วิเคราะห์ข้อมูลทางคลินิกโดยใช้ BigQuery และสมุดบันทึก AI Platform

1. บทนำ

อัปเดตล่าสุด: 22-09-2022

Codelab นี้ใช้รูปแบบในการเข้าถึงและวิเคราะห์ข้อมูลด้านการดูแลสุขภาพที่รวบรวมไว้ใน BigQuery โดยใช้ BigQueryUI และ AI Platform Notebooks โดยจะแสดงภาพการสํารวจข้อมูลของชุดข้อมูลด้านการดูแลสุขภาพขนาดใหญ่โดยใช้เครื่องมือที่คุ้นเคย เช่น Pandas, Matplotlib ฯลฯ ใน Notebook ของ AI Platform ที่เป็นไปตามข้อกำหนดของ HIPPA "เคล็ดลับ" คือการทำการรวบรวมส่วนแรกใน BigQuery จากนั้นรับชุดข้อมูล Pandas กลับมา แล้วทำงานกับชุดข้อมูล Pandas ที่เล็กลงในเครื่อง AI Platform Notebooks มอบประสบการณ์การใช้งาน Jupyter ที่มีการจัดการ คุณจึงไม่จำเป็นต้องเรียกใช้เซิร์ฟเวอร์สมุดบันทึกด้วยตนเอง AI Platform Notebooks ผสานรวมกับบริการอื่นๆ ของ GCP เช่น BigQuery และ Cloud Storage ได้อย่างดี ซึ่งช่วยให้คุณเริ่มต้นเส้นทางการวิเคราะห์ข้อมูลและ ML บน Google Cloud Platform ได้อย่างรวดเร็วและง่ายดาย

ในโค้ดแล็บนี้ คุณจะได้เรียนรู้สิ่งต่อไปนี้

• พัฒนาและทดสอบการค้นหา SQL โดยใช้ BigQuery UI
• สร้างและเปิดใช้อินสแตนซ์ AI Platform Notebooks ใน GCP
• เรียกใช้การค้นหา SQL จาก Notebook และจัดเก็บผลการค้นหาใน Pandas DataFrame
• สร้างแผนภูมิและกราฟโดยใช้ Matplotlib
• คอมมิตและพุช Notebook ไปยัง Cloud Source Repository ใน GCP

คุณต้องมีอะไรบ้างในการเรียกใช้ Codelab นี้

• คุณต้องมีสิทธิ์เข้าถึงโปรเจ็กต์ GCP
• คุณต้องได้รับมอบหมายบทบาทเจ้าของสำหรับโปรเจ็กต์ GCP
• คุณต้องมีชุดข้อมูลด้านการดูแลสุขภาพใน BigQuery

หากไม่มีโปรเจ็กต์ GCP ให้ทำตามขั้นตอนเหล่านี้เพื่อสร้างโปรเจ็กต์ GCP ใหม่

หมายเหตุ: Codelab นี้ใช้ AI Platform Notebooks ที่เป็นไปตามข้อกำหนดของ HIPAA

2. การตั้งค่าโปรเจ็กต์

สำหรับโค้ดแล็บนี้ เราจะใช้ชุดข้อมูลที่มีอยู่ใน BigQuery (hcls-testing-data.fhir_20k_patients_analytics) ชุดข้อมูลนี้จะมีการป้อนข้อมูลล่วงหน้าด้วยข้อมูลด้านการดูแลสุขภาพสังเคราะห์

รับสิทธิ์เข้าถึงชุดข้อมูลสังเคราะห์

1. จากอีเมลที่คุณใช้เพื่อเข้าสู่ระบบ Cloud Console ให้ส่งอีเมลไปที่ [e-mail] เพื่อขอเข้าร่วม
2. คุณจะได้รับอีเมลพร้อมวิธีการยืนยันการดำเนินการ
3. ใช้ตัวเลือกเพื่อตอบกลับอีเมลเพื่อเข้าร่วมกลุ่ม อย่าคลิกปุ่ม
4. เมื่อได้รับอีเมลยืนยันแล้ว คุณจะไปยังขั้นตอนถัดไปใน Codelab ได้

