Von Bedeutung
英語以外の翻訳は便宜上のみ提供されています。 詳細なバージョンについては、このドキュメントの EN-US バージョンを参照してください。
透明度に関するメモとは
Von Bedeutung
Text Analytics for Health は、"現状のまま"、"保証なしで" 提供される機能です。 Text Analytics for Health は、医療デバイス、臨床サポート、診断ツール、または他のテクノロジ (病気や他の状況の診断、治療、軽減、取り扱い、防止での使用が意図されているもの) として使用することを意図されたり、使用できるようにされているものではなく、そのような目的でのこの機能の使用に対して、マイクロソフトからはライセンスや権利は付与されません。 この機能は、専門的な医療のアドバイスや医学的意見、診断、治療、または医療専門家による医学的判断に代わるものとして実装またはデプロイするために設計されたり、それを意図されたりしたものではなく、そのようには使用しないでください。 お客様は、Text Analytics for Health の使用に関するすべての責任を持ちます。 お客様は、UMLS Metathesaurus 使用許諾契約書の付録または将来の同等のリンクに設定されている使用条件に基づき、使用する予定のソースボキャブラリを個別にライセンスする必要があります。 お客様は、地理的または他の適用される制限を含め、これらのライセンス条項に準拠する責任を負います。
Text Analytics for Health でテキスト内の健康の社会的決定要因 (SDOH) と民族性に関する言及を抽出できるようになりました。 この機能は、すべての考えられる SDOH をカバーしているわけではなく、SDOH または民族性に基づく推論を導き出すことはありません (たとえば、薬物の使用情報は表面化しますが、薬物の乱用が推論されることはありません)。 Text Analytics for Health の出力を活用した、個人またはリソース割り当てに影響を与えるすべての決定 (課金、人事、治療管理に関連するものを含みますが、これらに限定されません) は、モデルの発見結果のみに基づいてではなく、人間の監視のもとで行われる必要があります。 SDOH と民族性の抽出機能の目的は、プロバイダーが健康アウトカムを向上させるのを支援することです。プロバイダーの健康アウトカムの向上を支援する目的を超えて、SDOH データのユーザーや消費者、または患者集団に関する否定的な推論を導き出すために使用するべきではありません。
AI システムには、テクノロジだけでなく、それを使用する人、それによって影響を受ける人、それが展開される環境も含まれています。 意図した用途に合ったシステムを作成するには、テクノロジがどのように機能するか、その機能と制限事項は何か、どのように最適なパフォーマンスを実現するかを理解する必要があります。 Microsoft の透過性のためのメモは、AI テクノロジがどのように機能するか、システム所有者が選択できる、システムのパフォーマンスと動作に影響する選択肢、およびテクノロジ、人、環境を含むシステム全体について考える重要性を理解する助けとなるように用意されています。 透過性のためのメモは、独自のシステムを開発または展開するときに使用することも、システムを使用するユーザーやシステムの影響を受けるユーザーと共有することもできます。
Microsoft の透明性に関するメモは、AI の原則を実践するための Microsoft の広範な取り組みの一環です。 詳細については、Microsoft の 責任ある AI 原則を 参照してください。
Text Analytics for Health の基本
イントロダクション
Foundry Tools の Azure Language の正常性機能の Text Analytics では、自然言語処理手法を使用して、診断、症状、薬、治療などの重要な正常性情報を非構造化テキストで検索してラベル付けします。 このサービスは、退院概要、臨床ノート、臨床試験プロトコル、医療出版物など、さまざまな種類の非構造化医療文書に使用できます。 Text Analytics for health は、名前付きエンティティ認識 (NER) を実行し、識別されたエンティティ間の関係を抽出し、否定や条件付きなどのアサーションを表示し、検出されたエンティティを一般的なボキャブラリにリンクします。
Text Analytics for health は、一般提供の一環として、英語で非構造化テキストを受け取ることができます。 現在、追加の言語はプレビュー オファリングでサポートされています。 詳細については、「言語サポート」を参照してください。
