Diese Seite wurde von der Cloud Translation API übersetzt.

Suchergebnisse für Gesundheitsdaten abrufen

Achtung:

Einschränkungen für das Gesundheitswesen: Als Kunde dürfen Sie die generativen KI-Dienste nicht für klinische Zwecke (zur Klarstellung: Nicht klinische Forschung, Planung oder andere Verwaltungsaufgaben fallen nicht unter diese Zwecke), als Ersatz für professionelle medizinische Beratung oder für Zwecke und Nutzungen, für die eine Genehmigungen oder Zulassung für ein medizinisches Hilfsmittel von der Regulierungsbehörde erforderlich ist, verwenden und auch nicht zulassen, dass Endnutzer dies tun. Weitere Informationen finden Sie in den dienstspezifischen Nutzungsbedingungen.
Zur Klarstellung: In Bezug auf die Verwendung von Vertex AI Search zum Abrufen und Zusammenfassen vorhandener medizinischer Informationen bedeutet die Einschränkung der Verwendung für klinische Zwecke die Einschränkung der Verwendung für direkte Diagnose- oder Behandlungszwecke ohne Überprüfung durch einen zugelassenen Arzt in Übereinstimmung mit den anwendbaren Gesetzen und Verordnungen.
Die generierte Ausgabe ist möglicherweise nicht immer zuverlässig. Aufgrund der Natur der LLMs und der generativen KI beinhalten Ausgaben möglicherweise falsche oder verzerrte Informationen (z. B. Stereotypen oder andere schädliche Inhalte). Sie sollten daher überprüft werden. Alle Zusammenfassungen oder Antworten sollten als Entwürfe betrachtet werden.
Dieses Produkt ist nicht dazu bestimmt, Informationen zur Vorbeugung, Diagnose oder Behandlung von Krankheiten bereitzustellen. Fragen zu Diagnosen oder Behandlungsempfehlungen sind nicht für das Produkt vorgesehen. Dieses Produkt ist dazu bestimmt, vorhandene medizinische Informationen, die von Nutzern bereitgestellt werden, abzurufen und zusammenzufassen.
Aufgrund der begrenzten Testdaten ist dieses Produkt möglicherweise nicht für die Altersgruppe 0–18 Jahre und für die Altersgruppe ab 85 Jahren geeignet. Daher müssen Kunden bei der Überprüfung der generierten Ausgabe die Repräsentativität von Untergruppen in ihren Quelldaten berücksichtigen.

Nachdem Sie FHIR R4-Daten in Ihre Healthcare Search-App importiert haben, können Sie die importierten Daten abfragen, um relevante Ergebnisse zu erhalten. Sie können mit den folgenden Arten von Anfragen suchen:

Keyword-Suchanfrage
Natural Language-Abfrage
Anfrage in natürlicher Sprache mit einer Antwort, die auf generativer KI basiert

Außerdem können Sie Ihre Suche mit datumsgefilterten Anfragen filtern. Weitere Informationen finden Sie unter resource_datetime-Filter definieren.

Wenn Sie in der Google Cloud Konsole suchen, müssen Sie zuerst eine Patienten-ID angeben und jeweils die Daten eines einzelnen Patienten durchsuchen. Wenn Sie die REST API für die Suche verwenden, können Sie den gesamten Datenspeicher durchsuchen.

Auf dieser Seite wird beschrieben, wie Sie mit den verschiedenen Arten von Abfragen nach Gesundheitsdaten suchen.

Verwendungszweck von Vertex AI Search zum Suchen in Gesundheitsdaten

Vertex AI Search ist nicht dafür vorgesehen, Informationen zur Vorbeugung, Diagnose oder Behandlung von Krankheiten bereitzustellen. Fragen zu Diagnosen oder Behandlungsempfehlungen sind nicht für das Produkt vorgesehen. Dieses Produkt ist dazu gedacht, vorhandene medizinische Informationen, die von Nutzern bereitgestellt werden, abzurufen und zusammenzufassen.

Aufgrund der begrenzten Testdaten ist dieses Produkt möglicherweise nicht für die Altersgruppen 0–18 und 85 Jahre und älter geeignet. Daher müssen Kunden bei der Überprüfung der generierten Ausgabe die Repräsentativität von Untergruppen in ihren Quelldaten berücksichtigen.

