使用醫療保健資料解決方案中的非結構化臨床筆記擴充 (預覽版)

[本文章是發行前版本文件，隨時可能變更。]

注意

目前正在更新此內容。

非結構化臨床記錄豐富 (預覽版) 使用 Azure AI 語言的 Text Analytics for health 服務，從非結構化臨床記錄中提取關鍵的快速醫療互通性資源 (FHIR) 實體。 它從這些臨床記錄中生成結構化資料。 接著，您可以分析這些結構化資料，以獲得洞察、進行預測並衡量品質，目標是提升患者的健康成果。

若要了解此功能的詳細資訊並了解如何部署和設定它，請參閱：

• 非結構化臨床筆記擴充 (預覽版) 的概觀
• 部署和設定非結構化臨床筆記擴充 (預覽版)

非結構化臨床記錄增強功能 (預覽版) 直接依賴於醫療資料基礎功能。 請先確保成功設定並執行醫療資料基礎管線。

先決條件

• 在 Microsoft Fabric 中部署醫療資料解決方案
• 在部署醫療保健資料基礎中安裝基礎筆記本和管線。
• 按照設定 Azure 語言服務中的說明來設定 Azure 語言服務。
• 部署和設定非結構化臨床筆記擴充 (預覽版)
• 部署和設定 OMOP 轉換。 此步驟是選擇性的。

NLP 擷取服務

healthcare#_msft_ta4h_silver_ingestion 筆記本在醫療保健資料解決方案庫中執行 NLPIngestionService 模組，並叫用 Text Analytics for health 服務。 此服務從 FHIR 資源 DocumentReference.Content 中提取非結構化臨床筆記，以建立平展輸出。 若要瞭解詳細資訊，請參閱查看筆記本設定。

資料儲存在銀層

在自然語言處理 (NLP) API 分析之後，結構化和扁平化的輸出存儲在 healthcare#_msft_silver 湖倉內的以下本機表中：

• nlpentity：包含從非結構化臨床筆記中提取的扁平實體。 每一列都是在執行文本分析後，從非結構化文本中擷取出的單一術語。
• nlprelationship：提取的實體之間的關係。
• nlpfhir：以 JSON 字串形式包含 FHIR 輸出捆綁包。

為了追蹤最後更新的時間戳，NLPIngestionService 在三個銀湖倉資料表中都使用 parent_meta_lastUpdated 欄位。 此追蹤確保來源文件 DocumentReference 作為上層資源被首先儲存，以維持參照完整性。 此過程有助於防止資料不一致和孤立資源的產生。

重要

目前，Text Analytics for health 傳回的詞彙來自 UMLS Metathesaurus 詞彙文件中的詞彙表。 有關這些詞彙表的指導，請參閱 從 UMLS 匯入資料。

對於預覽版，我們使用 SNOMED-CT (醫學系統化命名法 - 臨床術語)、LOINC (邏輯觀察標識符、名稱和代碼) 和 RxNorm 術語，這些術語包含在基於觀察健康資料指導的 OMOP 範例資料集中科學與資訊學 (OHDSI)。

OMOP 轉換

中的 Microsoft Fabric 醫療保健資料解決方案還為觀察性醫療結果合作夥伴關係 (OMOP) 轉換提供了另一種功能。 執行此功能時，從銀湖倉到金湖倉的基礎 OMOP 轉換也會轉換非結構化臨床筆記分析的結構化和扁平化輸出。 該轉換從銀湖倉中的 nlpentity 資料表讀取資料，並將輸出對應到 OMOP 湖倉中的 NOTE_NLP 資料表。

如需詳細資訊，請參閱 OMOP 轉換概觀。

下面是結構化 NLP 輸出的架構，以及相應的 NOTE_NLP 列對應到 OMOP 通用資料模型：

展平的文件參照	描述	Note_NLP 對應	範例資料
id	唯一的實體識別碼。 parent_id、offset 和 length 的複合鍵。	note_nlp_id	1380
parent_id	從中提取術語的扁平化 documentreferencecontent 參考內容文本的外部索引鍵。	note_id	625
文字	顯示在文件中的實體文字。	lexical_variant	無已知過敏
位移	輸入 documentreferencecontent 文字中提取的術語的字元偏移量。	offset	294
data_source_entity_id	指定來源目錄中的實體識別碼。	note_nlp_concept_id 和 note_nlp_source_concept_id	37396387
nlp_last_executed	文件引用內容 documentreferencecontent 日期。	nlp_date_time 和 nlp_date	2023-05-17T00:00:00.0000000
機型	NLP 系統的名稱和版本 (Text Analytics for health NLP 系統的名稱和版本)。	nlp_system	MSFT TA4H

Text Analytics for Health 的服務限制

• 每個文件的最大字元數限制為 125,000。
• 整個請求中包含的文件的最大大小限制為 1 MB。
• 每個請求的最大文件數量限制為：
  • 25 用於基於 Web 的 API。
  • 容器的 1000。

啟用記錄

請按照以下步驟為 Text Analytics for Health API 啟用要求和回應記錄：

• 使用啟用 Azure AI 服務的診斷記錄中的說明來啟用您的 Azure 語言服務資源的診斷設置。 此資源與您在設定 Azure 語言服務部署步驟中建立的語言服務相同。

  • 輸入診斷設定名稱。
  • 將類別設置為請求與回應記錄。
  • 有關目標詳細資訊，請選擇發送到 Log Analytics 工作區，然後選擇所需的 Log Analytics 工作區。 如果沒有工作區，請按照提示建立一個工作區。
  • 儲存設定。

  

• 前往 NLP 擷取服務筆記本中的 NLP 配置部分。 將設定參數的值 enable_text_analytics_logs 更新為 True。 如需此筆記本的詳細資訊，請參閱檢閱您的筆記本設定。

檢視 Azure Log Analytics 中的記錄檔

若要瀏覽紀錄分析資料，請執行以下操作：

• 瀏覽至您的 Log Analytics 工作區 工作區。
• 找到並選擇記錄。 在此頁中，您可以對記錄執行查詢。

樣本查詢

以下是您可以用來探索記錄資料的基本 Kusto 查詢： 此範例查詢擷取過去一天中來自 Azure 認知服務資源提供程式的所有失敗請求，按錯誤類型分組：

AzureDiagnostics
| where TimeGenerated > ago(1d)
| where Category == "RequestResponse"
| where ResourceProvider == "MICROSOFT.COGNITIVESERVICES"
| where tostring(ResultSignature) startswith "4" or tostring(ResultSignature) startswith "5"
| summarize NumberOfFailedRequests = count() by ResultSignature

相關資訊

• 非結構化臨床筆記擴充 (預覽版) 的概觀
• 部署和設定非結構化臨床筆記擴充 (預覽版)