Bearbeiten

Implementieren der Risikovorhersage für Operationen

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

Künstliche Intelligenz (KI) und maschinelles Lernen (Maschine Learning, ML) spielen bei chirurgischen Eingriffen eine wichtige Rolle. Für Patienten kann die Entscheidung, sich einer Operation zu unterziehen, lebensverändernd sein. Mit der Möglichkeit, individuelle Ergebnisse vorherzusagen, können Patienten und Ärzte geeignete Maßnahmen ergreifen und die zugehörigen Risiken besser verstehen. In diesem Artikel wird eine Referenzarchitektur vorgestellt, die zeigt, wie die Vorhersage von Operationsrisiken implementiert wird.

Aufbau

Diagramm, das eine Architektur für die Implementierung der Risikostratifizierung von Operationen zeigt.

Laden Sie eine Visio-Datei dieser Architektur herunter.

Workflow

  1. Datenquelle

    Patientenzentrierte Daten stammen aus Fast Healthcare Interoperability Resources (FHIR®), elektronischen Gesundheitsakten (Electronic Health Records, EHR), die in Echtzeit abgerufen werden, sowie lokalen Datenquellen und Datenquellen von Drittanbietern.

    Wichtig

    Wenn Sie patientenzentrierte Daten verwenden, müssen Sie sicherstellen, dass personenbezogene Daten mit Sorgfalt behandelt und vom Trainings- und Testdatensatz ausgeschlossen werden.

    Berücksichtigen Sie beim Vorhersagen von Operationsrisiken die folgenden Datenpunkte:

    • Demografische Patienteninformationen
    • Informationen zu vorhandenen Begleiterkrankungen und deren Schweregrad
    • Informationen zum aktuellen Medikationsplan des Patienten
    • Informationen zu Bluttests des Patienten, die vor der Operation durchgeführt wurden
    • Andere wichtige Gesundheitsinformationen

  2. Datenaufbereitung

    Die Datenaufbereitung ist der Prozess, durch den Daten gesammelt, kombiniert, strukturiert und organisiert werden, sodass Sie sie zum Erstellen von Machine Learning-Modellen, Business Intelligence (BI)-, Analyse- und Datenvisualisierungsanwendungen verwenden können.

  3. KI/maschinelles Lernen: Training

    Das Modelltraining ist der Prozess, bei dem mithilfe eines Machine Learning-Algorithmus basierend auf Daten Muster gelernt und ein Modell ausgewählt wird, das Vorhersagen zum Operationsrisiko von zuvor unbekannten Patienten treffen kann.

    Azure Machine Learning trainiert das Modell. Azure Machine Learning ist ein Clouddienst, der den Lebenszyklus von Machine Learning-Projekten beschleunigt und verwaltet. Der Lebenszyklus umfasst das Training und die Bereitstellung von Modellen sowie die Verwaltung von Machine Learning-Vorgängen (MLOps).

    In diesem Fall müssen Sie Modelle verwenden, die erklärt werden können. Mithilfe des interaktiven Dashboards für die Interpretierbarkeit in der Toolbox für verantwortungsvolle KI können Beteiligte die Faktoren, die beim Ermitteln eines bestimmten Risikos für alle Patienten eine wichtige Rolle spielen, genau verstehen. Die Toolbox für verantwortungsvolle KI ermöglicht auch die Interpretation auf Patientenebene. Diese Interpretation hilft Ärzten, spezifische Behandlungen anzupassen.

    Die Toolbox für verantwortungsvolle KI bietet ein interaktives Dashboard zum Erkennen von Verzerrungen in Bezug auf geschützte Klassen wie Geschlecht und ethnische Gruppe in Modellen. Da die Trainingsdaten auf Patienten basieren, an denen die Operation durchgeführt wurde, müssen die Beteiligten alle inhärenten Verzerrungen in den vom Modell verwendeten Daten verstehen. Wenn das ausgewählte Modell auf geschützte Klassen ausgerichtet ist, können Sie die Toolbox für verantwortungsvolle KI zur Risikominderung für das Modell verwenden.

  4. KI/maschinelles Lernen: Rückschluss

    Machine Learning-Rückschluss ist der Prozess, durch den zuvor unbekannte Datenpunkte in ein Machine Learning-Modell eingespeist werden, um eine Ausgabe zu berechnen (z. B. einen numerischen Score). In diesem Fall wird er verwendet, um Risiken für Patienten zu bestimmen.