Hier einige Beispiele für die Verwendung dieses Produkts:

Explorative Anfragen, um Informationen zu einem Patienten zu finden, die für ein Thema relevant sind:
- „Fasse die Anwendungsgebiete von Aspirin zusammen.“
- „Blutdruck“
- „Diabetes-Management?“
Navigationsanfragen zum Auffinden bestimmter Ressourcen, die einer strukturierten Anfrage zugeordnet werden könnten:
- „Show me the most recent a1c“ (Zeig mir den letzten HbA1c-Wert)
Extraktionsfragen und ‑antworten, um spezifische Fragen zu beantworten, bei denen sich die Beweise möglicherweise auf mehrere Ressourcen verteilen:
- „Wurde dieser Patient jemals mit einem Cephalosporin behandelt?“
- „Wurde der Patient jemals psychiatrisch untersucht?“

Hier sind einige Beispiele dafür, wie dieses Produkt nicht verwendet werden sollte:

Empfehlungen für Diagnose und Behandlung:
- „What is the differential diagnosis for this patient?“ (Was ist die Differenzialdiagnose für diesen Patienten?)
- „Welche Medikamente soll ich dem Patienten verschreiben?“

Richtlinien für Anfragen

Die folgenden Richtlinien können Ihnen helfen, eine Anfrage zu formulieren, mit der Sie bessere Suchergebnisse erhalten:

Nach Anfragen mit einer bestimmten Intention suchen: Da das Modell nicht weiß, wonach Sie suchen, ist es besser, eine gezielte als eine vage Anfrage zu stellen. Die Suche nach dem Keyword „Bluthochdruck“ ist beispielsweise besser als die Suche nach dem Keyword „Zusammenfassung“. Während die Anfrage „Bluthochdruck“ spezifische Ergebnisse aus relevanten Dokumenten liefert, kann die Anfrage „Zusammenfassung“ Ergebnisse aus Dokumenten liefern, die nicht relevant sind.
Kontext beibehalten: Da die Suche nicht dialogorientiert ist, ist es besser, den vollständigen Kontext für jede Anfrage anzugeben. Wenn Ihre erste Anfrage beispielsweise „Bluthochdruck“ lautet und Sie sich weiter mit diesem Thema beschäftigen möchten, ist „Wann wurde Bluthochdruck diagnostiziert?“ eine bessere zweite Anfrage als „Wann wurde er diagnostiziert?“.
Abfrage vereinfachen: Teilen Sie komplexe Abfragen nach Möglichkeit in einfachere auf. Suchen Sie beispielsweise nicht nach „Kreatinin und Albumin“, sondern erstellen Sie je nach Zielvorhaben separate Anfragen für „Kreatinin“, „Albumin“ und „Kreatinin-Albumin-Verhältnis“.
Keine Schlussfolgerungen anfordern: Die Suche liefert präzisere Ergebnisse, wenn das Modell Informationen wortwörtlich aus den durchsuchten Dokumenten zurückgeben kann, anstatt sie zu berechnen oder abzuleiten. Anstatt beispielsweise zu fragen, wie sich das Gewicht des Patienten verändert hat, können Sie fragen, wie das Gewicht des Patienten bei den letzten zehn Besuchen war, und die Gewichtsveränderung dann separat berechnen.

Treffer in Ergebnissen hervorheben

Die Hervorhebung von Übereinstimmungen ist eine Konfiguration, mit der Textteile in einem Suchergebnis hervorgehoben werden, die inhaltlich mit der Suchanfrage übereinstimmen.

Die Ergebnisse der folgenden Ressourcentypen unterstützen die Hervorhebung von Übereinstimmungen:

Zusammensetzung: Hebt Kontexttext aus dem Feld Composition.section[].text.div hervor.
DiagnosticReport: Hebt Kontexttext aus dem Feld DiagnosticReport.conclusion hervor.
DocumentReference: Hebt Kontexttext aus den Dokumenten hervor, auf die im Feld DocumentReference.content[0].attachment.url verwiesen wird. Der hervorgehobene Text ist in einem Begrenzungsrahmen eingeschlossen. Der Begrenzungsrahmen wird in der Suchantwort durch zwei Sets normalisierter Koordinaten dargestellt. Die Dokumente, die die Hervorhebung von Übereinstimmungen unterstützen, sind PDF-Dateien und Bilddateien mit unterstützten Typen. Das folgende Bild zeigt, wie Text in einem gescannten Dokument vom Ressourcentyp „DocumentReference“ hervorgehoben wird:

Abbildung 1. Hervorhebung von Übereinstimmungen in einem gescannten Dokument mit DocumentReference.

Wenn Sie die REST API für die Suche verwenden, müssen Sie die Hervorhebung von Übereinstimmungen in Ihrer Suchanfrage mit dem Feld matchHighlightingCondition aktivieren. Die Antwort enthält das Feld match_highlighting, mit dem Sie den hervorgehobenen Text in Ihrer Suchanwendung rendern können:

Bei „Composition“- und „DiagnosticReport“-Dokumenten enthält das Feld match_highlighting die Start- und Endindexe für das Token, das hervorgehoben werden muss.
Bei DocumentReference-Dokumenten enthält das Feld match_highlighting die Koordinaten des Begrenzungsrahmens, der den Text hervorhebt. Der Begrenzungsrahmen wird durch zwei Gruppen normalisierter Koordinaten dargestellt, deren Ursprung in der oberen linken Ecke des Dokuments liegt. In diesem Feld ist auch das Feld page_number verschachtelt, das für Bilder auf 0 und für die erste Seite von PDF-Dateien auf 1 gesetzt ist.

