Com a introdução de tipos de dados vetoriais e a funcionalidade de pesquisa de vetores na íris, um mundo inteiro de possibilidades se abre para o desenvolvimento de aplicativos e um exemplo desses aplicativos é o que vi recentemente publicado em um concurso público pelo Ministério da Saúde da Valencia, na qual eles solicitaram uma ferramenta para ajudar na CID-10 codificação usando modelos AI.

Como podemos implementar um aplicativo semelhante ao solicitado? Vamos ver o que precisaríamos:

Lista de códigos da CID-10, que usaremos como contexto para o nosso aplicativo RAG para pesquisar diagnósticos nos textos simples.
um modelo treinado que vetoriza os textos nos quais procuraremos equivalências nos códigos da CID-10.
2. As bibliotecas Python necessárias para a ingestão e vetorização dos códigos e textos da CID-10.
3. um front-end amigável que suporta textos nos quais procuramos possíveis diagnósticos.
4. orquestração de solicitações recebidas do front-end.
O que a íris nos fornece para cobrir as necessidades acima?

CSV Import, usando a funcionalidade RecordMapper ou usando diretamente o python incorporado.

1. python incorporado nos permite implementar o código Python necessário para gerar os vetores usando o modelo selecionado.
2. publique APIs REST que serão invocados do aplicativo front-end.
3. produções de interoperabilidade que permitem o rastreamento de informações dentro da íris.
bem, só precisamos ver o exemplo desenvolvido:

diagnóstico

associado a este artigo Você tem acesso ao aplicativo desenvolvido, nos próximos artigos que veremos em detalhes como implementamos cada uma das funcionalidades, a partir do uso do modelo, o armazenamento dos vetores e o uso de pesquisas de vetor.

Vamos revisar o aplicativo:

Importando códigos da ICD-10

Na tela Configuração, somos informados ao formato que o arquivo CSV deve cumprir os códigos da CID-10 que vamos importar. O processo de carregamento e vetorização consome muito tempo e recursos, e é por isso que a implantação do contêiner do Docker configura não apenas a memória RAM utilizável pelo Docker, mas também a memória do disco, caso os requisitos excedam a RAM alocada:

# iris íris: Init: Verdadeiro Container_name: Iris construir: Contexto :. Dockerfile: Iris/Dockerfile Portas: - 52774: 52773 - 51774: 1972 volumes: - ./shared:/shared ambiente: - isc_data_directory =/compartilhado/durável Comando:-Check-Caps False --iscagent False MEM_LIMIT: 30G MEMSWAP_LIMIT: 32G

  # iris
  iris:
    init: true
    container_name: iris
    build:
      context: .
      dockerfile: iris/Dockerfile
    ports:
      - 52774:52773
      - 51774:1972
    volumes:
    - ./shared:/shared
    environment:
    - ISC_DATA_DIRECTORY=/shared/durable
    command: --check-caps false --ISCAgent false
    mem_limit: 30G
    memswap_limit: 32G

/shared/cie10/icd10.csv

, uma vez que 100% for alcançado, o aplicativo estará pronto para ser usado. Em nosso aplicativo, definimos duas funcionalidades diferentes para codificação de diagnóstico, uma baseada nas mensagens HL7 recebidas no sistema e outra com base em textos simples.

Captura de diagnóstico de HL7

The project contains some HL7 messages prepared for testing, it is only necessary to copy the

/shared/hl7/messagesa01_en.hl7

file to the /shared/HL7In folder and the associated production will be responsible for extracting the diagnosis from it to display it in the web application:

Na tela Solicitação de diagnóstico, podemos ver todos os diagnósticos recebidos via mensagens HL7. Para codificá-los na ICD-10, precisamos clicar apenas na lupa para mostrar uma lista dos códigos da CID-10 mais próximos do diagnóstico recebido:

Depois de selecionado, veremos o diagnóstico e seu código CID-10 associado na lista. Ao clicar no botão com o ícone do envelope, uma mensagem será gerada usando o original e incluindo o novo selecionado no segmento de diagnóstico:

! EVN | A01 | PID ||| 1556655212 ^^^ sermas^sn ~ 922210 ^^^ Hulp^Pi || García Pérez^Juan ^^^ || 20150403 | M ||| Paseo Pedro Álvarez 195 1 Centro ^^ Leganés^madrid^28379^Espanha || 5552830555PRN^^[email protected] |||||||||||||||| PV1 || n DG1 | 1 || O10.91^Hipertensão pré-existente não especificada Complicando a gravidez^cie10-es | Hipertensão gestacional || a ||

Esta mensagem pode ser encontrada no caminho

MSH|^~\&|HIS|HULP|EMPI||||ADT^A08|592956|P|2.5.1
EVN|A01|
PID|||1556655212^^^SERMAS^SN~922210^^^HULP^PI||GARCÍA PÉREZ^JUAN^^^||20150403|M|||PASEO PEDRO ÁLVAREZ 195 1 CENTRO^^LEGANÉS^MADRID^28379^SPAIN||555283055^PRN^^[email protected]|||||||||||||||||N|
PV1||N
DG1|1||O10.91^Unspecified pre-existing hypertension complicating pregnancy^CIE10-ES|Gestational hypertension||A||

capturas de tela de diagnósticos no PLAYTEXT

Na opção Analisador de texto, o usuário pode incluir texto simples no qual um processo de análise será realizado. O aplicativo pesquisará em tuplas de 3 palavras lematizadas (eliminando artigos, pronomes e outras palavras menos relevantes). Uma vez analisado, o sistema nos mostrará o texto sublinhado relevante e os possíveis diagnósticos localizados:

Depois que a análise for realizada, ela pode ser consultada a qualquer momento a partir do histórico de análise.

ANÁLISE HISTÓRIA

Todas as análises realizadas são registradas e podem ser consultadas a qualquer momento, podendo ver todos os códigos ICD-10 possíveis disponíveis:

no próximo artigo ...

veremos como, usando o Python incorporado, usamos um modelo LLM específico para a vetorização dos dois códigos da CID-10 que usaremos como contexto e os textos gratuitos.

Se você tiver alguma dúvida ou sugestão, não hesite em escrever um comentário no artigo.