ปักหมุดโปรเจ็กต์

1. ในคอนโซล GCP ให้เลือกโปรเจ็กต์ แล้วไปที่ BigQuery
2. คลิกเมนูแบบเลื่อนลง +เพิ่มข้อมูล แล้วเลือก "ปักหมุดโปรเจ็กต์" > "ป้อนชื่อโปรเจ็กต์"

3. ป้อนชื่อโปรเจ็กต์ "hcls-testing-data" แล้วคลิกปักหมุด ชุดข้อมูลทดสอบ BigQuery "fhir_20k_patients_analytics" พร้อมใช้งานแล้ว

หมายเหตุ: หากต้องการสร้างชุดข้อมูลของคุณเอง โปรดดูโค้ดแล็บ FHIR ไปยัง BigQuery

3. พัฒนาการค้นหาโดยใช้ BigQuery UI

การตั้งค่า UI ของ BigQuery

1. ไปที่คอนโซล BigQuery โดยเลือก BigQuery จากเมนู GCP ที่มุมซ้ายบน ("แฮมเบอร์เกอร์")
2. ในคอนโซล BigQuery ให้คลิกเพิ่มเติม → การตั้งค่าการค้นหา และตรวจสอบว่าไม่ได้เลือกเมนู SQL เดิม (เราจะใช้ SQL มาตรฐาน)

สร้างการค้นหา

ในหน้าต่างตัวแก้ไขคำค้นหา ให้พิมพ์คำค้นหาต่อไปนี้ แล้วคลิก "เรียกใช้" เพื่อเรียกใช้ จากนั้นดูผลลัพธ์ในหน้าต่าง"ผลลัพธ์ของคำค้นหา"

หมายเหตุ: บล็อกโค้ดที่ระบุไว้ในส่วนนี้ใช้ชุดข้อมูล BQ hcls-testing-data.fhir_20k_patients_analytics แทนที่หากคุณตัดสินใจใช้ชุดข้อมูลของคุณเอง

ค้นหาผู้ป่วย

#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

คำค้นหาใน "ตัวแก้ไขคำค้นหา" และผลลัพธ์

หมายเหตุ: ผลการค้นหาในส่วนนี้อาจจำกัดตามแถว/คอลัมน์เพื่อให้มองเห็นได้ชัดเจนยิ่งขึ้น ผลลัพธ์จริงอาจมีข้อมูลมากกว่านี้

ผู้เชี่ยวชาญด้านการค้นหา

#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

ผลการค้นหา:

องค์กรที่ค้นหา

เปลี่ยนรหัสองค์กรให้ตรงกับชุดข้อมูล

#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"

ผลการค้นหา:

การค้นหาการเข้าชมตามผู้ป่วย

#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

ผลการค้นหา:

GET AVG LENGTH OF ENCOUNTERS BY ENCOUNTER TYPE

#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

ผลการค้นหา:

GET ALL PATIENTS WHO HAVE A1C RATE >= 6.5

# 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'

ผลการค้นหา:

4. สร้างอินสแตนซ์ AI Platform Notebooks

ทำตามวิธีการในลิงก์นี้เพื่อสร้างอินสแตนซ์ AI Platform Notebooks (JupyterLab) ใหม่

โปรดเปิดใช้ Compute Engine API

คุณเลือก "สร้าง Notebook ใหม่ด้วยตัวเลือกเริ่มต้น" หรือ "สร้าง Notebook ใหม่และระบุตัวเลือก" ได้