Wenn Sie sich eine Vorschau der Suchergebnisse in der Google Cloud Console ansehen, ist die Hervorhebung von Übereinstimmungen standardmäßig aktiviert.

Hinweise

Bevor Sie eine Suche ausführen, sollten Sie Folgendes tun:

Erstellen Sie eine Anwendung zur Suche nach Gesundheitsdaten und einen Datenspeicher für die Suche nach Gesundheitsdaten und importieren Sie FHIR R4-Daten. Weitere Informationen finden Sie unter Such-App für das Gesundheitswesen erstellen und Datenspeicher für die Suche im Gesundheitswesen erstellen.
Suchergebnisse für Gesundheitsdaten konfigurieren
Wenn Sie bei der Suche hilfreiche Vorschläge für Suchanfragen erhalten möchten, aktivieren Sie die automatische Vervollständigung. Dies ist eine Funktion in der Vorabversion.
Sehen Sie sich die Liste der FHIR R4-Ressourcen an, die von Vertex AI Search unterstützt werden. Weitere Informationen finden Sie in der Referenz zum FHIR R4-Datenschema für das Gesundheitswesen.

Mit einem Keyword suchen

Sie können in Ihrem Datenspeicher für Gesundheitsdaten nach einem Keyword suchen. Sie können beispielsweise mit Keywords wie „HbA1c“, „Insulin“ oder „Geschwür“ nach relevanten FHIR-Ressourcen suchen.

Das folgende Bild zeigt die Suchergebnisse für das Keyword „Lipid“. Dieses Beispiel enthält keine Zusammenfassung oder Antwort, die auf generativer KI basiert.

Die Abfrage lautet „Lipid“. — **Abbildung 2.** Suche nach Stichwort.

Führen Sie die folgenden Schritte aus, um mit einem Keyword zu suchen.

Console

Rufen Sie in der Google Cloud Console die Seite KI-Anwendungen auf.

KI-Anwendungen
Wählen Sie die Gesundheits-Such-App aus, die Sie verwenden möchten.
Klicken Sie im Navigationsmenü auf Vorschau.
Geben Sie im Feld Patienten-ID die ID des Patienten ein, dessen Daten Sie abfragen möchten. Bei Patienten-IDs wird zwischen Groß- und Kleinschreibung unterschieden.
Drücken Sie die Eingabetaste oder klicken Sie auf Vorschau, um die Patienten-ID zu senden.
Geben Sie in die Suchleiste Hier suchen einen Suchbegriff ein.

Wenn Sie die automatische Vervollständigung aktiviert haben, wird während der Eingabe eine Liste mit Vorschlägen unter der Suchleiste angezeigt.
Drücken Sie die Eingabetaste, um die Anfrage zu senden.
- Die Suchergebnisse werden in paginierten Tabellen angezeigt, die nach FHIR-Ressourcentyp kategorisiert sind.
- Standardmäßig werden die Suchergebnisse für alle FHIR-Ressourcentypen in umgekehrter chronologischer Reihenfolge angezeigt.
Optional. Wenn Sie die Ergebnisse filtern möchten, wählen Sie unter der Suchleiste eine oder mehrere FHIR-Ressourcenkategorien aus.
Optional. Wenn Sie die Ergebnisse nach Relevanz für die Ressourcen „Composition“, „DocumentReference“ und „DiagnosticReport“ sortieren möchten, klicken Sie auf den Filter Sortieren: Umgekehrt chronologisch und wählen Sie in der Liste Relevanz aus. Weitere Informationen finden Sie unter Suchergebnisse für das Gesundheitswesen sortieren.

REST

Das folgende Beispiel zeigt, wie Sie in der Healthcare Search App mit einem Keyword in den FHIR R4-Daten eines einzelnen Patienten suchen. In diesem Beispiel wird die Methode servingConfigs.search verwendet.

Standardmäßig werden die Suchergebnisse in umgekehrter chronologischer Reihenfolge zurückgegeben. Wenn Sie die Ressourcen „Composition“, „DiagnosticReport“ und „DocumentReference“ durchsuchen, können Sie die Suchergebnisse nach Relevanz sortieren. Weitere Informationen finden Sie unter Suchergebnisse für das Gesundheitswesen sortieren.

