BigQuery এবং AI প্ল্যাটফর্ম নোটবুক ব্যবহার করে ক্লিনিকাল ডেটা বিশ্লেষণ করুন

১. ভূমিকা

সর্বশেষ হালনাগাদ : ২০২২-৯-২২

এই কোডল্যাবটি BigQueryUI এবং AI Platform Notebooks ব্যবহার করে BigQuery-তে একত্রিত স্বাস্থ্যসেবা ডেটা অ্যাক্সেস এবং বিশ্লেষণ করার একটি প্যাটার্ন প্রয়োগ করে। এটি HIPPA-সম্মত AI Platform Notebooks-এ Pandas, Matplotlib ইত্যাদির মতো পরিচিত টুল ব্যবহার করে বৃহৎ স্বাস্থ্যসেবা ডেটাসেটের ডেটা অন্বেষণ প্রদর্শন করে। এর মূল কৌশলটি হলো, আপনার ডেটা একত্রিতকরণের প্রথম অংশটি BigQuery-তে করা, একটি Pandas ডেটাসেট ফেরত পাওয়া এবং তারপর স্থানীয়ভাবে ছোট Pandas ডেটাসেটটি নিয়ে কাজ করা। AI Platform Notebooks একটি পরিচালিত Jupyter অভিজ্ঞতা প্রদান করে, তাই আপনাকে নিজে থেকে নোটবুক সার্ভার চালাতে হবে না। AI Platform Notebooks, Big Query এবং Cloud Storage-এর মতো অন্যান্য GCP পরিষেবাগুলির সাথে ভালোভাবে সমন্বিত, যা Google Cloud Platform-এ আপনার ডেটা অ্যানালিটিক্স এবং ML যাত্রা শুরু করাকে দ্রুত এবং সহজ করে তোলে।

এই কোড ল্যাবে আপনি শিখবেন:

• BigQuery UI ব্যবহার করে SQL কোয়েরি তৈরি ও পরীক্ষা করুন।
• GCP-তে একটি AI প্ল্যাটফর্ম নোটবুকস ইনস্ট্যান্স তৈরি ও চালু করুন।
• নোটবুক থেকে SQL কোয়েরি চালান এবং কোয়েরির ফলাফল Pandas DataFrame-এ সংরক্ষণ করুন।
• Matplotlib ব্যবহার করে চার্ট ও গ্রাফ তৈরি করুন।
• নোটবুকটি কমিট করে GCP-এর একটি ক্লাউড সোর্স রিপোজিটরিতে পুশ করুন।

এই কোডল্যাবটি চালানোর জন্য আপনার কী প্রয়োজন?

• আপনার একটি GCP প্রজেক্টে অ্যাক্সেস প্রয়োজন।
• আপনাকে GCP প্রজেক্টের জন্য একজন মালিকের ভূমিকা (Owner role) প্রদান করা প্রয়োজন।
• BigQuery-তে আপনার একটি স্বাস্থ্যসেবা ডেটাসেট প্রয়োজন।

আপনার যদি কোনো GCP প্রজেক্ট না থাকে, তাহলে একটি নতুন GCP প্রজেক্ট তৈরি করতে এই ধাপগুলো অনুসরণ করুন।

দ্রষ্টব্য : এই কোডল্যাবটিতে HIPAA-সম্মত এআই প্ল্যাটফর্ম নোটবুক ব্যবহার করা হয়েছে।

২. প্রজেক্ট সেটআপ

এই কোডল্যাবের জন্য, আমরা BigQuery-তে বিদ্যমান একটি ডেটাসেট ( hcls-testing-data.fhir_20k_patients_analytics ) ব্যবহার করব। এই ডেটাসেটটি কৃত্রিম স্বাস্থ্যসেবা ডেটা দিয়ে আগে থেকেই পূরণ করা আছে।