    Die Modellregistrierung ist in Azure Machine Learning integriert. Sie wird verwendet, um Modelle in der Azure-Cloud zu speichern und Modellversionen zu erstellen. Die Modellregistrierung erleichtert das Organisieren und Nachverfolgen von trainierten Modellen.

    Ein trainiertes Machine Learning-Modell muss bereitgestellt werden, damit ihm neue Daten für Rückschlüsse zugeführt werden können. Das empfohlene Bereitstellungsziel ist ein verwalteter Azure-Endpunkt.

    Für jeden neuen Patienten, der auf eine Operation wartet, kann das bereitgestellte Modell verwendet werden, und die möglichen Risiken können basierend auf den historischen Gesundheitsdaten des Patienten abgeleitet werden. Ärzte und Patienten können die Risiken der Operation verstehen und einen geeigneten Behandlungsablauf bestimmen.

  5. Analyseworkload

    Die Ergebnisse der Modellbewertung werden wieder in den Analysesystemen gespeichert, in diesem Fall in Azure Synapse Analytics und Azure Data Lake, wo die Eingabedaten gesammelt werden. Auf diese Weise können die Ergebnisse der Risikovorhersage zur Nutzung durch Patienten und Ärzte für das Front-End bereitgestellt und zur Modellüberwachung sowie zum erneuten Training der Vorhersagemodelle verwendet werden, um aus neuen Daten zu lernen.

  6. Modellnutzung auf dem Front-End

    Sie können die bewerteten Ergebnisse über eine Web-Apps-Plattform nutzen: Power BI und Power Apps. Der Zugriff auf die Ergebnisse ist auch über Webportale und Anwendungen möglich, die Patienten und Ärzten zur Verfügung stehen. So können Patienten und Ärzte auf die aktuellsten Informationen sowie historische Daten zugreifen, um eine genauere Diagnose zu stellen und den besten Behandlungsablauf zusammenzustellen.

Komponenten

  • Azure Synapse Analytics ist ein Unternehmensanalysedienst zur schnelleren Gewinnung von Erkenntnissen aus Data Warehouse-Datenbanken und Big Data-Systemen. Azure Synapse vereint die besten Technologien aus unterschiedlichen Bereichen: SQL-Technologie für Data Warehousing in Unternehmen, Spark-Technologie für Big Data-Zwecke, Azure Data Explorer für die Analyse von Protokollen und Zeitreihen, Pipelines für die Datenintegration und ETL/ELT (Extrahieren, Transformieren und Laden/Extrahieren, Laden und Transformieren) sowie eine tiefe Integration in andere Azure-Dienste, z. B. Power BI, Azure Cosmos DB und Azure Machine Learning.
  • Die Azure-API für FHIR ermöglicht einen schnellen Datenaustausch über FHIR-APIs. Sie wird von einem verwalteten PaaS-Angebot (Platform as a Service) in der Cloud unterstützt. Die API erleichtert allen Personen, die mit Gesundheitsdaten arbeiten, das Erfassen, Verwalten und dauerhafte Speichern von geschützten Gesundheitsdaten (Protected Health Information, PHI) in der Cloud.
  • Azure Data Factory ist ein cloudbasierter Datenintegrationsdienst, der die Datenverschiebung und -transformation automatisiert.
  • Azure Data Lake ist ein Datenspeicherdienst, der unbegrenzten Speicher für Daten in verschiedenen Formen und Formaten bietet. Der Dienst lässt sich problemlos in die Analysetools in Azure integrieren. Er bietet Sicherheit auf Unternehmensniveau und Unterstützung für die Überwachung. Sie können es für Archive, Data Lakes, Hochleistungscomputer, maschinelles Lernen und Cloud-native Workloads verwenden. Diese Lösung bietet einen lokalen Datenspeicher für die Machine Learning-Daten und einen Premium-Datencache für das Training des Machine Learning-Modells.
  • Azure Machine Learning ist ein Machine Learning-Dienst für Unternehmen, der die Modellentwicklung und die Modellbereitstellung auf verschiedenen Computezielen für maschinelles Lernen vereinfacht. Der Dienst bietet Benutzern aller Kenntnisstufen einen Low-Code-Designer, automatisiertes maschinelles Lernen und eine gehostete Jupyter Notebook-Umgebung, die verschiedene integrierte Entwicklungsumgebungen (Integrated Development Environment, IDE) unterstützt.
  • Die Toolbox für verantwortungsvolle KI ist eine Sammlung integrierter Tools, die Ihnen beim Operationalisieren verantwortungsvoller KI helfen. Mithilfe dieser Toolbox können Sie Ihre Modelle bewerten und schnell benutzerorientierte Entscheidungen treffen.
  • Azure Machine Learning-Endpunkte sind HTTPS-Endpunkte, die von Clients aufgerufen werden können, um die Rückschlussausgabe (Bewertung) eines trainierten Modells zu empfangen. Ein Endpunkt stellt einen stabilen Bewertungs-URI mit Schlüsseltokenauthentifizierung bereit.
  • Power BI ist die Software-as-a-Service (SaaS), die Business Analytics und visuell immersive und interaktive Erkenntnisse bereitstellt. Power BI bietet zahlreiche Connectors für verschiedene Datenquellen, einfache Transformationsfunktionen und anspruchsvolle Visualisierung.
  • Power Apps ist eine Sammlung von Apps, Diensten und Connectors sowie eine Datenplattform, die eine Entwicklungsumgebung zum schnellen Erstellen benutzerdefinierter Apps für Ihre Geschäftsanforderungen bietet. Mit Power Apps können Sie schnell Geschäftsanwendungen erstellen, die eine Verbindung mit Ihren Daten herstellen. Daten können in der zugrunde liegenden Datenplattform (Microsoft Dataverse) oder in verschiedenen lokalen und Onlinedatenquellen wie SharePoint, Microsoft 365, Dynamics 365 und SQL Server gespeichert werden.