Mit einem Keyword suchen

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://us-discoveryengine.googleapis.com/v1alpha/projects/PROJECT_ID/locations/us/collections/default_collection/engines/APP_ID/servingConfigs/default_search:search" \
  -d '{
"query": "KEYWORD_QUERY",
"filter": "patientId: ANY(\"PATIENT_ID\")",
"contentSearchSpec":{"snippetSpec":{"returnSnippet":true}}
"displaySpec": {
    "matchHighlightingCondition": "MATCH_HIGHLIGHTING_CONDITION"
  }
}'

Ersetzen Sie Folgendes:

PROJECT_ID: Die ID Ihres Projekts in Google Cloud .
APP_ID: die ID der Vertex AI Search-App, die Sie abfragen möchten.
KEYWORD_QUERY: Das Keyword, nach dem Sie in den klinischen Daten des gefilterten Patienten suchen möchten, z. B. „Diabetes“ oder „A1c“.
PATIENT_ID: die Ressourcen-ID des Patienten, dessen Daten Sie durchsuchen möchten.
MATCH_HIGHLIGHTING_CONDITION: Ein String, der die folgenden Werte haben kann:
- MATCH_HIGHLIGHTING_DISABLED: Damit wird die Hervorhebung von Übereinstimmungen in allen Dokumenten deaktiviert.
- MATCH_HIGHLIGHTING_ENABLED: Aktiviert die Hervorhebung von Übereinstimmungen in allen Dokumenten. Wenn Sie dieses Feld leer lassen oder nicht angeben, wird die Hervorhebung von Übereinstimmungen auf MATCH_HIGHLIGHTING_DISABLED festgelegt und in allen Dokumenten deaktiviert.

Antwort

Sie sollten eine JSON-Antwort ähnlich der folgenden gekürzten Antwort erhalten. Die Antwort enthält detaillierte Suchergebnisse, die in umgekehrt chronologischer Reihenfolge mit Snippets aufgeführt sind, sofern verfügbar. Das Feld structData enthält die strukturierten JSON-Daten für das Dokument. Das Feld derivedStructData enthält den Snippet-Text, Tokens für die Hervorhebung von Übereinstimmungen und Koordinaten für den Begrenzungsrahmen (für gescannte Dokumente).

{
  "results": [
    {
      "id": "DOCUMENT_ID",
      "document": {
        "name": "projects/PROJECT_ID/locations/us/collections/default_collection/dataStores/DATA_STORE_ID/branches/0/documents/DOCUMENT_ID",
        "id": "DOCUMENT_ID",
        "structData": {
          ...
          "resource_type": "FHIR_RESOURCE_TYPE",
          "resource_datetime": "RESOURCE_DATETIME",
          "patient_id": "PATIENT_ID",
          "FHIR_RESOURCE_TYPE": { ... }
        },
        "derivedStructData": {
          "snippets": [
            {
              "snippet": "SNIPPET_TEXT",
              "snippet_status": "SUCCESS"
            }
          ],
          "match_highlighting":{
            "matched_tokens": [
              {
                "end_index": TOKEN_END_INDEX,
                "start_index": TOKEN_START_INDEX,
                "token_text": "HIGHLIGHTED TEXT"
              },
            ]
        }
      }
    },
    {
      "id": "DOCUMENT_ID",
      "document": {
        "name": "projects/PROJECT_ID/locations/us/collections/default_collection/dataStores/DATA_STORE_ID/branches/0/documents/DOCUMENT_ID",
        "id": "DOCUMENT_ID",
        "structData": {
          ...
          "resource_type": "FHIR_RESOURCE_TYPE",
          "resource_datetime": "RESOURCE_DATETIME",
          "patient_id": "PATIENT_ID",
          "FHIR_RESOURCE_TYPE": { ... }
          "DocumentReference": {
              "content": [
               {
                 "attachment": {
                   "url": "PATH/TO/STORAGE/FILE.png",
                   "creation": "2018-05-03T11:00:00+00:00",
                   "contentType": "image/png"
                 },
                 "format": {
                   "display": "Scanned",
                   "system": "https://g.co/fhir/harmonized/document_format",
                   "code": "scanned"
                 }
               }
             ],
             }
           },
        "derivedStructData": {
          "total_page_count": 1,
          "match_highlighting": {
            "matched_bounding_boxes": [
              {
                "page_number": 0,
                "page_bounding_boxes": [
                  {
                    "normalized_coordinates": [
                      X_MIN
                      Y_MIN
                      X_MAX
                      Y_MAX
                    ],
                    "token_text": "HIGHLIGHTED TEXT"
                  }
                ]
            }
    ...
    }
  }
 ]
}

Mit einer Abfrage in natürlicher Sprache suchen

Mit Vertex AI Search können Sie Ergebnisse für komplexe Anfragen in natürlicher Sprache erhalten. Das folgende Bild zeigt beispielsweise die Ergebnisse für die Anfrage in natürlicher Sprache: „Laborergebnisse im Zusammenhang mit Diabetes“.

Die Frage lautet: „What are the patient's lipid labs?“ (Was sind die Lipid-Laborwerte des Patienten?). — **Abbildung 4**: Suche mit Abfragen in natürlicher Sprache

So suchen Sie mit einer Anfrage in natürlicher Sprache:

Console

Rufen Sie in der Google Cloud Console die Seite KI-Anwendungen auf.