5. สร้าง Notebook สำหรับการวิเคราะห์ข้อมูล

เปิดอินสแตนซ์ AI Platform Notebooks

ในส่วนนี้ เราจะเขียนและโค้ดสมุดบันทึก Jupyter ใหม่ตั้งแต่ต้น

1. เปิดอินสแตนซ์ Notebook โดยไปที่หน้า AI Platform Notebooks ในคอนโซล Google Cloud Platform ไปที่หน้า AI Platform Notebooks
2. เลือกเปิด JupyterLab สำหรับอินสแตนซ์ที่ต้องการเปิด

3. AI Platform Notebooks จะนำคุณไปยัง URL ของอินสแตนซ์ Notebook

สร้าง Notebook

1. ใน JupyterLab ให้ไปที่ไฟล์ -> ใหม่ -> สมุดบันทึก แล้วเลือกเคอร์เนล "Python 3" ในป๊อปอัป หรือเลือก "Python 3" ในส่วนสมุดบันทึกในหน้าต่างตัวเรียกใช้เพื่อสร้างสมุดบันทึก Untitled.ipynb

2. คลิกขวาที่ Untitled.ipynb แล้วเปลี่ยนชื่อ Notebook เป็น "fhir_data_from_bigquery.ipynb" ดับเบิลคลิกเพื่อเปิด สร้างการค้นหา และบันทึก Notebook
3. คุณดาวน์โหลด Notebook ได้โดยคลิกขวาที่ไฟล์ *.ipynb แล้วเลือกดาวน์โหลดจากเมนู

4. นอกจากนี้ คุณยังอัปโหลด Notebook ที่มีอยู่ได้โดยคลิกปุ่ม "ลูกศรขึ้น"

สร้างและเรียกใช้โค้ดบล็อกแต่ละรายการใน Notebook

คัดลอกและเรียกใช้โค้ดบล็อกแต่ละรายการที่ระบุไว้ในส่วนนี้ทีละรายการ หากต้องการเรียกใช้โค้ด ให้คลิก "เรียกใช้" (สามเหลี่ยม)

หมายเหตุ: บล็อกโค้ดที่ระบุไว้ในส่วนนี้ใช้ชุดข้อมูล BQ hcls-testing-data.fhir_20k_patients_analytics แทนที่หากคุณตัดสินใจใช้ชุดข้อมูลของคุณเอง

รับระยะเวลาในการเข้าพักสำหรับการพบปะเป็นชั่วโมง

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()

โค้ดและเอาต์พุตการดำเนินการ

หมายเหตุ: เอาต์พุตการดำเนินการในส่วนนี้อาจถูกจำกัดด้วยแถว/คอลัมน์เพื่อให้มองเห็นได้ดีขึ้น ผลลัพธ์จริงอาจมีข้อมูลมากกว่านี้

รับค่าสังเกตการณ์ - ค่าคอเลสเตอรอล

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()

เอาต์พุตของการดำเนินการ

รับควอนไทล์การพบกันโดยประมาณ

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()

เอาต์พุตของการดำเนินการ

รับความยาวเฉลี่ยของการเผชิญเหตุเป็นนาที

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()

เอาต์พุตของการดำเนินการ

รับการพบปะต่อผู้ป่วย

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()

เอาต์พุตของการดำเนินการ

รับองค์กร

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()

ผลการดำเนินการ

รับผู้ป่วย

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()

ผลการดำเนินการ

6. สร้างแผนภูมิและกราฟใน Notebook ของ AI Platform

เรียกใช้เซลล์โค้ดใน Notebook "fhir_data_from_bigquery.ipynb" เพื่อวาดกราฟแท่ง

เช่น รับความยาวเฉลี่ยของการเผชิญหน้าเป็นนาที

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

โค้ดและผลการดำเนินการ

7. คอมมิต Notebook ไปยัง Cloud Source Repositories

1. ในคอนโซล GCP ให้ไปที่ที่เก็บข้อมูลแหล่งที่มา หากใช้เป็นครั้งแรก ให้คลิกเริ่มต้นใช้งาน แล้วคลิกสร้างที่เก็บ

