 (PHI)。

Azure 数据工厂提供了全面的连接器，可用于从各种来源（包括数据库、文件系统和云服务）提取数据。 健康文档通常采用 PDF 形式，可以使用 Azure 数据工厂提取并放置在 Azure Data Lake Storage 内的安全私有容器内。

逻辑应用提供可视化设计器来自动化工作流程并跨本地和云环境连接应用程序、数据和服务。 通过将逻辑应用合并到工作流程中，组织可以简化数据移动和处理任务，进一步提高数据摄取过程的效率和可靠性。

3. 生成式人工智能和机器学习

Azure 机器学习工作室 是一项基于云的服务，提供用户友好的图形界面 (GUI)，用于在 Azure 环境中构建和操作机器学习工作流。 它专为简化整个机器学习生命周期而定制，可简化从数据准备到模型部署和管理的任务，为构建、训练和部署机器学习模型提供集成环境。

A。 使用 Azure AI 文档智能提取数据

推荐文档通常采用非结构化 PDF 格式，安全地存储在 Azure Data Lake Storage (ADLS) 内的私有容器中，可能需要 REST 加密来保护敏感信息。 在工作流程中，使用 Azure ML Studio Python 笔记本从 ADLS 检索文档并调用 Azure AI 文档智能 API利用其OCR（光学字符识别）功能将推荐PDF转换为文本格式，以便在后续步骤中更轻松地检索和总结。

b. 用于汇总的数据操作

准备数据是利用生成式人工智能基础模型进行汇总的重要一步。 在总结推荐文档之前，必须通过消除可能妨碍摘要过程的不相关字符（例如特殊符号、标点符号或 HTML 标记）来清理文本。 此外，将缩写词和首字母缩写词扩展为其完整形式对于保持摘要输出的清晰度和连贯性至关重要。 此外，将文本标记为更小的单元（例如单词或子词）有助于创建适合 OpenAI 模型的结构化输入。

  C。 快速工程和总结

为了使用大型语言模型（LLM）实现精确概括，快速工程是必不可少的。 金贾模板 提供了制作这些提示的解决方案，也可以方便地存储在 ADLS 存储中。 用户可以灵活微调各种提示调用 Azure OpenAI 聊天完成模型，从而生成针对不同类型的推荐文档的定制摘要。

LangChain 是一个开源编排框架，旨在简化法学硕士的应用程序构建流程。 通过利用 摘要链 LangChain 中的一项功能，连同 OpenAI 模型和摘要提示，可以以所需的格式高效地生成推荐文档所需的摘要。

  d. 使用 Azure AI SDK 进行法学硕士评估

开发一个 评估策略 对于通过使用生成式 AI 大语言模型 (LLM) 总结​​转诊文档而生成的输出，在用户、利益相关者和更广泛的医院社区之间建立信任至关重要。

这 Azure 人工智能 SDK 提供了一个解决方案，既提供开箱即用的人工智能辅助指标，例如基础性、连贯性、流畅性和相关性，也提供根据业务和利益相关者的需求创建定制人工智能辅助指标的能力。

这些标准化和定制的指标确保生成的摘要符合质量标准，评估连贯性、相关性和基础性。 此外，它们使研究人员和开发人员能够比较不同的模型或提示其变体，以找出最有效的模型。 评估还衡量法学硕士跨未知数据格式的泛化能力，展示其弹性和实际适用性。 最终，从评估过程中收集的见解可以指导法学硕士架构、培训方法的迭代增强，或提示微调策略，从而提高总结性能。

e. 用于 Azure AI Studio 中性能监控的 LLM 评估仪表板

Azure 人工智能工作室 是一个为开发人员量身定制的综合平台，有助于在企业级环境中创建生成式人工智能应用程序。 借助 Azure AI SDK 和 Azure AI CLI 的直接交互功能，开发人员可以以代码优先的方式无缝参与项目。 该平台的设计具有包容性，能够容纳不同能力和偏好的开发人员，促进人工智能创新并影响未来的进步。 通过 Azure AI Studio，用户可以轻松探索、构建、评估和部署尖端的 AI 工具和机器学习模型，同时遵守负责任的 AI 实践。 此外，该平台还促进协作开发，为团队协作提供企业级安全性和共享环境，从而可以轻松访问预先训练的模型、数据和计算资源。

Azure AI Studio 包含大型语言模型 (LLM) 评估仪表板，可通过简化监控来改善用户体验。 该仪表板简化了对关键开箱即用和自定义人工智能辅助指标的跟踪，这些指标对于评估目的至关重要。 开发人员和数据科学家可以利用此仪表板持续监控这些指标，使他们能够有效地评估和响应使用 Gen AI LLM 模型生成的推荐文档摘要的性能和可靠性。

4. 分析工作量

从健康文档中提取的摘要可以有效地存储在弹性分析系统中，包括 Azure Synapse Analytics、Azure Data Lake 或 Azure CosmosDB，利用其强大的数据库功能。 Azure 机器学习 (AML) 笔记本中生成的大量输出（涵盖大型语言模型 (LLM) 评估工具箱工作流的结果）可安全地存档在任何推荐的存储解决方案中。 这种经过深思熟虑的存储策略不仅确保了信息的安全保存，而且有利于将来对生成的输出进行检索、深入分析和比较评估。 这种方法强调无缝且全面的数据管理策略，有助于提高 Azure 生态系统内运营的效率和可靠性。

5.最终用户消费

医生可以在他们的门户中查看摘要，而不必浏览数百份文档，而只需阅读摘要，从而简化患者转诊流程并确保潜在患者更快的入院流程。 此外，如果需要，可以在 PowerBI 中构建 Web 应用程序和可视化。

成分 

• Azure 数据湖：无限存储，易于集成和企业级安全性。

• 浪链：用于语言模型驱动的应用程序的开源框架。

• 电力商业智能：具有丰富连接器和可视化的业务分析。

• 电源应用程序：快速开发连接到数据源的自定义业务应用程序。

• 密钥库：用于保护敏感数据的密钥管理解决方案。

• Azure 监视器：云环境综合监控解决方案。

潜在用例：

生成人工智能（GenAI）的集成有可能为各个行业带来变革性的好处。 以下是不同领域的替代用例：

• 金融： 简化财务报告分析以加快决策速度。

• 零售： 总结产品评论以快速了解客户情绪。

• 制造业： 分析质量控制报告以有效识别问题。

• 教育： 自动总结教育内容以便更快理解。

• 客户服务： 总结电子邮件以缩短响应时间并改善沟通。

• 人力资源： 简化简历筛选，实现高效人才招聘。 

• 合法的： 总结复杂的法律文档以更快地提取信息。

贡献者 

本文由 Microsoft 维护。 它最初是由以下贡献者编写的。 

主要作者：

• 马纳萨·拉马林加 | 首席云解决方案架构师 – 美国客户成功

• 阿贝德·奥尔 | 高级云解决方案架构师 – 美国客户成功