KI-Anwendungen
Wählen Sie die Gesundheits-Such-App aus, die Sie verwenden möchten.
Klicken Sie im Navigationsmenü auf Vorschau.
Geben Sie im Feld Patienten-ID die Patienten-ID des Patienten ein, dessen Daten Sie abfragen möchten. Bei Patienten-IDs wird zwischen Groß- und Kleinschreibung unterschieden.
Drücken Sie die Eingabetaste oder klicken Sie auf Vorschau, um die Patienten-ID zu senden.
Geben Sie in die Suchleiste Hier suchen eine Anfrage in natürlicher Sprache ein, z. B. „Laborergebnisse im Zusammenhang mit Diabetes“.

Wenn Sie die automatische Vervollständigung aktiviert haben, wird während der Eingabe eine Liste mit Vorschlägen unter der Suchleiste angezeigt.
Drücken Sie die Eingabetaste, um die Anfrage zu senden.
- Die Suchergebnisse werden in paginierten Tabellen angezeigt, die nach FHIR-Ressourcentyp kategorisiert sind.
- Standardmäßig werden die Suchergebnisse für alle FHIR-Ressourcentypen in umgekehrter chronologischer Reihenfolge angezeigt.
Optional. Wählen Sie unter der Suchleiste eine oder mehrere FHIR-Ressourcenkategorien aus, um die Ergebnisse zu filtern.
Optional. Wenn Sie die Ergebnisse nach Relevanz für die Ressourcen „Composition“, „DocumentReference“ und „DiagnosticReport“ sortieren möchten, klicken Sie auf den Filter Sortieren: Umgekehrt chronologisch und wählen Sie in der Liste Relevanz aus. Weitere Informationen finden Sie unter Suchergebnisse für das Gesundheitswesen sortieren.

REST

Das folgende Beispiel zeigt, wie Sie in der Healthcare Search App mit einer Natural Language-Anfrage nach den FHIR R4-Daten eines einzelnen Patienten suchen. In diesem Beispiel wird die Methode servingConfigs.search verwendet. Wenn Sie mit einer Anfrage in natürlicher Sprache suchen möchten, müssen Sie das Feld naturalLanguageQueryUnderstandingSpec in den Anfragetext einfügen.

Stellen Sie eine Frage in natürlicher Sprache.

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://us-discoveryengine.googleapis.com/v1alpha/projects/PROJECT_ID/locations/us/collections/default_collection/engines/APP_ID/servingConfigs/default_search:search" \
  -d '{
"query": "NATURAL_LANGUAGE_QUERY",
"filter": "patientId: ANY(\"PATIENT_ID\")",
"contentSearchSpec":{"snippetSpec":{"returnSnippet":true}},
"naturalLanguageQueryUnderstandingSpec":{"filterExtractionCondition":"ENABLED"},
"displaySpec": {
    "matchHighlightingCondition": "MATCH_HIGHLIGHTING_CONDITION"
  }
}'

Ersetzen Sie Folgendes:

PROJECT_ID: Die ID Ihres Projekts in Google Cloud .
APP_ID: die ID der Vertex AI Search-App, die Sie abfragen möchten.
NATURAL_LANGUAGE_QUERY: Die Anfrage in natürlicher Sprache, z. B. „Laborergebnisse im Zusammenhang mit Diabetes“ oder „Nimmt der Patient derzeit Medikamente ein?“.
PATIENT_ID: die Ressourcen-ID des Patienten, dessen Daten Sie durchsuchen möchten.
MATCH_HIGHLIGHTING_CONDITION: Ein String, der die folgenden Werte haben kann:
- MATCH_HIGHLIGHTING_DISABLED: Damit wird die Hervorhebung von Übereinstimmungen in allen Dokumenten deaktiviert.
- MATCH_HIGHLIGHTING_ENABLED: Aktiviert die Hervorhebung von Übereinstimmungen in allen Dokumenten. Wenn Sie dieses Feld leer lassen oder nicht angeben, wird die Hervorhebung von Übereinstimmungen auf MATCH_HIGHLIGHTING_DISABLED festgelegt und in allen Dokumenten deaktiviert.

Antwort

Sie sollten eine JSON-Antwort ähnlich der folgenden gekürzten Antwort erhalten. Die Antwort enthält detaillierte Suchergebnisse, die in umgekehrt chronologischer Reihenfolge mit Snippets aufgeführt sind, sofern verfügbar. Das Feld structData enthält die strukturierten JSON-Daten für das Dokument. Das Feld derivedStructData enthält den Snippet-Text, Tokens zur Hervorhebung von Übereinstimmungen und Koordinaten des Begrenzungsrahmens (für gescannte Dokumente).