API とその機能の 概要を確認 できます。 また、 サポートされているエンティティとリレーションも参照してください。
さらに、テキスト分析の健康向け機能にカスタマイズが可能になり、新しいプレビュー機能であるカスタマイズ可能な健康向けテキスト分析が提供されるようになりました。 Custom Text Analytics for Health を使用すると、医療向けに設計されたカスタム NER モデルを独自のデータ トレーニングを使用してドメイン固有のカテゴリを抽出し、既存の Text Analytics for Health エンティティ マップを拡張できます。 お客様は、新しく定義されたカスタム エンティティの辞書または特定のボキャブラリと、既存の Text Analytics for Health エンティティ (Medication Name など) を定義することもできます。 したがって、健康用テキスト分析のカスタム機能は、テキスト分析が提供する同じ機能に加えて、新しいMLエンティティを追加し、既存のエンティティにカスタムボキャブラリを追加することで既存のエンティティマップを拡張する機能を提供します。
キーワード
Text Analytics for health では、現在、名前付きエンティティ認識 (NER)、リレーションシップ抽出、アサーション検出、生体テキストのエンティティ リンクが実行されています。 また、学習されたエンティティとリスト コンポーネントを使用して追加のカスタム エンティティ抽出を補足することもできます。これで、カスタム Text Analytics for Health を使用して使用できるようになりました。
| 任期 | 定義 |
|---|---|
| 固有表現認識 | 診断、薬名、症状、サイン、年齢など、1 つ以上のセマンティック型に関連付けることができる非構造化テキストで言及されている単語と語句を検出します。 |
| 関係抽出 | テキストで説明されている概念間の意味のある接続を識別します。 たとえば、"条件の時刻" の関係は、条件名を時刻に関連付けることによって見つかります。 |
| アサーションの検出 | 否定や条件付きなど、テキストに記述されているサーフェス エンティティ修飾子。 医療コンテンツの意味は、これらの修飾子の影響を大きく受ける可能性があります。 |
| エンティティリンク | テキストに記載されている名前付きエンティティを、統合医療言語システム (UMLS) などの概念の定義済みデータベースにある概念に関連付けることで、個別のエンティティを明確にします。 |
| エンティティ学習コンポーネント | ラベル付きデータを使用してカスタム モデルをトレーニングすることで、治療、施設、医療器具などの新しいカスタム エンティティの定義を許可します。 |
| エンティティ リスト コンポーネント | 選択したエンティティに対応するシノニムまたはボキャブラリの一覧を定義することで、辞書認識エンジンを使用して、新しいカスタム エンティティまたは既存の Text Analytics for Health エンティティを抽出できます。 たとえば、"Medication A" は、薬剤名エンティティの下に新しいリスト値として定義できます。 |
能力
システムの動作
ヘルスケア用のテキスト分析を使用するには、未加工の非構造化テキストを分析用に入力し、アプリケーション内でAPI出力を処理します。 1 つの API 呼び出しで、エンティティ認識、関係抽出、エンティティ リンク、アサーション検出の 4 つの主要な関数が実行されます。 分析は as-is実行され、事前トレーニング済みモデルの追加のカスタマイズは行われません。 Text Analytics for Health は、ヘルスケアのために、ホストされた API を使用するか、オンプレミス環境のコンテナーにデプロイすることで使用できます。 詳細については、 Text Analytics を呼び出して正常性を確認する方法を参照してください。
Text Analytics for Health をカスタマイズするには、カスタム Text Analytics for Health の作成エクスペリエンスを使用して、既存の事前構築済みエンティティ マップを拡張する新しいエンティティを作成します。 また、新しいカスタム エンティティと既存の事前構築済みエンティティ カテゴリ (Medication Name など) の完全一致を使用して、認識される新しいボキャブラリを定義することもできます。 プロジェクトのエンティティ マップを定義したら、カスタム モデルをトレーニングしてデプロイして予測を行うことができます。 既定では、デプロイされたカスタム モデルでは、事前構築済みのエンティティ カテゴリの正常性のために Text Analytics に既に含まれているすべての機能がサポートされます。 