EClinicalWorks (eCW) kimi kompleks Elektron Sağlamlıq Qeydləri (EHR) sistemlərindən mənalı analitik nəticələr çıxarmaq uzun müddətdir ki, bir çox səhiyyə təminatçısı üçün əhəmiyyətli əməliyyat yüküdür. Problem yalnız məlumatların həcmi deyil, həm də aşağıdakıdır: əsas verilənlər bazası sxeminin məlum mürəkkəbliyi - tez-tez yüzlərlə, hətta bəzən minlərlə əlaqəli cədvəli əhatə edir. Ənənəvi olaraq, xüsusi hesabatlar yaratmaq və ya ad-hoc təhlili aparmaq üçün bu mürəkkəb quruluşda işləmək aşağıdakıları tələb edirdi: xüsusi, ixtisaslaşmış kadrları.
Tibb müəssisələri biznes suallarını funksional sorğulara çevirmək üçün eCW haqqında dərin biliklərə malik bahalı daxili hesabat mütəxəssislərinə, xüsusi verilənlər bazası analitiklərinə və ya bahalı xarici məsləhətçilərə etibar edirdi. Bu məhdud ekspertizadan asılılıq qaçılmaz olaraq əhəmiyyətli darboğazlar yaradır, kritik klinik və əməliyyat məlumatlarına girişi gecikdirir və əməliyyat xərclərini artırır; bu da təşkilatların öz qiymətli məlumat aktivlərindən nə qədər səmərəli istifadə edə biləcəyini əsaslı şəkildə məhdudlaşdırır.
Bəs qabaqcıl AI bu tələbkar, təcrübəyə əsaslanan tapşırığın çox hissəsini avtomatlaşdıra bilsəydi nə olardı? TURBOARD, bu əsas texniki problemi həll etmək üçün generativ AI tətbiq etməkdə ön sıralardadır. Bu blog yazısı aşağıdakıları təqdim edir: texniki baxış AI-nin mürəkkəb sxemləri necə başa düşdüyünün və eCW kimi sistemlər üçün dəqiq SQL sorğularını avtomatik olaraq yaratdığı mexanizmlərə. Bu sistem effektiv şəkildə miqyaslana bilən, AI-yə əsaslanan məlumat mütəxəssisi kimi fəaliyyət göstərir. Kompleks EHR məlumat əldə etmək üçün “necə” ilə maraqlanırsınızsa, oxuyun.
Texniki Maneə: eCW Sxem Mürəkkəbliyinin Dekonstruksiyası
eCW kimi sistemlərlə əsas texniki problem yalnız məlumatların həcmində deyil, əsas etibarilə əsas verilənlər bazası sxeminin miqyası və mürəkkəbliyindədir. Çox vaxt söhbət aşağıdakılardan gedir: yüzlərlə, bəzən hətta minlərlə cədvəldən Bu cədvəllər illərlə inkişaf etdirilmişdir. Xüsusi, mənalı anlayışların çıxarılması, bu cür quruluşlara xas olan bir neçə əsas texniki çətinliyin naviqasiyasını tələb edir:
Mürəkkəb qarşılıqlı əlaqə: Tək bir konsepsiyaya aid məlumatlar (xəstə ziyarəti və ya faturalama dövrü kimi) adətən çoxsaylı cədvəllərdə parçalanır. Bu cədvəllər səhv və ya səhv nəticələr yaratmadan məlumatları düzgün birləşdirmək üçün dəqiq başa düşülməli və düzgün istifadə edilməli olan mürəkkəb xarici açar əlaqələri vasitəsilə əlaqələndirilir.
Potensial Qeyri-Intuitiv Ad: Cədvəl və sütun adları miras konvensiyalarına, texniki qısaltmalara və ya iş mənalarını dərhal təsvir etməyən nümunələrə uyğun ola bilər. Tez-tez lazım olan dəqiq sahələri əl ilə müəyyən etmək, potensial olaraq köhnəlmiş məlumat lüğətlərinə əhəmiyyətli sxem kəşfiyyatı və ya etibar tələb edir.