সিন্থেটিক ডেটাসেটে অ্যাক্সেস পান

1. আপনি ক্লাউড কনসোলে লগইন করার জন্য যে ইমেল ঠিকানাটি ব্যবহার করছেন, সেই ঠিকানা থেকে যোগদানের অনুরোধ জানিয়ে [e-mail]- এ একটি ইমেল পাঠান।
2. কাজটি নিশ্চিত করার নির্দেশনাসহ আপনি একটি ইমেল পাবেন।
3. গ্রুপে যোগ দিতে ইমেইলের উত্তর দেওয়ার বিকল্পটি ব্যবহার করুন। ক্লিক করবেন না। বোতাম।
4. নিশ্চিতকরণ ইমেলটি পাওয়ার পর, আপনি কোডল্যাবের পরবর্তী ধাপে যেতে পারবেন।

প্রকল্পটি পিন করুন

1. GCP কনসোলে আপনার প্রজেক্টটি নির্বাচন করুন, তারপর BigQuery-তে যান।
2. +ADD DATA ড্রপডাউনে ক্লিক করুন এবং "Pin a project" > "Enter project name" নির্বাচন করুন।

3. প্রজেক্টের নাম, " hcls-testing-data " লিখুন, তারপর পিন (PIN) ক্লিক করুন। BigQuery টেস্ট ডেটাসেট " fhir_20k_patients_analytics " ব্যবহারের জন্য উপলব্ধ হবে।

দ্রষ্টব্য : আপনি যদি নিজের ডেটাসেট তৈরি করতে চান, তাহলে FHIR-এর BigQuery কোডল্যাবটি দেখুন।

৩. BigQuery UI ব্যবহার করে কোয়েরি তৈরি করুন

BigQuery UI সেটিং

1. উপরের বাম কোণার ("হ্যামবার্গার") GCP মেনু থেকে BigQuery নির্বাচন করে BigQuery কনসোলে যান।
2. BigQuery কনসোলে, More → Query settings- এ ক্লিক করুন এবং নিশ্চিত করুন যে Legacy SQL মেনুটি চেক করা নেই ( আমরা Standard SQL ব্যবহার করব )।

কোয়েরি তৈরি করুন

কোয়েরি এডিটর উইন্ডোতে, নিম্নলিখিত কোয়েরিটি টাইপ করুন এবং এটি কার্যকর করতে 'রান'-এ ক্লিক করুন। তারপর, 'কোয়েরি রেজাল্টস' উইন্ডোতে ফলাফলগুলো দেখুন।

দ্রষ্টব্য : এই বিভাগে প্রদত্ত কোড ব্লকগুলি hcls-testing-data.fhir_20k_patients_analytics BQ ডেটাসেট ব্যবহার করে। আপনি যদি আপনার নিজস্ব ডেটাসেট ব্যবহার করার সিদ্ধান্ত নেন তবে এটি প্রতিস্থাপন করুন।

রোগীদের জিজ্ঞাসা করুন

#standardSQL - Query Patients
SELECT
  id AS patient_id,
  name[safe_offset(0)].given AS given_name,
  name[safe_offset(0)].family AS family,
  telecom[safe_offset(0)].value AS phone,
  birthDate AS birth_date,
  deceased.dateTime AS deceased_datetime,
  Gender AS fhir_gender_code,
  Address[safe_offset(0)].line AS address1_line_1,
  Address[safe_offset(0)].city AS address1_city,
  Address[safe_offset(0)].state AS address1_state,
  Address[safe_offset(0)].postalCode AS address1_postalCode,
  Address[safe_offset(0)].country AS address1_country
FROM 
  `hcls-testing-data.fhir_20k_patients_analytics.Patient` AS Patient 
LIMIT 10

'কোয়েরি এডিটর'-এ কোয়েরি এবং তার ফলাফল:

দ্রষ্টব্য: আরও ভালোভাবে দেখার সুবিধার জন্য এই অংশের কোয়েরির ফলাফল সারি/কলাম অনুযায়ী সীমিত রাখা হতে পারে। প্রকৃত ফলাফলে আরও বেশি ডেটা থাকতে পারে।