さらに、カスタム モデルには、新しいエンティティ カテゴリのカスタム NER と、事前構築済みエンティティに対して定義されたディクショナリが含まれています。 そのため、カスタム モデルに対する予測は、Text Analytics for health で、固有表現認識、関係抽出、エンティティ リンク設定、アサーション検出を行い、顧客が定義したエンティティ カテゴリや、新規および既存のエンティティ カテゴリに対して定義されるボキャブラリを抽出します。 カスタム モデルのトレーニングに使用されるすべてのデータは、プライベート BLOB ストレージに格納されます。 さらに、カスタム モデルを呼び出すには APIM サブスクリプション キーが必要です。つまり、カスタム モデルは、秘密鍵を共有しているユーザーのみが使用できます。
想定される使用例
Text Analytics for Health は、この種のシステムがサポートするさまざまな業界の複数のシナリオで使用できます。 お客様は、次のような動機で Text Analytics for health を使うことがよくあります。
- 医療ドキュメントの処理を支援および自動化して適切なコーディングを行い、ケアと課金の精度を向上させます。
- 医療データを分析する効率を高め、価値ベースのケア モデル (例: Medicare) の成功を促進します。
- 医療プロバイダーにオーバーヘッドを追加することなく、患者のケアと履歴の傾向を追跡するための主要なデータの集計を改善します。
- 医療サービスの日常的な臨床と管理と全体的な配信と評価をサポートする電子健康情報の交換、統合、共有、取得のフレームワークである HL7 標準の採用に向けて前進します。
カスタム Text Analytics for Health にも同じユース ケースと考慮事項が適用されますが、カスタム Text Analytics for health は、顧客がデータを持ち、独自のエンティティ カテゴリを作成するか、新規および既存のエンティティ カテゴリのボキャブラリを定義することで、既存の事前構築済みエンティティ マップを拡張するシナリオに適しています。
利用事例の例
次のユース ケースは、Text Analytics for Health およびカスタム Text Analytics for Health 機能のアプリケーションの一般的な例です。
- 分析情報と統計の抽出。 症状、薬、診断などの医療エンティティを臨床ノートや多様な臨床ドキュメントで特定します。 この情報を使用して、患者集団に関する分析情報と統計を作成し、臨床ドキュメントを検索し、ドキュメントや出版物を調査します。
- 履歴データからの予測分析と予測モデルの作成。 履歴データを使用して作成された予測モデルに基づいて、計画、意思決定サポート、リスク分析などのソリューションを開発できます。
- 補助注釈とキュレーション。 臨床データ注釈とキュレーションのサポート ソリューション。 たとえば、臨床コーディング、手動で作成されたデータのデジタル化、レジストリ レポートの自動化をサポートします。
- ヘルスケア関連の情報を表示または分析するためのサポートソリューション。 健康関連情報を表示または分析するためのソリューションをサポートします。 たとえば、レポートの目的で、品質保証プロセスをサポートしたり、人間がレビューする可能性のあるエラーにフラグを付けたりします。
ユース ケース選択時の考慮事項
Text Analytics for Health は、構造化されていない医療テキストから知識を管理および抽出する際に重要なツールです。 ただし、健康関連データの機密性の高い性質を考えると、使用事例を慎重に検討することが重要です。 いずれの場合も、人間はシステムから返される情報によって支援された意思決定を行う必要があり、いずれの場合も、ソース データを確認してエラーを修正する方法が必要です。 ユース ケースを選択する際のその他の考慮事項を次に示します。
- このサービスを医療デバイスとして使用するシナリオ、臨床サポートを提供するシナリオ、または診断、治療、軽減、治療、または人間の介入なしに病気やその他の状態の予防に使用する診断ツールとして使用するシナリオは避けてください。 資格のある医療専門家は、常にデューデリジェンスを行い、患者のケアの決定に影響を与える可能性のあるソース データを検証する必要があります。
- 人間の介入なしに医療サービスや医療保険を自動的に付与または拒否することに関連するシナリオは避けてください。 カバレッジ レベルに影響を与える決定は非常に影響を及ぼすため、これらのシナリオではソース データを常に検証する必要があります。