Mürəkkəb birləşdirmə məntiqi tələb olunur: Hətta orta dərəcədə mürəkkəb suallara cavab vermək tez-tez inkişaf etmiş çoxcədvəlli SQL ifadələri qurmağı tələb edir: QOÇ DÜŞÜN ifadələri. Bunları düzgün və səmərəli şəkildə yazmaq, eCW cədvəlləri arasındakı əlaqələr haqqında güclü SQL bacarıqları və xüsusi bilik tələb edir, bu da əl ilə edildikdə ümumi səhvlər və performans problemlərinin mənbəyinə çevrilir.
Əl ilə araşdırmanın səmərəsizliyi: Yüzlərlə potensial cədvəllə qarşılaşdıqda, sadəcə əl ilə baxmağa, xəritələşdirməyə və hər bir unikal ad-hoc sorğusu və ya xüsusi hesabat üçün cədvəllərin və sahələrin düzgün birləşməsini müəyyən etməyə çalışmaq böyük miqyasda son dərəcə vaxt aparır və praktik deyil.
Bu, ənənəvi olaraq əvvəllər müzakirə olunan dərin, ixtisaslaşmış texniki bilikləri tələb edən və bununla da hesabat məhdudiyyətləri və analitik darboğazları yaradan geniş miqyaslı, əlaqəli mürəkkəbliyin və potensial qeyri-şəffaf adlandırma konvensiyalarının birləşməsidir. eCW istifadəçilərinin müntəzəm olaraq qarşılaşdığı çətinliklərdir. Bu texniki mənzərəni başa düşmək, əsasən yeni, AI-yə əsaslanan bir yanaşmanın niyə bu cür transformativ potensial təklif etdiyini vurğulayır.
TURBOARD-ın sxemi dərindən anlamaq üçün AI arxitekturası
Beləliklə, TURBOARD-ın GenAI-si bir istifadəçinin təbii dil sualı ilə yüzlərlə mürəkkəb eCW cədvəlində dəqiq SQL sorğusu arasındakı boşluğu texniki olaraq necə aradan qaldırır? Verilənlər bazası introspection, semantik analiz və ağıllı kod istehsalını birləşdirən, əvvəllər dərin insan təcrübəsi tələb edən prosesi effektiv şəkildə təqlid edən və avtomatlaşdıran inkişaf etmiş, çox mərhələli bir yanaşmadan istifadə edir.
AI vs. Kompleks eCW Sxema: Demoya baxın!
A. Təməl metadata təhlili: Strukturu Anlamaq
Məlumatların mənasını anlamağa çalışmadan əvvəl AI, verilənlər bazasının quruluşunu ilk növbədə başa düşmək üçün TURBOARD-ın dərin inteqrasiya imkanlarından istifadə edir. O, verilənlər bazasının özündəki aşağıdakı mənbələri ağıllı şəkildə sorğulayır: metadata repozitoriyalarını. Adətən SQL Server-də işləyən eCW sistemləri üçün bu, sistem kataloqu görünüşlərinə və Dinamik İdarəetmə Baxışlarına daxil olmağı əhatə edir (DMVs kimi sys.dm_db_partition_statts, sys.columns, sys.tablesvə s.) Bu proses vacib struktur məlumatlarını səmərəli şəkildə əldə edir: potensial olaraq müvafiq cədvəllərin siyahıları, bu cədvəllər daxilində sütun adları, məlumat növləri və bəzən hətta müəyyən edilmiş ilkin/xarici açar əlaqələri və ya indekslər. Bu metadata təhlili, istifadəçinin istəyinə cavab vermək üçün lazım olan potensial tikinti bloklarını müəyyən edərək, bahalı tam məlumat taramalarını tələb etmədən məlumat mənzərəsinin sürətli, təməl “xəritəsini” təmin edir.
B. Dərin Semantik Anlaşma: RAG və vektorlarla mənanın açılması
Quruluşu bilmək yalnız ilk addımdır. Mürəkkəb EHR sxemlərində potensial qeyri-intuitiv adlandırma konvensiyalarını nəzərə alaraq, həm istifadəçinin təbii dil sorğusunun, həm də verilənlər bazası elementlərinin semantik mənasını anlamaq vacibdir.