কোয়েরি অনুশীলনকারীরা

#standardSQL - Query Practitioners
SELECT 
  id AS practitioner_id, 
  name[safe_offset(0)].given AS given_name,
  name[safe_offset(0)].family AS family_name, 
  gender 
FROM 
  `hcls-testing-data.fhir_20k_patients_analytics.Practitioner` 
LIMIT 10

অনুসন্ধানের ফলাফল:

কোয়েরি সংস্থা

আপনার ডেটাসেটের সাথে মিলিয়ে প্রতিষ্ঠানের আইডি পরিবর্তন করুন।

#standardSQL - Query Organization
SELECT
  id AS org_id,
  type[safe_offset(0)].text AS org_type,
  name AS org_name,
  address[safe_offset(0)].line AS org_addr,
  address[safe_offset(0)].city AS org_addr_city,
  address[safe_offset(0)].state AS org_addr_state,
  address[safe_offset(0)].postalCode AS org_addr_postalCode,
  address[safe_offset(0)].country AS org_addr_country
FROM 
  `hcls-testing-data.fhir_20k_patients_analytics.Organization` AS Organization
WHERE 
  id = "b81688f5-bd0e-3c99-963f-860d3e90ab5d"

অনুসন্ধানের ফলাফল:

রোগীর দ্বারা জিজ্ঞাসিত প্রশ্ন

#standardSQL - Query Encounters by Patient
SELECT
  id AS encounter_id,
  period.start AS encounter_start,
  period.end AS encounter_end,
  status AS encounter_status,
  class.code AS encounter_type,
  subject.patientId as patient_id,
  participant[safe_OFFSET(0)].individual.practitionerId as parctitioner_id,
  serviceProvider.organizationId as encounter_location_id,
  type[safe_OFFSET(0)].text AS encounter_reason
FROM
  `hcls-testing-data.fhir_20k_patients_analytics.Encounter` AS Encounter
WHERE
  subject.patientId = "900820eb-4166-4981-ae2d-b183a064ac18"
ORDER BY
  encounter_end

অনুসন্ধানের ফলাফল:

এনকাউন্টারের ধরণ অনুযায়ী এনকাউন্টারের গড় দৈর্ঘ্য জানুন

#standardSQL - Get Average length of Encounters by Encounter type 
SELECT
  class.code encounter_class,
  ROUND(AVG(TIMESTAMP_DIFF(TIMESTAMP(period.end),    TIMESTAMP(period.start), HOUR)),1) as avg_minutes
FROM
  `hcls-testing-data.fhir_20k_patients_analytics.Encounter` AS Encounter
WHERE
  period.end >= period.start
GROUP BY
  1
ORDER BY
  2 DESC

অনুসন্ধানের ফলাফল:

যেসব রোগীর A1C রেট ৬.৫ বা তার বেশি, তাদের সবাইকে অন্তর্ভুক্ত করুন।

# Query Patients who have A1C rate >= 6.5
SELECT 
  id AS observation_id,
  subject.patientId AS patient_id,
  context.encounterId AS encounter_id,
  value.quantity.value,
  value.quantity.unit,
  code.coding[safe_offset(0)].code,
  code.coding[safe_offset(0)].display AS description
FROM
  `hcls-testing-data.fhir_20k_patients_analytics.Observation` 
WHERE 
  code.text like '%A1c/Hemoglobin%' AND 
  value.quantity.value >= 6.5 AND 
  status = 'final'

অনুসন্ধানের ফলাফল:

৪. এআই প্ল্যাটফর্ম নোটবুক ইনস্ট্যান্স তৈরি করুন

একটি নতুন এআই প্ল্যাটফর্ম নোটবুকস (জুপিটারল্যাব) ইনস্ট্যান্স তৈরি করতে এই লিঙ্কের নির্দেশাবলী অনুসরণ করুন।