Alternativen

  • In dieser Lösung wird Azure Machine Learning für die Datenmodellierung und -bereitstellung verwendet. Sie können die Lösung auch mit einem Code-First-Ansatz in Azure Databricks erstellen.
  • Zur Datenuntersuchung und -bearbeitung können Sie Azure Databricks als Alternative zu Azure Synapse verwenden.
  • Für die Visualisierung können Sie Grafana anstelle von Power BI verwenden.
  • Sie können Daten anstelle von Data Lake in Azure SQL-Datenbank stagen. Data Factory kann für das Staging und die Analyse von Daten verwendet werden.

Szenariodetails

Fortschritte bei Datensammlungstechnologien und neue Entwicklungen bei Datenstandards (Datentransport, Inhalt, Terminologie und Sicherheit) verändern zunehmend die Art und Weise, wie KI und maschinelles Lernen im Gesundheitswesen verwendet werden. Insbesondere in der Patientenversorgung und der Anbieterverwaltung ist dieser Wandel bahnbrechend. Zudem hat er für Versicherungs- und Pharmaunternehmen die Möglichkeit geschaffen, digital verbundene Systeme anzubieten, die einen ganzheitlichen Blick auf den Gesundheitszustand und die gesamte Krankengeschichte eines Patienten ermöglichen.

Bei der Risikostratifizierung kann ein binäres oder ein Multiklassen-Klassifizierungsmodell verwendet werden. Im Fall der binären Klassifizierung ist das Ergebnis eine als erfolgreich oder als risikobehaftet eingeschätzte Operation. Beim Ansatz der Multiklassen-Klassifizierung können die Ergebnisse weiter verfeinert werden als erfolgreich, moderates Risiko oder hohes Risiko/Todesfolge. Bei beiden Ansätzen benötigen Sie patientenzentrierte Daten. Dazu zählen demografische Informationen, Begleiterkrankungen, aktueller Medikationsplan, Bluttestergebnisse und alle anderen Daten, die Aufschluss über den allgemeinen Gesundheitszustand eines Patienten geben können.

Das primäre Ziel von Modellen wie diesem muss die Entwicklung eines transparenten Systems sein, das die Möglichkeit bietet, potenzielle Operationsergebnisse für einen Patienten zu erklären. Transparenz und Interpretierbarkeit helfen Ärzten, gute Gespräche mit Patienten zu führen und vor der Operation einen Behandlungsplan aufzustellen.