- 患者の同意または適用法で許可されていない目的で個人の健康情報を使用するシナリオは避けてください。 健康情報には、プライバシーと同意に関する特別な保護があります。 使用するすべてのデータが、システム内のデータの使用方法に対して患者の同意を得ているか、または健康情報の使用に関連する適用法に準拠していることを確認します。
- 検出されたエンティティを使用して、人間の介入なしに患者レコードを自動的に更新することを慎重に検討してください。 間違ったデータが他のシステムに伝達されないように、エラーを報告、トレース、修正する方法が常にあることを確認します。 患者レコードの更新が、資格のある専門家によってレビューおよび承認されていることを確認します。
- 人の介入なしに、患者の課金で検出されたエンティティを使用することを慎重に検討してください。 プロバイダーと患者が、誤った課金を生成するデータを報告、トレース、および修正する方法を常に持っていることを確認します。
- 検出された健康と民族性エンティティの社会的決定要因を利用するシナリオを慎重に検討してください。 誤った物質の使用推論を回避したり、社会的および人口統計的要因に基づいて不適切な形式のケアを提供したりしないように、エラーを報告、追跡、修正する方法があることを常に確認してください。
- カスタム Text Analytics for Health モデルを微調整する際に、自動フィードバック ループを使用するシナリオを慎重に検討してください。 カスタム モデル トレーニングは入力トレーニング データに対して非常に機密性の高い反復的なプロセスであるため、モデル品質の回帰を回避するために、運用環境にデプロイする前に必ずモデルをテストして評価してください。
- 法的および規制上の考慮事項: 組織は、AI サービスとソリューションを使用する際に、潜在的な特定の法的および規制上の義務を評価する必要があります。これは、すべての業界またはシナリオでの使用に適していない可能性があります。 さらに、AI サービスまたはソリューションは、該当するサービス利用規約と関連する行動規範で禁止されている方法のために設計されておらず、そのような方法で使うこともできません。
健康と民族性の社会的決定要因
Text Analytics for Health を使用すると、テキスト内のソーシャル決定要因 (SDOH) と民族性のメンションを抽出できます。 社会的および人口統計的エンティティを使用すると、基礎となる遺伝学、健康行動、社会的および環境的要因など、健康上の成果を促進できる直接的な医療以外のさまざまな要因の言及を解き開くことができます。 Text Analytics for Health SDOH エンティティ抽出機能を活用することで、多くの場合、社会的および経済的な不利益に根ざしている健康上の不平等を減らし、ケアを改善し、健康不公平の問題を評価し、低いグループを臨床試験や研究に組み込むことができます。 詳細については、「 健康の社会的決定要因」を参照してください, FDAは、臨床試験における人種と民族の多様性を高めるために重要な措置を取ります |FDA と郡の健康ランキング: 決定要因と健康の結果の関係.
この機能は、SDOH や民族性に基づく推論を導き出しません (たとえば、物質の使用情報は入力テキストから表示されますが、抽出されたエンティティに基づいて薬物乱用は推論されません)。 健康用 Text Analytics の出力に依存し、個人やリソースの割り当てに影響を与える（課金、人事、またはケアの管理に関連する決定を含むがこれらに限定されない）すべての決定は、モデルの結果のみに基づくのではなく、人間の監視のもとで行われる必要があります。 SDOH と民族性抽出機能の目的は、プロバイダーが健康上の成果を向上させるために役立ちます。 これらは、プロバイダーが健康成果を向上させるという記載された目的を超えて、SDOH データのユーザーや消費者、または患者集団に汚名を着せたり、否定的な推論を導いたりするために使用しないでください。 他の抽出されたエンティティと同様に、Text Analytics for Health 応答では、生活状態、雇用、物質使用、民族性エンティティの信頼度スコアも返されます。 エンティティの意図された用途のコンテキストで信頼度スコアを慎重に検討してください。
ヘルスケア用のカスタムテキスト分析
Text Analytics for Health を使用すると、開発者は非構造化医療データから分析情報を処理および抽出できます。 正常性機能では、さまざまなデータ型とエンティティ カテゴリを処理および抽出できますが、顧客がデータに固有の新しいエンティティ型を追加したり、既存のエンティティ カテゴリに追加の医療ボキャブラリを定義したりする場合もあります。