অনুগ্রহ করে Compute Engine API সক্রিয় করা নিশ্চিত করুন।

আপনি " ডিফল্ট বিকল্পসহ একটি নতুন নোটবুক তৈরি করুন " অথবা " একটি নতুন নোটবুক তৈরি করুন এবং আপনার বিকল্পগুলি নির্দিষ্ট করুন " বিকল্পটি বেছে নিতে পারেন।

৫. একটি ডেটা অ্যানালিটিক্স নোটবুক তৈরি করুন

ওপেন এআই প্ল্যাটফর্ম নোটবুক ইনস্ট্যান্স

এই অংশে আমরা একেবারে শুরু থেকে একটি নতুন জুপিটার নোটবুক তৈরি ও কোড করব।

1. Google Cloud Platform Console-এ AI Platform Notebooks পৃষ্ঠায় গিয়ে একটি নোটবুক ইনস্ট্যান্স খুলুন। AI Platform Notebooks পৃষ্ঠায় যান ।
2. যে ইনস্ট্যান্সটি আপনি খুলতে চান, সেটির জন্য 'Open JupyterLab' নির্বাচন করুন।

3. এআই প্ল্যাটফর্ম নোটবুকস আপনাকে আপনার নোটবুক ইনস্ট্যান্সের জন্য একটি ইউআরএল-এ নির্দেশিত করে।

একটি নোটবুক তৈরি করুন

1. JupyterLab-এ, File -> New -> Notebook- এ যান এবং পপ-আপ থেকে Kernel "Python 3" নির্বাচন করুন, অথবা একটি Untitled.ipynbnotebook তৈরি করতে লঞ্চার উইন্ডোর Notebook সেকশনের অধীনে "Python 3" নির্বাচন করুন।

2. Untitled.ipynb-এর উপর রাইট ক্লিক করে নোটবুকটির নাম পরিবর্তন করে "fhir_data_from_bigquery.ipynb" রাখুন। এটি খুলতে ডাবল ক্লিক করুন, কোয়েরিগুলো তৈরি করুন এবং নোটবুকটি সেভ করুন।
3. আপনি *.ipynb ফাইলটিতে রাইট-ক্লিক করে মেনু থেকে ডাউনলোড নির্বাচন করে নোটবুকটি ডাউনলোড করতে পারেন।

4. আপনি 'আপ অ্যারো' বোতামে ক্লিক করে বিদ্যমান নোটবুকও আপলোড করতে পারেন।

নোটবুকে প্রতিটি কোড ব্লক তৈরি এবং কার্যকর করুন।

এই বিভাগে দেওয়া প্রতিটি কোড ব্লক এক এক করে কপি করে চালান। কোডটি চালাতে ' রান ' (ত্রিভুজ) বোতামে ক্লিক করুন।

দ্রষ্টব্য : এই বিভাগে প্রদত্ত কোড ব্লকগুলি hcls-testing-data.fhir_20k_patients_analytics BQ ডেটাসেট ব্যবহার করে। আপনি যদি আপনার নিজস্ব ডেটাসেট ব্যবহার করার সিদ্ধান্ত নেন তবে এটি প্রতিস্থাপন করুন।

সাক্ষাতের জন্য অবস্থানের সময়কাল ঘন্টায় জানুন।

from google.cloud import bigquery

client = bigquery.Client()

lengthofstay="""
SELECT
    class.code as encounter_class,
    period.start as start_timestamp,
    period.end as end_timestamp, 
    TIMESTAMP_DIFF(TIMESTAMP(period.end), TIMESTAMP(period.start), HOUR) 
        as length_of_stay_in_hours
FROM 
    `hcls-testing-data.fhir_20k_patients_analytics.Encounter`
WHERE
    period.end >= period.start
ORDER BY
    4 DESC
LIMIT 10
"""
df = client.query(lengthofstay).to_dataframe()
df.head()

কোড এবং এক্সিকিউশন আউটপুট:

দ্রষ্টব্য: আরও ভালোভাবে দেখার সুবিধার জন্য এই অংশের এক্সিকিউশন আউটপুট সারি/কলাম অনুযায়ী সীমিত রাখা হতে পারে। প্রকৃত ফলাফলে আরও বেশি ডেটা থাকতে পারে।

পর্যবেক্ষণগুলি জানুন - কোলেস্টেরলের মান

observation="""
SELECT
  cc.code loinc_code,
  cc.display loinc_name,
  approx_quantiles(round(o.value.quantity.value,1),4) as quantiles,
  count(*) as num_obs
FROM
  `hcls-testing-data.fhir_20k_patients_analytics.Observation` o, o.code.coding cc
WHERE
  cc.system like '%loinc%' and lower(cc.display) like '%cholesterol%'
GROUP BY 1,2
ORDER BY 4 desc
"""
df2 = client.query(observation).to_dataframe()
df2.head()

কার্য সম্পাদনের আউটপুট:

আনুমানিক এনকাউন্টার কোয়ান্টাইলগুলি পান

encounters="""
SELECT
  encounter_class,
  APPROX_QUANTILES(num_encounters, 4) num_encounters_quantiles
FROM (
  SELECT
    class.code encounter_class,
    subject.reference patient_id,
    COUNT(DISTINCT id) AS num_encounters
  FROM
    `hcls-testing-data.fhir_20k_patients_analytics.Encounter`
  GROUP BY
    1,2
  )
GROUP BY 1
ORDER BY 1
"""
df3 = client.query(encounters).to_dataframe()
df3.head()

কার্য সম্পাদনের আউটপুট:

সাক্ষাতের গড় দৈর্ঘ্য মিনিটে জানুন

avgstay="""
SELECT
  class.code encounter_class,
  ROUND(AVG(TIMESTAMP_DIFF(TIMESTAMP(period.end), TIMESTAMP(period.start), MINUTE)),1) as avg_minutes
FROM
  `hcls-testing-data.fhir_20k_patients_analytics.Encounter`
WHERE
  period.end >= period.start
GROUP BY
  1
ORDER BY
  2 DESC
  """
df4 = client.query(avgstay).to_dataframe()
df4.head()

কার্য সম্পাদনের আউটপুট:

প্রতি রোগীর জন্য এনকাউন্টার পান

patientencounters="""
SELECT
  id AS encounter_id,
  period.start AS encounter_start,
  period.end AS encounter_end,
  status AS encounter_status,
  class.code AS encounter_type,
  subject.patientId as patient_id,
  participant[safe_OFFSET(0)].individual.practitionerId as parctitioner_id,
  serviceProvider.organizationId as encounter_location_id,
  type[safe_OFFSET(0)].text AS encounter_reason
FROM
  `hcls-testing-data.fhir_20k_patients_analytics.Encounter` AS Encounter
WHERE
  subject.patientId = "900820eb-4166-4981-ae2d-b183a064ac18"
ORDER BY
  encounter_end
"""

df5 = client.query(patientencounters).to_dataframe()
df5.head()

কার্য সম্পাদনের আউটপুট:

সংস্থাগুলি পান

orgs="""
SELECT
  id AS org_id,
  type[safe_offset(0)].text AS org_type,
  name AS org_name,
  address[safe_offset(0)].line AS org_addr,
  address[safe_offset(0)].city AS org_addr_city,
  address[safe_offset(0)].state AS org_addr_state,
  address[safe_offset(0)].postalCode AS org_addr_postalCode,
  address[safe_offset(0)].country AS org_addr_country
FROM 
  `hcls-testing-data.fhir_20k_patients_analytics.Organization` AS Organization
WHERE 
  id = "b81688f5-bd0e-3c99-963f-860d3e90ab5d"
"""

df6 = client.query(orgs).to_dataframe()
df6.head()

কার্য সম্পাদনের ফলাফল:

রোগী সংগ্রহ করুন

patients="""
SELECT
  id AS patient_id,
  name[safe_offset(0)].given AS given_name,
  name[safe_offset(0)].family AS family,
  telecom[safe_offset(0)].value AS phone,
  birthDate AS birth_date,
  deceased.dateTime AS deceased_datetime,
  Gender AS fhir_gender_code,
  Address[safe_offset(0)].line AS address1_line_1,
  Address[safe_offset(0)].city AS address1_city,
  Address[safe_offset(0)].state AS address1_state,
  Address[safe_offset(0)].postalCode AS address1_postalCode,
  Address[safe_offset(0)].country AS address1_country
FROM 
  `hcls-testing-data.fhir_20k_patients_analytics.Patient` AS Patient 
LIMIT 10
"""

df7 = client.query(patients).to_dataframe()
df7.head()

কার্য সম্পাদনের ফলাফল:

৬. এআই প্ল্যাটফর্ম নোটবুকে চার্ট এবং গ্রাফ তৈরি করুন

একটি বার গ্রাফ আঁকতে 'fhir_data_from_bigquery.ipynb' নোটবুকের কোড সেলগুলো চালান।

উদাহরণস্বরূপ, এনকাউন্টারগুলোর গড় দৈর্ঘ্য মিনিটে বের করুন।

df4.plot(kind='bar', x='encounter_class', y='avg_minutes');

কোড এবং এক্সিকিউশনের ফলাফল:

৭. নোটবুকটি ক্লাউড সোর্স রিপোজিটরিতে কমিট করুন

1. GCP কনসোলে, সোর্স রিপোজিটরি-তে যান। আপনি যদি এটি প্রথমবার ব্যবহার করেন, তাহলে গেট স্টার্টেড-এ ক্লিক করুন, তারপর ক্রিয়েট রিপোজিটরি-তে ক্লিক করুন।

2. পরবর্তী সময়ের জন্য, GCP -> Cloud Source Repositories-এ যান এবং একটি নতুন রিপোজিটরি তৈরি করতে +Add repository-তে ক্লিক করুন।

3. 'Create a new Repository' নির্বাচন করুন, তারপর 'Continue'-তে ক্লিক করুন।
4. রিপোজিটরি নাম এবং প্রজেক্ট নাম প্রদান করুন, তারপর ক্রিয়েট-এ ক্লিক করুন।

দ্রষ্টব্য: এখানে এবং পরবর্তীতে রিপোজিটরি সম্পর্কিত সমস্ত কমান্ডে আমরা 'my-ai-notebooks' নামটি ব্যবহার করব। যদি আপনি এটি পরিবর্তন করতে চান, তবে মনে রাখবেন যে এই বিভাগের পরবর্তী সমস্ত রিপোজিটরি সম্পর্কিত কমান্ডেও আপনাকে এটি পরিবর্তন করতে হবে।

5. 'আপনার রিপোজিটরি একটি স্থানীয় গিট রিপোজিটরিতে ক্লোন করুন' নির্বাচন করুন, তারপর ম্যানুয়ালি তৈরি করা ক্রেডেনশিয়াল নির্বাচন করুন।
6. ধাপ ১ "গিট ক্রেডেনশিয়াল তৈরি এবং সংরক্ষণ করুন" এর নির্দেশাবলী অনুসরণ করুন (নিচে দেখুন)। আপনার স্ক্রিনে প্রদর্শিত স্ক্রিপ্টটি কপি করুন।

7. Jupyter-এ টার্মিনাল সেশন শুরু করুন।

8. আপনার 'Configure Git' উইন্ডো থেকে সমস্ত কমান্ড Jupyter টার্মিনালে পেস্ট করুন।
9. GCP ক্লাউড সোর্স রিপোজিটরিগুলো থেকে রিপোজিটরি ক্লোন পাথটি কপি করুন (নিচের স্ক্রিনশটের ধাপ ২)।

10. এই কমান্ডটি জুপিটারল্যাব টার্মিনালে পেস্ট করুন। কমান্ডটি দেখতে নিচেরটির মতো হবে:

git clone https://source.developers.google.com/p/<your -project-name>/r/my-ai-notebooks