Die unterschiedlichen Hintergründe von Patienten müssen ebenfalls berücksichtigt werden. Sie müssen ein Modell erstellen, das nicht auf geschützte Klassen wie Geschlecht und ethnische Gruppe ausgerichtet ist. Ein ausgewogenes Modell stellt unabhängig vom Hintergrund eine unvoreingenommene medizinische Versorgung für Patienten sicher, um ihre Chancen auf ein positives Operationsergebnis zu maximieren. Die Architektur in diesem Artikel verwendet Tools für die Interpretierbarkeit und Verzerrungserkennung aus der Toolbox für verantwortungsvolle KI.

Eine der weltweit größten Organisationen im Gesundheitswesen – National Health Services (NHS) im Vereinigten Königreich – verwendet die Azure Machine Learning-Plattform und die Toolbox für verantwortungsvolle KI für Risikostratifizierungsmodelle für die orthopädische Chirurgie. Weitere Informationen finden Sie unter Zwei NHS-Chirurgen ermitteln mit Azure KI Patienten mit erhöhtem Risiko während Operationen.

Oder schauen Sie sich dieses kurze Video an:


Mögliche Anwendungsfälle

Diese Lösung eignet sich ideal für die Gesundheitsbranche. Risikostratifizierungsmodelle werden für folgen Szenarien verwendet:

  • Klinische Medizin. Die Lösung ermöglicht die Vorhersage von Operationsergebnissen für Patienten, die sich orthopädischen Eingriffen, Herz-, Augen- und anderen Arten von Operationen unterziehen.
  • Öffentliche Gesundheitseinrichtungen. Die Lösung hilft medizinischen Fachkräften und politischen Entscheidungsträgern, die Ausbreitung bestimmter Krankheiten zwischen Bewohnern in geografischen Gebieten zu verstehen, z. B. um zu bestimmen, wie viele Einwohner anfällig für COVID sind.
  • Epidemiologie. Mit der Lösung können klinische Studien implementiert werden, um die Ergebnisse einer Behandlung im Vergleich zu einem Placebo besser zu verstehen.

Überlegungen

Diese Überlegungen bilden die Säulen des Azure Well-Architected Framework, einer Reihe von Leitprinzipien, die Sie zur Verbesserung der Qualität eines Workloads verwenden können. Weitere Informationen finden Sie unter Microsoft Azure Well-Architected Framework.

Die Technologien in dieser Architektur wurden im Hinblick auf ihre Skalierbarkeit und Verfügbarkeit ausgewählt, damit die Kosten verwaltet und kontrolliert werden können.

Zuverlässigkeit

Zuverlässigkeit stellt sicher, dass Ihre Anwendung Ihre Verpflichtungen gegenüber den Kunden erfüllen kann. Weitere Informationen finden Sie in der Überblick über die Säule „Zuverlässigkeit“.

Die Komponenten in dieser Architektur bieten hohe Zuverlässigkeit. Die Aufgaben beim maschinellen Lernen und bei Analysen bestehen jedoch aus zwei Teilen: Training und Bereitstellung in der Produktion. Die für das Training erforderlichen Ressourcen erfordern normalerweise keine Hochverfügbarkeit. Für die Produktionsbereitstellung wird Hochverfügbarkeit vollständig von Azure Machine Learning-Endpunkten unterstützt.

Sicherheit

Sicherheit bietet Schutz vor vorsätzlichen Angriffen und dem Missbrauch Ihrer wertvollen Daten und Systeme. Weitere Informationen finden Sie unter Übersicht über die Säule „Sicherheit“.

Dieses Szenario bietet eine verbesserte, in die Komponenten integrierte Sicherheit. Außerdem sind Berechtigungen verfügbar, die Sie über die Microsoft Entra-Authentifizierung oder die rollenbasierte Zugriffssteuerung verwalten können. Gehen Sie wie unter Bewährte Azure Machine Learning-Methoden für die Unternehmenssicherheit beschrieben vor, um geeignete Sicherheitsstufen einzurichten.