Təbii Dil Emalı (NLP): İstifadəçinin sadə ingilis dilindəki sorğusu əsas anlayışları (məsələn, “xəstə”, “ziyarət”, “viral yük”, arzu olunan ölçüləri, filtrləmə şərtlərini və əlaqələrini müəyyən etmək üçün təhlil edilir.
Axtarışla zənginləşdirilmiş generasiya (RAG): Bu güclü texnika AI-nin kontekstual məlumatlılığını əhəmiyyətli dərəcədə artırır. Sistem yalnız ümumi təliminə güvənmək əvəzinə, eCW sxem nümunələrinə, ümumi səhiyyə terminologiyasına, EHR-lərdə tipik məlumat əlaqələrinə və ya anonim sorğu qeydlərindən və ya sənədlərdən əldə edilən anlayışlara xas olan yüksək müvafiq məlumatları əldə edərək Böyük Dil Modelinin anlayışını artırır. Bu əldə edilmiş kontekst, AI-ni xüsusi bir “qısa istinad vərəqi” ilə təmin etmək kimi çıxış edir, təbii dil terminlərini düzgün, tez-tez gizli şəkildə adlandırılan, cədvəllərə və sütunlara dəqiq xəritələşdirməyə kömək edir.
Vektor Verilənlər Bazaları: Sinonimlər, terminologiyadakı dəyişikliklər və ya dəqiq açar söz matçları olmadan əlaqəli anlayışlar tapmaq üçün TURBOARD vektor verilənlər bazalarından istifadə edir. Bu verilənlər bazaları, adlandırma eyni olmasa da, istifadəçinin istədiyinə konseptual olaraq bənzər sütunları və ya cədvəlləri müəyyən etməyə imkan verən riyazi vektorlar kimi cədvəl adları, sütun adları və sorğu terminlərinin semantik mənasını təmsil edir. Bu, bütün müvafiq məlumat nöqtələrinin müəyyənləşdirilməsinin düzgünlüyünü kəskin şəkildə artırır.
Misal: AI, eCW cədvəllərində xəstə məlumatları üçün sadə təbii dil istəklərini idarə edir.
C. Ağıllı SQL qurulması: Sorğunu LLM-lərlə yaratmaq
Metadatadan həm struktur xəritəsi, həm də RAG və vektor işlənməsindən əldə edilən dərin semantik anlayışla silahlanmış son mərhələ dəqiq və səmərəli SQL sorğusunun qurulmasını əhatə edir. Bu mürəkkəb tapşırıq aşağıdakı güclü modellərdən istifadə etməklə təşkil olunur: Böyük Dil Modelləri (LM).
Optimallaşdırılmış Sorğu Məntiqi: Müəyyən edilmiş cədvəllərə və sahələrə və semantik analiz yolu ilə başa düşülən münasibətlərə əsaslanaraq, AI aşağıdakılar arasından ən uyğun olanları müəyyən edir: QOÇ DÜŞÜN şərtlər (tez-tez əsas əl problemi), və zəruri HARADA şərtinin filtrlərini tətbiq edir, düzgün sütunları seçir və məntiqi olaraq sorğunu təşkil edir. Məlumatların dəyişdirilməsi və ya təbii dildə tələb olunan toplamalar kimi kompleks tələbləri birləşdirə bilər.
Giriş: Advanced NLQ qoşulma, filtrləmə və çevrilmələr tələb edir.
Çevik və Təhlükəsiz LLM Yerləşdirmə: TURBOARD, aparıcı LLM-ləri dəstəkləməklə həlledici rahatlıq təmin edir Gemma, Mistral və Qwen. Əhəmiyyətli olan budur ki, bu inkişaf etmiş modellər tez-tez təşkilatınızın infrastrukturu daxilində etibarlı şəkildə yerləşdirilə bilər və həssas xəstə sağlamlıq məlumatlarının emal zamanı nəzarətinizi tərk etməsinə ehtiyac olmadığını təmin edir. Bundan əlavə, bu xüsusi SQL yaratma tapşırığı üçün, adətən, bu modellər resurs tələb edən incə tənzimləməyə ehtiyac duymur xüsusi məlumatlarınız əsasında; bu, yerləşdirməni asanlaşdırır və məlumatların məxfiliyini artırır.