11. জুপিটারল্যাবে 'my-ai-notebooks' ফোল্ডারটি তৈরি করা হয়।

12. আপনার নোটবুকটি (fhir_data_from_bigquery.ipynb) "my-ai-notebooks" ফোল্ডারে সরান।
13. Jupyter টার্মিনালে, "cd my-ai-notebooks" কমান্ড ব্যবহার করে ডিরেক্টরি পরিবর্তন করুন।
14. Jupyter টার্মিনাল ব্যবহার করে আপনার পরিবর্তনগুলি স্টেজ করুন। বিকল্পভাবে আপনি Jupyter UI ব্যবহার করতে পারেন (Untracked এলাকার ফাইলগুলিতে রাইট-ক্লিক করে Track নির্বাচন করুন, তাহলে ফাইলগুলি Tracked এলাকায় চলে যাবে এবং এর বিপরীতটিও ঘটবে। Changed এলাকায় পরিবর্তিত ফাইলগুলি থাকবে)।

git remote add my-ai-notebooks https://source.developers.google.com/p/<your -project-name>/r/my-ai-notebooks

15. Jupyter টার্মিনাল অথবা Jupyter UI ব্যবহার করে আপনার পরিবর্তনগুলো কমিট করুন (মেসেজটি টাইপ করুন, তারপর "Checked" বোতামে ক্লিক করুন)।

git commit -m "message goes here"

16. Jupyter টার্মিনাল বা Jupyter UI ব্যবহার করে আপনার পরিবর্তনগুলি রিমোট রিপোজিটরিতে পুশ করুন ("push committed changes" আইকনে ক্লিক করুন)। )

git push --all

17. GCP কনসোলে, সোর্স রিপোজিটরি-তে যান। my-ai-notebooks-এ ক্লিক করুন। লক্ষ্য করুন যে "fhir_data_from_bigquery.ipynb" এখন GCP সোর্স রিপোজিটরি-তে সংরক্ষিত হয়েছে।

৮. পরিচ্ছন্নতা

এই কোডল্যাবে ব্যবহৃত রিসোর্সগুলোর জন্য আপনার গুগল ক্লাউড প্ল্যাটফর্ম অ্যাকাউন্টে চার্জ হওয়া এড়াতে, টিউটোরিয়ালটি শেষ করার পর আপনি GCP-তে তৈরি করা রিসোর্সগুলো পরিষ্কার করে ফেলতে পারেন, যাতে সেগুলো আপনার কোটা ব্যবহার না করে এবং ভবিষ্যতে সেগুলোর জন্য আপনাকে বিল করা না হয়। নিম্নলিখিত বিভাগগুলোতে এই রিসোর্সগুলো কীভাবে মুছে ফেলতে বা বন্ধ করতে হয় তা বর্ণনা করা হয়েছে।

BigQuery ডেটাসেট মুছে ফেলা

এই টিউটোরিয়ালের অংশ হিসেবে আপনার তৈরি করা BigQuery ডেটাসেটটি ডিলিট করতে এই নির্দেশাবলী অনুসরণ করুন। অথবা, BigQuery কনসোলে গিয়ে hcls-testing-data প্রজেক্টটি UnPIN করুন, যদি আপনি fhir_20k_patients_analytics টেস্ট ডেটাসেটটি ব্যবহার করে থাকেন।

এআই প্ল্যাটফর্ম নোটবুক ইনস্ট্যান্স বন্ধ করা হচ্ছে

একটি AI Platform Notebooks ইনস্ট্যান্স বন্ধ করতে, এই লিঙ্কে দেওয়া নির্দেশাবলী অনুসরণ করুন: Shut down a notebook instance | AI Platform Notebooks।

প্রকল্পটি মুছে ফেলা হচ্ছে

বিলিং বন্ধ করার সবচেয়ে সহজ উপায় হলো টিউটোরিয়ালের জন্য তৈরি করা প্রজেক্টটি ডিলিট করে দেওয়া।