Azure Synapse bietet branchenführende Sicherheitsfeatures auf Unternehmensniveau, die zum Schutz von Daten sowie zum Verbessern der Netzwerksicherheit und des Bedrohungsschutzes Komponentenisolation bieten. Die Komponentenisolation kann im Fall eines Sicherheitsrisikos die Anfälligkeit für Angriffe minimieren. Azure Synapse ermöglicht auch die Datenobfuskation, um vertrauliche personenbezogene Daten zu schützen.

Azure Data Lake bietet Sicherheitsfunktionen auf allen Ebenen, von verbessertem Schutz von Daten und Datenmaskierung bis hin zum Bedrohungsschutz. Weitere Informationen finden Sie unter Sicherheit in Azure Data Lake Storage Gen1.

Weitere Informationen zu den Sicherheitsfeatures für diese Architektur finden Sie in den folgenden Ressourcen:

Wichtig

Beim Umgang mit Gesundheitsdaten müssen Sie sicherstellen, dass personenbezogene Daten von Patienten mit Sorgfalt behandelt werden, und die HIPAA-Standards (Health Insurance Portability and Accountability Act) einhalten. Wenn personenbezogene Daten erforderlich sind, müssen Sie möglicherweise weitere Lösungen für Enklaven oder die homomorphe Verschlüsselung implementieren.

Kostenoptimierung

Bei der Kostenoptimierung geht es um die Suche nach Möglichkeiten, unnötige Ausgaben zu reduzieren und die Betriebseffizienz zu verbessern. Weitere Informationen finden Sie unter Übersicht über die Säule „Kostenoptimierung“.

  • Die Skalierbarkeit der Ressourcen basiert auf der Analyseworkload sowie den Trainings- und Bereitstellungsworkloads, um je nach Bedarf eine Kostenoptimierung zu ermöglichen.
  • Verwenden Sie den Azure-Preisrechner, um die Kosten für die Implementierung dieser Lösung abzuschätzen, und geben Sie dabei die in diesem Artikel beschriebenen Dienste ein. Weitere hilfreiche Informationen finden Sie auch unter Übersicht über die Säule „Kostenoptimierung“.

Erstklassige Betriebsprozesse

Die Säule „Optimaler Betrieb“ deckt die Betriebsprozesse ab, die für die Bereitstellung einer Anwendung und deren Ausführung in der Produktion sorgen. Weitere Informationen finden Sie unter Übersicht über die Säule „Optimaler Betrieb“.

Befolgen Sie die MLOps-Richtlinien, um End-to-End-Lebenszyklen für maschinelles Lernen, die über mehrere Arbeitsbereiche hinweg skalierbar sind, zu standardisieren und zu verwalten. Stellen Sie vor dem Wechseln in den Produktionsbetrieb sicher, dass die implementierte Lösung fortlaufende Rückschlüsse mit Neutrainingszyklen und automatisierten Neubereitstellungen von Modellen unterstützt. Folgende Ressourcen können dabei hilfreich sein:

Die verantwortungsvolle KI im Rahmen von Azure Machine Learning basiert auf den sechs Säulen der KI-Entwicklung und -Nutzung: Fairness, Zuverlässigkeit und Sicherheit, Datenschutz und Sicherheit, Inklusion, Transparenz und Verantwortlichkeit. Eine Übersicht und Implementierungsdetails finden Sie unter Was ist verantwortungsvolle KI?.

Effiziente Leistung

Leistungseffizienz ist die Fähigkeit Ihrer Workload, auf effiziente Weise eine den Anforderungen der Benutzer entsprechende Skalierung auszuführen. Weitere Informationen finden Sie unter Übersicht über die Säule „Leistungseffizienz“.

Die meisten Komponenten in diesem Szenario können je nach Analyseaktivitäten hoch- oder herunterskaliert werden. Azure Synapse bietet Skalierbarkeit und hohe Leistung und kann bei niedriger Aktivität reduziert oder angehalten werden.

Sie können Azure Machine Learning je nach Datenmenge und erforderlichen Computeressourcen für das Modelltraining skalieren. Sie können die Bereitstellungs- und Computeressourcen basierend auf der erwarteten Last und dem Bewertungsdienst skalieren.

Weitere Informationen zum Entwerfen skalierbarer Lösungen finden Sie in der Prüfliste zur Leistungseffizienz.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:

Hauptautor:

Andere Mitwirkende:

Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.

Nächste Schritte