2. ในครั้งต่อๆ ไป ให้ไปที่ GCP -> Cloud Source Repositories แล้วคลิก +เพิ่มที่เก็บเพื่อสร้างที่เก็บใหม่

3. เลือก "สร้างที่เก็บใหม่" แล้วคลิก "ต่อไป"
4. ระบุชื่อที่เก็บและชื่อโปรเจ็กต์ แล้วคลิกสร้าง

หมายเหตุ: ในที่นี้และในคำสั่งทั้งหมดที่เกี่ยวข้องกับที่เก็บ เราจะใช้ชื่อ "my-ai-notebooks" ในกรณีที่คุณต้องการเปลี่ยน ให้โปรดทราบว่าคุณจะต้องเปลี่ยนในคำสั่งที่เกี่ยวข้องกับที่เก็บข้อมูลทั้งหมดในส่วนนี้

5. เลือก "โคลนที่เก็บไปยังที่เก็บ Git ในเครื่อง" จากนั้นเลือก "ข้อมูลเข้าสู่ระบบที่สร้างขึ้นด้วยตนเอง"
6. ทำตามวิธีการในขั้นตอนที่ 1 "สร้างและจัดเก็บข้อมูลเข้าสู่ระบบ Git" (ดูด้านล่าง) คัดลอกสคริปต์ที่ปรากฏบนหน้าจอ

7. เริ่มเซสชันเทอร์มินัลใน Jupyter

8. วางคำสั่งทั้งหมดจากหน้าต่าง "กำหนดค่า Git" ลงในเทอร์มินัล Jupyter
9. คัดลอกเส้นทางการโคลนที่เก็บจากที่เก็บซอร์สโค้ดของ GCP Cloud (ขั้นตอนที่ 2 ในภาพหน้าจอด้านล่าง)

10. วางคำสั่งนี้ในเทอร์มินัล JupiterLab คำสั่งจะมีลักษณะดังนี้

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

11. ระบบจะสร้างโฟลเดอร์ "my-ai-notebooks" ใน Jupyterlab

12. ย้าย Notebook (fhir_data_from_bigquery.ipynb) ไปยังโฟลเดอร์ "my-ai-notebooks"
13. ในเทอร์มินัล Jupyter ให้เปลี่ยนไดเรกทอรีเป็น "cd my-ai-notebooks"
14. จัดเตรียมการเปลี่ยนแปลงโดยใช้เทอร์มินัล Jupyter หรือจะใช้ UI ของ Jupyter ก็ได้ (คลิกขวาที่ไฟล์ในพื้นที่ "ไม่ได้ติดตาม" เลือก "ติดตาม" จากนั้นระบบจะย้ายไฟล์ไปยังพื้นที่ "ติดตาม" และในทางกลับกัน) พื้นที่ที่มีการเปลี่ยนแปลงจะมีไฟล์ที่แก้ไขแล้ว)

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

15. คอมมิตการเปลี่ยนแปลงโดยใช้เทอร์มินัล Jupyter หรือ UI ของ Jupyter (พิมพ์ข้อความ แล้วคลิกปุ่ม "ตรวจสอบแล้ว")

git commit -m "message goes here"

16. พุชการเปลี่ยนแปลงไปยังที่เก็บข้อมูลระยะไกลโดยใช้เทอร์มินัล Jupyter หรือ UI ของ Jupyter (คลิกไอคอน "พุชการเปลี่ยนแปลงที่คอมมิตแล้ว" )

git push --all

17. ในคอนโซล GCP ให้ไปที่ Source Repositories คลิก my-ai-notebooks โปรดสังเกตว่าตอนนี้ระบบได้บันทึก "fhir_data_from_bigquery.ipynb" ไว้ในที่เก็บแหล่งข้อมูลของ GCP แล้ว