{
  "results": [
    {
      "id": "DOCUMENT_ID",
      "document": {
        "name": "projects/PROJECT_ID/locations/us/collections/default_collection/dataStores/DATA_STORE_ID/branches/0/documents/DOCUMENT_ID",
        "id": "DOCUMENT_ID",
        "structData": {
          ...
          "resource_type": "FHIR_RESOURCE_TYPE",
          "resource_datetime": "RESOURCE_DATETIME",
          "patient_id": "PATIENT_ID",
          "FHIR_RESOURCE_TYPE": { ... }
        },
        "derivedStructData": {
          "snippets": [
            {
              "snippet": "SNIPPET_TEXT",
              "snippet_status": "SUCCESS"
            }
          ],
          "match_highlighting":{
            "matched_tokens": [
              {
                "end_index": TOKEN_END_INDEX,
                "start_index": TOKEN_START_INDEX,
                "token_text": "HIGHLIGHTED TEXT"
              },
            ]
        }
      }
    },
    {
      "id": "DOCUMENT_ID",
      "document": {
        "name": "projects/PROJECT_ID/locations/us/collections/default_collection/dataStores/DATA_STORE_ID/branches/0/documents/DOCUMENT_ID",
        "id": "DOCUMENT_ID",
        "structData": {
          ...
          "resource_type": "FHIR_RESOURCE_TYPE",
          "resource_datetime": "RESOURCE_DATETIME",
          "patient_id": "PATIENT_ID",
          "FHIR_RESOURCE_TYPE": { ... }
          "DocumentReference": {
              "content": [
               {
                 "attachment": {
                   "url": "PATH/TO/STORAGE/FILE.png",
                   "creation": "2018-05-03T11:00:00+00:00",
                   "contentType": "image/png"
                 },
                 "format": {
                   "display": "Scanned",
                   "system": "https://g.co/fhir/harmonized/document_format",
                   "code": "scanned"
                 }
               }
             ],
             }
           },
        "derivedStructData": {
          "total_page_count": 1,
          "match_highlighting": {
            "matched_bounding_boxes": [
              {
                "page_number": 0,
                "page_bounding_boxes": [
                  {
                    "normalized_coordinates": [
                      X_MIN
                      Y_MIN
                      X_MAX
                      Y_MAX
                    ],
                    "token_text": "HIGHLIGHTED TEXT"
                  }
                ]
            }
    ...
    }
  ]
}

Mit einer in natürlicher Sprache gestellten Abfrage suchen und eine Antwort von generativer KI erhalten

Wenn Sie die FHIR-Daten eines Patienten mit einer Anfrage in natürlicher Sprache durchsuchen, können Sie sich neben den Suchergebnissen auch eine Antwort von generativer KI anzeigen lassen. In der Antwort werden die Suchergebnisse zusammengefasst und die Referenzen angezeigt, die zum Generieren der Antwort verwendet wurden.

Wenn Sie die Console verwenden, können Sie das Large Language Model (LLM) für generative KI-Antworten auswählen. Weitere Informationen finden Sie unter Suchergebnisse für Gesundheitsdaten konfigurieren.

Wenn Sie die REST API verwenden, können Sie das LLM-Modell angeben, das Sie verwenden möchten. Eine Liste der unterstützten Modelle finden Sie im Abschnitt „Healthcare“ unter Allgemein verfügbare (GA) Modelle.

Das folgende Bild zeigt ein Beispiel für eine Anfrage in natürlicher Sprache mit einer Antwort, die auf generativer KI basiert. Die Suchzusammenfassung liefert eine Antwort auf die Anfrage, indem die Ergebnisse aus relevanten Ergebnissen zusammengefasst werden. Sie können Segmente mit Quellenangaben maximieren, um die Referenzen zu sehen, die zum Generieren des ausgewählten Segments verwendet wurden. Nicht alle generierten Antworten enthalten Quellenangaben.

Die Anfrage lautet: „What are the patient's lipid labs“ (Was sind die Lipid-Laborwerte des Patienten?). Die Suchergebnisse werden in Tabellenform angezeigt . Den Suchergebnissen ist eine von generativer KI erstellte Zusammenfassung vorangestellt, in der es heißt: „Der Patient hat keine bekannten Allergien.“ — **Abbildung 3**: Suche mit einer Anfrage in natürlicher Sprache und Antwort auf Basis generativer KI.

So suchen Sie mit einer generativen KI-Antwort:

Console

Rufen Sie in der Google Cloud Console die Seite KI-Anwendungen auf.

KI-Anwendungen
Wählen Sie die Gesundheits-Such-App aus, die Sie verwenden möchten.
Klicken Sie im Navigationsmenü auf Konfigurationen.
Such-Widget anpassen:
1. Wählen Sie im Feld Suchtyp die Option Mit Antwort suchen aus.
2. Wählen Sie das Modell aus, das Sie zum Generieren der Zusammenfassung verwenden möchten. Weitere Informationen finden Sie unter Suchergebnisse für Gesundheitsdaten konfigurieren.
3. Speichern und veröffentlichen Sie Ihre Einstellungen.
Klicken Sie im Navigationsmenü auf Vorschau.
Geben Sie im Feld Patienten-ID die Patienten-ID des Patienten ein, dessen Daten Sie abfragen möchten. Bei Patienten-IDs wird zwischen Groß- und Kleinschreibung unterschieden.
Drücken Sie die Eingabetaste oder klicken Sie auf Vorschau, um die Patienten-ID zu senden.
Geben Sie in die Suchleiste Hier suchen eine Anfrage in natürlicher Sprache ein, z. B. „nsaids“, „What are the patient's lipid labs“ (Was sind die Lipidwerte des Patienten?) oder „What is the most recent A1C result“ (Was ist das letzte A1C-Ergebnis?).