そのため、Custom Text Analytics for Health の目的は、Text Analytics for Health に基づき、健康情報のテキスト分析をカスタマイズできるようにすることです。これにより、ユーザーは自身のデータに特有のまったく新しいエンティティカテゴリを追加してエンティティマップを拡張したり、既存のエンティティカテゴリにカスタムボキャブラリを追加したりすることが可能になります。
Custom Text Analytics for health を使用すると、ラベル付けされたデータとユーザー辞書/ボキャブラリを使用して、カスタム医療エンティティ抽出 ML モデルをトレーニングできます。 これにより、お客様はデータに固有の新しい医療エンティティを定義できます。 また、このサービスは Text Analytics を正常性のために内部的に呼び出し、Text Analytics で正常性のために既に提供されているすべての機能とエンティティ マップを提供します。 追加レベルのカスタマイズとして、お客様は、事前構築済みの応答をデータで補完するために、既存の Text Analytics for Health エンティティに独自のボキャブラリを追加できます。
顧客は、カスタム モデルをトレーニングするのに十分なラベル付きデータとボキャブラリを提供する責任があります。そのため、モデルのパフォーマンスは、定義する新しいエンティティ カテゴリに対して顧客が使用するラベル付きトレーニング データの品質と包括的さによって異なる場合があります。 カスタム モデル トレーニングは入力トレーニング データに対して非常に機密性の高い反復的なプロセスであるため、モデル品質の回帰を回避するために、運用環境にデプロイする前に常にモデルをテストして評価することをお勧めします。
制限事項
- カバレッジ: SDOH 抽出機能は、すべての潜在的な SDOH に対応しているわけではありません。 認識は民族性と、ここに記載されているエンティティタイプに限定されます。Text Analytics for Health で認識されるエンティティカテゴリ - Foundry Tools | Microsoft Learn。
- 言語: 現在、SDOH と民族抽出機能は英語のテキストでのみ有効になっています。 Text Analytics for health は、一般提供の一環として、英語で非構造化テキストを受け取ることができます。 現在、追加の言語はプレビュー オファリングでサポートされています。
- スペル: 正しくないスペルが出力に影響する可能性があります。 具体的には、エンティティ リンクでは、特定の正しいスペルのみに基づいて用語とシノニムが検索されます。 たとえば、薬物名のスペルが間違っている場合、システムはテキストが薬物名であることを認識するのに十分な情報を持っている可能性がありますが、正しいスペルの薬物名の場合と同様にリンクを識別できない可能性があります。
- パフォーマンス: 潜在的なエラーの種類については、以下の「システム パフォーマンス」セクションで説明されています。
- カスタムテキストアナリティクス for Health (プレビュー版): Text Analytics for Healthでサポートされているすべての言語がサポートされます。 カスタム モデルをトレーニングするには、新しく定義されたカスタム エンティティ カテゴリごとに少なくとも 10 個のラベルをトレーニング サービスに提供する必要があります。 カスタム モデルをトレーニングするには、顧客がプロジェクトのデータセットに少なくとも 10 個のドキュメントを追加する必要があります。 顧客定義のボキャブラリの抽出に使用される辞書認識エンジンは、指定された言語での大文字と小文字の完全一致に依存します。つまり、顧客は特定の単語のすべてのバリアントを追加し、プロジェクトのすべての入力言語に含める必要があります。 カスタム ヘルスケア テキスト アナリティクスを使用する場合、ヘルスケア エンティティのテキスト アナリティクスではエンティティ リンク、リレーションシップ抽出、アサーション検出がサポートされますが、新たに定義されたカスタム エンティティ カテゴリには適用されません。
システム パフォーマンス
Text Analytics for Health とカスタム Text Analytics for Health は、一般に、正常性機能でサポートされる各機能に対して、誤検知エラーと偽陰性エラーの両方を持つ場合があります。 次のセクションでは、考えられるエラーの種類の例をいくつか説明します。
名前付きエンティティ認識 (NER)
偽陽性
