Atención médica impulsada por IA con MongoDB y Microsoft

Arquitectura y flujo de datos

En esta solución, MongoDB Atlas sirve como base de datos operativa para aplicaciones de IA en tiempo real, mientras que Microsoft OneLake gestiona el análisis de tendencias a largo plazo. Esta arquitectura permite las siguientes funcionalidades:

• Procesamiento en tiempo real de datos de pacientes e imágenes médicas.

• Integración entre sistemas operativos y analíticos.

• Flujo de datos eficiente desde el procesamiento transaccional al analítico.

• Admite consultas operativas con respuesta de milisegundos y cargas de trabajo analíticas complejas.

Figura 2: Canalización de datos analíticos en tiempo real

IA predictiva para la detección temprana

La IA predictiva se puede utilizar en el ámbito sanitario para generar diagnósticos precisos a partir de grandes conjuntos de datos. Microsoft Fabric Data Science ofrece una plataforma robusta para entrenar y experimentar con modelos de aprendizaje automático (ML) y gestionar ciclos de operaciones de aprendizaje automático (MLOps). Esta solución utiliza modelos para los siguientes fines:

1. Predicción BI-RADS

   BI-RADS es un mecanismo estándar en la industria para analizar los hallazgos de las mamografías. Los especialistas en salud utilizan BI-RADS para describir los resultados de las pruebas de imagen mamaria con un valor de 0 a 6, donde la probabilidad de malignidad aumenta con la puntuación.

   Esta solución utiliza la16 red neuronal convolucional profunda (CNN) VGG para predecir las puntuaciones BI-RADS a partir de imágenes. El modelo se entrena con imágenes de mamografía de un conjunto de datos de Kaggle. Cada imagen se agrupa en carpetas que corresponden a su BI-RADS.

   Fabric Data Science analiza el rendimiento de múltiples modelos para esta tarea y selecciona el mejor. Entrena los modelos, ejecuta experimentos y administra múltiples versiones. Las imágenes de entrenamiento se cargan directamente en Lakehouse en OneLake desde el equipo local del usuario mediante la interfaz de usuario de Lakehouse. Además, puede referenciar fácilmente las imágenes almacenadas en Azure Blob Storage mediante wget o,curl mediante atajos o una canalización de datos. La solución almacena los metadatos de la imagen y las predicciones finales en MongoDB Atlas.

2. Clasificación de biopsias

   Los modelos de clasificación o regresión permiten clasificar tumores como malignos o benignos. El modelo clasificador de bosque aleatorio se entrena con un conjunto de datos de Kaggle que incluye parámetros de entrada como el grosor del grupo, la uniformidad del tamaño y la forma celular, los núcleos desnudos y las mitosis. El modelo puede predecir si un tumor es maligno o benigno. En producción, se pueden añadir más parámetros al conjunto de datos y entrenar el modelo con estos valores para realizar predicciones más precisas. Durante el desarrollo de la solución, el modelo de bosque aleatorio tuvo una precisión superior al 97%. La solución obtiene el conjunto de datos de entrenamiento de MongoDB Atlas y el resultado de la predicción se actualiza en MongoDB mediante el conector Spark de MongoDB.

Fabric Data Science facilita el entrenamiento y la gestión de sus modelos al registrar automáticamente los parámetros relacionados para cada modelo y experimento.

Implementación de Búsqueda Vectorial

El sistema de consulta inteligente de esta solución se basa en Vector Search, como se muestra en el siguiente diagrama.

Figura 3. Flujo del proceso de implementación de búsqueda vectorial

1. Preparación de datos:

   • El modelo text-embedding-ada-002 de Azure OpenAI procesa notas clínicas.

   • Los datos se convierten en incrustaciones vectoriales para una representación espacial de alta dimensión.

   • Las incrustaciones vectoriales se almacenan en MongoDB Atlas con índices de búsqueda optimizados.

2. Procesamiento de consultas:

   • Las consultas en lenguaje natural se convierten en representaciones vectoriales.

   • La comprensión semántica permite realizar consultas médicas complejas.

   • Los vectores de consulta se comparan con las incrustaciones almacenadas.

3. Document retrieval:

   • Devuelve registros médicos relevantes según la coincidencia semántica.

   • Permite el acceso intuitivo a la información del paciente.

   • Atlas Vector Search ejecuta búsquedas basadas en similitud.

Arquitectura de Chatbot basada en RAG

La implementación del chatbot aprovecha la arquitectura RAG en los siguientes contextos, como se muestra en el siguiente diagrama:

Figura 4. Plano de la arquitectura del chatbot

1. Recuperación de información del paciente:

   • Ejecuta consultas para obtener detalles actuales del paciente.

   • Recupera datos estructurados de pacientes de colecciones de MongoDB.

   • Proporciona acceso inmediato a información crítica del paciente.

2. Procesamiento de datos históricos:

   • Accede al historial de pacientes de 10años desde MongoDB Atlas.

   • Descodifica y resume datos históricos a través de Azure OpenAI LLM.

   • Implementa encadenamiento de pensamientos para obtener respuestas conscientes del contexto.

3. Integración de conocimientos médicos:

   • Utiliza documentación médica vectorizada.

   • Realiza búsquedas vectoriales en tiempo real según el contexto de la consulta.

   • Integra literatura médica relevante y estudios de casos.

Análisis y visualización

Esta solución utiliza las siguientes dos plataformas de visualización para análisis.

En primer lugar, MongoDB Atlas Charts proporciona paneles operativos nativos en tiempo real, conectados directamente a los datos de MongoDB. Permite obtener información inmediata sobre métricas críticas de atención médica mediante visualizaciones intuitivas, sin necesidad de transformaciones de datos ni herramientas adicionales. El panel operativo (Figura 5) muestra métricas clave, como el número de pacientes, el estado de las citas y la distribución de las clínicas.

Figura 5. Panel de control operativo con gráficos Atlas

En segundo lugar, la integración con Power BI amplía las capacidades analíticas al permitir el análisis de datos a nivel empresarial y visualizaciones avanzadas. Mediante el Conector Atlas de MongoDB, los datos de atención médica se pueden combinar con otras fuentes empresariales en Microsoft OneLake. El panel de visualización geográfica 6 (Figura) muestra esta integración, mostrando la distribución de pacientes y habilitando sofisticadas capacidades analíticas.

Figura 6. Integración de PowerBI con MongoDB Atlas

Juntas, estas plataformas proporcionan una solución analítica completa que gestiona tanto las necesidades operativas inmediatas como los requisitos analíticos a largo plazo.

Esta solución demuestra cómo MongoDB Atlas puede gestionar datos operativos, funciones de búsqueda vectorial y requisitos analíticos, integrándose a la perfección con las herramientas de IA y visualización de Microsoft. Esta arquitectura permite a los profesionales sanitarios aprovechar la información operativa en tiempo real y las capacidades analíticas a largo plazo en un único sistema.