Wenn Sie die automatische Vervollständigung aktiviert haben, wird während der Eingabe eine Liste mit Vorschlägen unter der Suchleiste angezeigt.
Drücken Sie die Eingabetaste, um die Anfrage zu senden.
- Die Antwort der generativen KI wird unter der Suchleiste angezeigt.
- Die Suchergebnisse werden in paginierten Tabellen angezeigt, die nach FHIR-Ressourcentyp kategorisiert sind.
- Standardmäßig werden die Suchergebnisse für alle FHIR-Ressourcentypen in umgekehrter chronologischer Reihenfolge angezeigt.
Optional. Maximieren Sie einen Abschnitt der Antwort, der Zitationen enthält, um die Referenzen aus den Suchergebnissen zu sehen.
Optional. Wählen Sie unter der Suchleiste eine oder mehrere FHIR-Ressourcenkategorien aus, um die Ergebnisse zu filtern.
Optional. Wenn Sie die Ergebnisse nach Relevanz für die Ressourcen „Composition“, „DocumentReference“ und „DiagnosticReport“ sortieren möchten, klicken Sie auf den Filter Sortieren: Umgekehrt chronologisch und wählen Sie in der Liste Relevanz aus. Weitere Informationen finden Sie unter Suchergebnisse für das Gesundheitswesen sortieren.

REST

Das folgende Beispiel zeigt, wie Sie die FHIR R4-Daten eines einzelnen Patienten in der Healthcare Search App mit einer Anfrage in natürlicher Sprache mit Antworten auf Basis generativer KI durchsuchen. In diesem Beispiel wird die Methode servingConfigs.search verwendet.

Wenn Sie mit einer Anfrage in natürlicher Sprache suchen möchten, müssen Sie das Feld naturalLanguageQueryUnderstandingSpec in den Anfragetext einfügen.
Wenn Sie Inline-Zitierindexe einfügen möchten, müssen Sie das Feld includeCitations hinzufügen. Dies ist ein boolesches Feld, das standardmäßig auf false gesetzt ist.

Stellen Sie eine Frage in natürlicher Sprache.

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://us-discoveryengine.googleapis.com/v1alpha/projects/PROJECT_ID/locations/us/collections/default_collection/engines/APP_ID/servingConfigs/default_search:search" \
  -d '{
        "query": "QUERY",
        "filter": "patientId: ANY(\"PATIENT_ID\")",
        "contentSearchSpec": {
          "snippetSpec": {
            "returnSnippet": true
          },
          "displaySpec": {
              "matchHighlightingCondition": "MATCH_HIGHLIGHTING_CONDITION"
          }
          "summarySpec": {
            "summaryResultCount": 1,
            "includeCitations": true,
            "modelSpec": {
              "version": "MODEL_VERSION"
            }
          }
        },
        "naturalLanguageQueryUnderstandingSpec": {
          "filterExtractionCondition": "ENABLED"
        }
  }'

Ersetzen Sie Folgendes:

PROJECT_ID: Die ID Ihres Projekts in Google Cloud .
APP_ID: die ID der Vertex AI Search-App, die Sie abfragen möchten.
QUERY: Die Anfrage in natürlicher Sprache, z. B. „nsaids“, „What are the patients lipid labs“ (Was sind die Lipid-Laborwerte des Patienten?) oder „What is the most recent A1C result“ (Was ist das letzte A1C-Ergebnis?). Wenn die Anfrage einen Apostroph ' enthält, müssen Sie ihn durch die numerische Zeichenreferenz des Apostrophs ersetzen: '.
PATIENT_ID: die Ressourcen-ID des Patienten, dessen Daten Sie durchsuchen möchten.
MODEL_VERSION: Die Modellversion, die Sie zum Generieren der Antwort verwenden möchten. Weitere Informationen finden Sie unter Allgemein verfügbare (GA) Modelle.
MATCH_HIGHLIGHTING_CONDITION: Ein String, der die folgenden Werte haben kann:
- MATCH_HIGHLIGHTING_DISABLED: Damit wird die Hervorhebung von Übereinstimmungen in allen Dokumenten deaktiviert.
- MATCH_HIGHLIGHTING_ENABLED: Aktiviert die Hervorhebung von Übereinstimmungen in allen Dokumenten. Wenn Sie dieses Feld leer lassen oder nicht angeben, wird die Hervorhebung von Übereinstimmungen auf MATCH_HIGHLIGHTING_DISABLED festgelegt und in allen Dokumenten deaktiviert.