NER では、システムがエンティティをカテゴリに属するエンティティとして誤って識別すると、誤検知が発生します。 次の例では、COVID-19 のラベルが EXAMINATION_NAME と誤って表示されています。 実際、COVID-19は検査の名前ではなく、診断です。 したがって、これはEXAMINATION_NAMEの誤検知です。
2 番目の例では、ウォッカはMEDICATION_NAMEの偽陽性です。 代わりに、SUBSTANCE_USEとして分類する必要があります。
偽陰性
NER の偽陰性は、エンティティがカテゴリに属していることを識別する必要があるが、属していない場合に発生します。 次の例では、エンティティ ER はCARE_ENVIRONMENTとして識別されているはずですが、識別されませんでした。 エンティティが正しく認識されない場合、リンクされたコードも認識されません。
次の 2 つの例では、ETHNICITY に関する 2 つ目の言及と、以前の雇用に関する情報が正しく認識されていません。
関係抽出
偽陽性
関係抽出において、特定すべきでない関係が「偽陽性」として検出されることがあります。 次の例では、AST 検査の値が誤って ALT 検査に関連付けられており、ALT 検査には既に測定値が割り当てられています。
偽陰性
リレーション抽出の誤負は、リレーションが認識されているはずなのに認識されなかった場合に発生します。 前の例では、45の測定値がAST検査に割り当てられなかったため、その値が割り当てられるべきでした。
実体リンク付け
偽陽性
エンティティ リンクは、一般的なボキャブラリの概念と認識されるエンティティとの完全な一致を探すことによって実現されます。 エンティティリンクの誤検知は、エンティティが検出されるべきではない場合（偽陽性のNER）に、ボキャブラリに一致する概念が存在しているように見えるまれなケースで発生します。 エンティティ リンクの誤検知は、一般的なボキャブラリで複数の異なる一致概念を持つあいまいな用語でも発生する可能性があります。
偽陰性
エンティティのリンクは元のテキストと完全に一致するため、エンティティを正しく認識するのに十分なシグナルがあるが、そのエンティティのスペルがテキスト内で正しくない場合は、誤った否定を受け取ることができます。 たとえば、療法のスペルが間違っている次のテキストでは、適切なリンクされたエンティティ UMLS (C0087111) は取得されません。
アサーションの検出
偽陽性
アサーション検出では、システムがテキストに存在してはならないアサーションを識別すると、誤検知が発生します。 次の例では、エンティティ呼吸器疾患は、COVID-19 の診断として誤って否定されています。
偽陰性
アサーション検出では、アサーションがキャプチャされない場合に誤った否定が発生します。 次の例では、前述の薬に対する応答がなかったため、"応答" という症状を否定する必要があります。
システムパフォーマンスを向上させるためのベスト プラクティス
- カスタム Text Analytics for Health のカスタム ボキャブラリでは、正確な単語一致が使用されます。したがって、正しくないスペルがエンティティの抽出に影響する可能性があります。
- Learned エンティティ コンポーネントを使用することで、ヘルスケア向けの ML ベースのエンティティ抽出のためのカスタム Text Analytics の品質を向上させるには、各カスタムエンティティに対するラベルが均等に分布するようにし、さらに、入力データを表す例ごとに各エンティティに少なくとも 15 個のラベルを含めることが推奨されます。
Text Analytics for Health の評価
評価方法
Text Analytics for Health は、排出要約、臨床ノート、臨床試験プロトコル、医療出版物など、さまざまな種類の非構造化医療ドキュメントに関するトレーニングと評価を行います。 生活状態、雇用、物質使用エンティティを表面化するSDOHモデルは、約750個の無作為サンプリングされた独自の臨床ノートと、米国の医療センターから提供されたコーパスからランダムにサンプリングされた約1,500の臨床ノートという2つの独立したソースから得られた手動注釈付きデータセットでトレーニングおよび評価され、主に成人患者に焦点を当てています。 元のコーパスは、10年以上の収集されたデータと何千もの患者の入院をカバーしています。 それは男性および女性の患者のほぼ等しい表現を提供する。 トレーニング データの代表性 (地理的、人口統計的、民族的表現など) のそれ以上の分析は実行されていないことに注意してください。 内部テストでは、さまざまな母集団や地域に一般化するモデルの可能性が示されていますが、トレーニングと評価のデータが意図した用途のコンテキストでどのように表されるかを慎重に検討する必要があります。 評価データセットは、潜在的な公平性の害に関連してシステムを評価するために、性別、年齢、民族性、雇用、生活状態などの社会的および人口統計学的要因によってドキュメントのサブグループに分割されました。 グループ間の相対的なパフォーマンスの違いと同様に、各グループの対象となる最小パフォーマンス レベルが評価されました。