Bu sistematik metodologiya - verilənlər bazası metadata analizini, RAG və vektorlar vasitəsilə kontekstdən xəbərdar olan semantik şərhi və təhlükəsiz, çevik LLM-lərdən istifadə edərək ağıllı SQL yaradılmasını birləşdirir - TURBOARD-ın GenAI SQL Agent-ineki eClinicalWorks kimi çətin mühitlərdə mürəkkəb məlumat girişi etibarlı şəkildə avtomatlaşdırmasıdır.
Miqyaslana bilmə və avtomatlaşdırılmış nəticə
TURBOARD-ın strukturlaşdırılmış AI yanaşmasının əsas üstünlüyü - ilkin metadata filtrasiyasını dərin semantik anlayış və hədəflənmiş LLM sorğusunun yaradılması - təbii miqyaslana bilmə qabiliyyətidir. Mürəkkəbliyin cədvəllərin sayı ilə eksponent olaraq böyüdüyü əl üsullarından fərqli olaraq, bu proses hər mərhələdə diqqəti ağıllı şəkildə daraldaraq yüzlərlə və ya hətta minlərlə cədvəli cəlb edən sxemləri səmərəli şəkildə idarə edir. Bu, əvvəllər həlli çətin olan geniş sxemləri araşdırmaq tapşırığını avtomatlaşdırma yolu ilə idarəolunan edir.
GenAI SQL Agent tərəfindən verilən son nəticə yalnız koddan daha çoxdur; dəqiq, sistem tərəfindən təsdiqlənmiş SQL sorğusu İstifadəçinin təbii dil tələbi əsasında dəqiq qurulmuşdur. Bu sorğu avtomatik olaraq aşağıdakıları hazırlayır: İstifadəyə hazır məlumat görünüşü birbaşa TURBOARD daxilində. Bu, ənənəvi olaraq bir neçə gün və ya həftə ixtisaslaşmış əl işi tələb edə biləcək bir prosesi - insan səhvinə meylli və ekspert mövcudluğuna güvənən - ardıcıl olaraq bir neçə dəqiqə ərzində tamamlanan bir prosesə çevirir və məlumatlara sürətli, etibarlı çıxış təmin edir.
Nəticə
EClinicalWorks kimi hərtərəfli EHR sistemlərinin mürəkkəb, tez-tez yayılan verilənlər bazası sxemlərini gəzmək, səhiyyədə effektiv məlumatların istifadəsi üçün əhəmiyyətli, davamlı bir maneəni təmsil edir. Araşdırdığımız kimi, TURBOARD bu problemi kobud güclə deyil, aşağıdakı mürəkkəb quruluşla həll edir: GenAI arxitekturası. Platformamız verilənlər bazası metadatasının təhlilini struktur haqqında məlumat almaq üçün, axtarışla zənginləşdirilmiş generasiya (RAG) və vektor verilənlər bazalarını sorğuları və sxemləri dərindən anlamaq üçün, güclü və çevik Böyük Dil Modellərini ağıllı SQL qurulması üçün birləşdirərək əvvəllər geniş əl səyləri və dərin, ixtisaslaşmış təcrübə tələb edən vəzifələri effektiv şəkildə avtomatlaşdırır.
Bu texniki yanaşma AI-nin yüzlərlə bir-birinə bağlı cədvəli təbii dil vasitəsilə idarəolunan və sorğulana bilən hala gətirdiyini göstərir. Bu, mürəkkəb sistemlər daxilində kilidlənmiş kritik məlumatlara əhəmiyyətli dərəcədə daha sürətli, daha etibarlı giriş imkanı verən ənənəvi hesabat metodlarının məhdudiyyətləri və darboğazlarından kənar bir sıçrayışı təmsil edir. Nəticədə, AI vasitəsilə bu məlumatların mürəkkəbliyini mənimsəmək, daha çevik, dərin və təsirli səhiyyə analitikası üçün yol açır, təşkilatlara məlumatlarını tam başa düşməyə əsaslanaraq daha yaxşı qərarlar qəbul etməyə imkan verir.
Saytımızdan ən səmərəli şəkildə istifadə edə bilməyiniz üçün kukilərdən istifadə olunur. Saytdan istifadə etməklə kukiləri qəbul etmiş olursunuz. Ətraflı məlumat üçün Kuki siyasətimizə baxın.