Antwort

Sie sollten eine JSON-Antwort ähnlich der folgenden gekürzten Antwort erhalten. Die Antwort enthält detaillierte Suchergebnisse in umgekehrt chronologischer Reihenfolge sowie die folgenden Felder im summary-Objekt:

summaryText: Enthält die generierte Zusammenfassung der Antwort.
summaryWithMetadata: Enthält die generierte Antwortzusammenfassung mit Quellenangaben. Dieses Feld wird nur angezeigt, wenn es Zitationen gibt. Nicht alle generierten Antworten enthalten Quellenangaben. Wenn das Feld summaryWithMetadata verfügbar ist, empfiehlt Google, es anstelle des Felds summaryText zu verwenden.summaryWithMetadata
citations.sources.referenceIndex: Enthält den Referenzindex der in der Antwort zitierten Dokumente. Das ist nützlich, um den vollständigen Ressourcennamen des Dokuments im Feld references zu finden.

Das Feld structData enthält die strukturierten JSON-Daten für das Dokument. Das Feld derivedStructData enthält den Snippet-Text, die Tokens für die Hervorhebung von Übereinstimmungen und die Koordinaten des Begrenzungsrahmens für gescannte Dokumente.

{
  "results": [
    {
      "id": "DOCUMENT_ID",
      "document": {
        "name": "projects/PROJECT_ID/locations/us/collections/default_collection/dataStores/DATA_STORE_ID/branches/0/documents/DOCUMENT_ID",
        "id": "DOCUMENT_ID",
        "structData": {
          ...
          "resource_type": "FHIR_RESOURCE_TYPE",
          "resource_datetime": "RESOURCE_DATETIME",
          "patient_id": "PATIENT_ID",
          "FHIR_RESOURCE_TYPE": { ... }
        },
        "derivedStructData": {
          "snippets": [
            {
              "snippet": "SNIPPET_TEXT",
              "snippet_status": "SUCCESS"
            }
          ],
          "match_highlighting":{
            "matched_tokens": [
              {
                "end_index": TOKEN_END_INDEX,
                "start_index": TOKEN_START_INDEX,
                "token_text": "HIGHLIGHTED TEXT"
              },
            ]
        }
      }
    },
    {
      "id": "DOCUMENT_ID",
      "document": {
        "name": "projects/PROJECT_ID/locations/us/collections/default_collection/dataStores/DATA_STORE_ID/branches/0/documents/DOCUMENT_ID",
        "id": "DOCUMENT_ID",
        "structData": {
          ...
          "resource_type": "FHIR_RESOURCE_TYPE",
          "resource_datetime": "RESOURCE_DATETIME",
          "patient_id": "PATIENT_ID",
          "FHIR_RESOURCE_TYPE": { ... }
          "DocumentReference": {
              "content": [
               {
                 "attachment": {
                   "url": "PATH/TO/STORAGE/FILE.png",
                   "creation": "2018-05-03T11:00:00+00:00",
                   "contentType": "image/png"
                 },
                 "format": {
                   "display": "Scanned",
                   "system": "https://g.co/fhir/harmonized/document_format",
                   "code": "scanned"
                 }
               }
             ],
             }
           },
        "derivedStructData": {
          "total_page_count": 1,
          "match_highlighting": {
            "matched_bounding_boxes": [
              {
                "page_number": 0,
                "page_bounding_boxes": [
                  {
                    "normalized_coordinates": [
                      X_MIN
                      Y_MIN
                      X_MAX
                      Y_MAX
                    ],
                    "token_text": "HIGHLIGHTED TEXT"
                  }
                ]
            }
    ...
    }
  ]
  "summary": {
    "summaryText": "GENERATE_ANSWER_TEXT",
    "summaryWithMetadata": {
      "summary": "GENERATE_ANSWER_TEXT",
      "citationMetadata": {
        "citations": [
          {
            "sources": [
              {
                "id": "DOCUMENT_ID",
                "referenceIndex": "REFERENCE_INDEX_FROM_SUMMARY_METADATA"
              }
            ]
          }
       ]
      },
      "references": [
        {
          "document": "projects/PROJECT_ID/locations/us/collections/default_collection/dataStores/DATA_STORE_ID/branches/0/documents/DOCUMENT_ID"
        },
        ...
      ]
    },
  }
...
}

Suchergebnisse für Gesundheitsdaten abrufen Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

Verwendungszweck von Vertex AI Search zum Suchen in Gesundheitsdaten

Richtlinien für Anfragen

Treffer in Ergebnissen hervorheben

Hinweise

Mit einem Keyword suchen

Console

REST

Antwort

Mit einer Abfrage in natürlicher Sprache suchen

Console

REST

Antwort

Mit einer in natürlicher Sprache gestellten Abfrage suchen und eine Antwort von generativer KI erhalten

Console

REST

Antwort

Suchergebnisse für Gesundheitsdaten abrufen