カスタム Text Analytics for Health の評価
Custom Text Analytics for Health では、医療モデル用の事前構築済みの Text Analytics に加えて、顧客が提供するデータによって微調整されるカスタム医療ベース モデルが活用されます。 使用される医療ベース モデルは、Text Analytics for Health エンティティ マップが構築されているのと同じ基本モデルです。
カスタム Text Analytics for Health では、作成エクスペリエンスの一部として内部評価が行われます。これにより、お客様はテスト データセットを作成し、定義されたカスタム エンティティ カテゴリの F1、精度、再現率のスコアを確認できます。 医療向けの事前構築済みエンティティのText Analyticsは、内部評価には含まれません。 また、このエクスペリエンスでは、パフォーマンスが良くないエンティティに対して追加のラベルを推奨するなど、テストの結果のスコアを改善する方法を顧客に提供するモデル ガイダンスも備えています。
使用する Text Analytics for health の評価と統合
Microsoft は、Language を使用するソリューションを責任を持って開発および展開できるように支援したいと考えています。 これらの考慮事項は、責任ある AI の開発に対する Microsoft のコミットメントに沿っています。 言語機能を利用した製品とソリューションの使用方法と実装方法を決定する場合は、次の要因を考慮してください。
一般的なガイドライン
Text Analytics for Health をデプロイする準備ができたら、次のアクティビティを使用して成功を収めることができます。
- 何ができるかを理解する: Text Analytics の医療向け機能を完全に評価して、その機能と制限事項を理解します。 シナリオとコンテキストでそれがどのように実行されるかを理解します。
- 実際の多様なデータを使用してテストする: Text Analytics for Health がシナリオで実行されることを理解するには、実際の状態と、ユーザー、地域、デプロイコンテキストの多様性を反映するデータを使用してテストします。 エンド ツー エンドのシナリオを反映しない小規模なデータセット、合成データ、テストは、運用環境のパフォーマンスを十分に表す可能性は低くなります。
- プライバシーに対する個人の権利を尊重する:適法かつ正当な目的のために個人からのデータおよび情報のみを収集または使用する。 使用に同意した、または法的に許可されているデータと情報のみを使用してください。
- 法的レビュー: 特に機密性の高いアプリケーションやリスクの高いアプリケーションで使用する場合は、ソリューションの適切な法的レビューを取得します。 作業する必要がある制限事項と、使用前に軽減する必要があるリスクについて説明します。 こうしたリスクを軽減し、発生する可能性のある問題を解決するのはお客様の責任です。
- システム レビュー: ソフトウェアまたは顧客または組織のプロセスのために、AI を利用した製品または機能を既存のシステムに統合して責任を持って使用する予定の場合は、システムの各部分がどのように影響を受けるかを理解するために時間がかかります。 AI ソリューションが Microsoft の責任ある AI 原則とどのように整合しているかを検討します。
- 人間に最新情報を提供: 人間に最新情報を提供して、探索する一貫したパターン領域を人間が監視するようにします。 これは、AI を利用した製品または機能を継続的に人間が監視し、モデルの出力に基づいて意思決定を行う際の人間の役割を保証することを意味します。 損害を防ぎ、AI モデルの実行方法を管理するには、人間がソリューションにリアルタイムで介入する方法を確保します。
- セキュリティ: コンテンツの整合性を維持して未認可のアクセスを防ぐため、ソリューションがセキュリティで保護されていて、適切な制御が行われていることを確認します。
- 顧客フィードバック ループ: ユーザーと個人がデプロイ後にサービスの問題を報告するために使用できるフィードバック チャネルを提供します。 AI を利用した製品または機能をデプロイした後、継続的な監視と改善が必要になります。 計画を立て、改善のためのフィードバックと提案を実装する準備をします。