প্রজেক্টটি ডিলিট করতে:

সতর্কতা : একটি প্রজেক্ট মুছে ফেলার নিম্নলিখিত প্রভাব রয়েছে:

• প্রজেক্টের সবকিছু মুছে ফেলা হবে। আপনি যদি এই টিউটোরিয়ালের জন্য আগে থেকে থাকা কোনো প্রজেক্ট ব্যবহার করে থাকেন, তবে সেটি ডিলিট করার সাথে সাথে প্রজেক্টটিতে করা আপনার অন্য সব কাজও মুছে যাবে।
• কাস্টম প্রজেক্ট আইডি হারিয়ে গেছে। এই প্রজেক্টটি তৈরি করার সময়, আপনি হয়তো একটি কাস্টম প্রজেক্ট আইডি তৈরি করেছিলেন যা আপনি ভবিষ্যতে ব্যবহার করতে চান। প্রজেক্ট আইডি ব্যবহার করে এমন URL-গুলো, যেমন appspot.com URL, সংরক্ষণ করতে, পুরো প্রজেক্টটি মুছে ফেলার পরিবর্তে প্রজেক্টের ভেতরের নির্বাচিত রিসোর্সগুলো মুছে ফেলুন।

আপনি যদি একাধিক টিউটোরিয়াল এবং কুইকস্টার্ট অনুসরণ করার পরিকল্পনা করেন, তবে প্রজেক্ট পুনঃব্যবহার করলে তা আপনাকে প্রজেক্ট কোটার সীমা অতিক্রম করা এড়াতে সাহায্য করতে পারে।

1. GCP কনসোলে, প্রজেক্টস পেজে যান। প্রজেক্টস পেজে যান
2. প্রজেক্ট তালিকা থেকে, আপনি যে প্রজেক্টটি মুছতে চান সেটি নির্বাচন করুন এবং ডিলিট বাটনে ক্লিক করুন।
3. ডায়ালগ বক্সে প্রজেক্ট আইডি টাইপ করুন, তারপর প্রজেক্টটি মুছে ফেলার জন্য 'শাট ডাউন'-এ ক্লিক করুন।

৯. অভিনন্দন

অভিনন্দন, আপনি BigQuery এবং AI Platform Notebooks ব্যবহার করে FHIR ফরম্যাটের স্বাস্থ্যসেবা ডেটা অ্যাক্সেস, কোয়েরি এবং বিশ্লেষণ করার কোড ল্যাবটি সফলভাবে সম্পন্ন করেছেন।

আপনি GCP-তে একটি পাবলিক BigQuery ডেটাসেট অ্যাক্সেস করেছেন।

আপনি BigQuery UI ব্যবহার করে SQL কোয়েরি তৈরি ও পরীক্ষা করেছেন।

আপনি একটি এআই প্ল্যাটফর্ম নোটবুকস ইনস্ট্যান্স তৈরি ও চালু করেছেন।

আপনি JupyterLab- এ SQL কোয়েরিগুলো চালিয়েছেন এবং কোয়েরির ফলাফলগুলো Pandas DataFrame-এ সংরক্ষণ করেছেন।

আপনি ম্যাটপ্লটলিব ব্যবহার করে চার্ট ও গ্রাফ তৈরি করেছেন।

আপনি আপনার নোটবুকটি GCP-এর একটি ক্লাউড সোর্স রিপোজিটরিতে কমিট ও পুশ করেছেন।

গুগল ক্লাউড প্ল্যাটফর্মে BigQuery এবং AI প্ল্যাটফর্ম নোটবুক ব্যবহার করে আপনার হেলথকেয়ার ডেটা অ্যানালিটিক্স যাত্রা শুরু করার জন্য প্রয়োজনীয় মূল ধাপগুলো এখন আপনি জানেন।

© গুগল, ইনকর্পোরেটেড অথবা এর অধিভুক্ত সংস্থাসমূহ। সর্বস্বত্ব সংরক্ষিত। বিতরণ করবেন না।