8. ล้างข้อมูล

หากต้องการหลีกเลี่ยงการเรียกเก็บเงินจากบัญชี Google Cloud Platform สำหรับทรัพยากรที่ใช้ใน Codelab นี้ หลังจากทำตามบทแนะนำเสร็จแล้ว คุณสามารถล้างข้อมูลทรัพยากรที่สร้างไว้ใน GCP เพื่อไม่ให้ใช้โควต้าของคุณ และคุณจะไม่ถูกเรียกเก็บเงินสำหรับทรัพยากรเหล่านั้นในอนาคต ส่วนต่อไปนี้จะอธิบายวิธีลบหรือปิดทรัพยากรเหล่านี้

การลบชุดข้อมูล BigQuery

ทำตามวิธีการต่อไปนี้เพื่อลบชุดข้อมูล BigQuery ที่คุณสร้างขึ้นเป็นส่วนหนึ่งของบทแนะนำนี้ หรือไปที่คอนโซล BigQuery แล้วเลิกปักหมุดโปรเจ็กต์ hcls-testing-data หากคุณใช้ชุดข้อมูลทดสอบ fhir_20k_patients_analytics

การปิดอินสแตนซ์ AI Platform Notebooks

ทำตามวิธีการในลิงก์ปิดอินสแตนซ์ Notebook | AI Platform Notebooks เพื่อปิดอินสแตนซ์ AI Platform Notebooks

การลบโปรเจ็กต์

วิธีที่ง่ายที่สุดในการยกเลิกการเรียกเก็บเงินคือการลบโปรเจ็กต์ที่คุณสร้างขึ้นสำหรับบทแนะนำ

วิธีลบโปรเจ็กต์

ข้อควรระวัง: การลบโปรเจ็กต์จะมีผลดังต่อไปนี้

• ระบบจะลบทุกอย่างในโปรเจ็กต์ หากใช้โปรเจ็กต์ที่มีอยู่แล้วสำหรับบทแนะนำนี้ เมื่อลบโปรเจ็กต์ ระบบจะลบงานอื่นๆ ที่คุณทำในโปรเจ็กต์ด้วย
• รหัสโปรเจ็กต์ที่กำหนดเองจะหายไป เมื่อสร้างโปรเจ็กต์นี้ คุณอาจสร้างรหัสโปรเจ็กต์ที่กำหนดเองซึ่งต้องการใช้ในอนาคต หากต้องการเก็บ URL ที่ใช้รหัสโปรเจ็กต์ เช่น URL ของ appspot.com ให้ลบทรัพยากรที่เลือกภายในโปรเจ็กต์แทนการลบทั้งโปรเจ็กต์

หากวางแผนที่จะดูบทแนะนำและคู่มือเริ่มต้นหลายรายการ การนำโปรเจ็กต์กลับมาใช้ใหม่จะช่วยให้คุณไม่เกินขีดจำกัดโควต้าโปรเจ็กต์

1. ในคอนโซล GCP ให้ไปที่หน้าโปรเจ็กต์ ไปที่หน้าโปรเจ็กต์
2. ในรายการโปรเจ็กต์ ให้เลือกโปรเจ็กต์ที่ต้องการลบ แล้วคลิกลบ
3. ในกล่องโต้ตอบ ให้พิมพ์รหัสโปรเจ็กต์ แล้วคลิกปิดเพื่อลบโปรเจ็กต์

9. ขอแสดงความยินดี

ขอแสดงความยินดี คุณทำโค้ดแล็บเพื่อเข้าถึง ค้นหา และวิเคราะห์ข้อมูลด้านการดูแลสุขภาพในรูปแบบ FHIR โดยใช้ BigQuery และ AI Platform Notebooks ได้สำเร็จ

คุณเข้าถึงชุดข้อมูล BigQuery สาธารณะใน GCP

คุณพัฒนาและทดสอบการค้นหา SQL โดยใช้ BigQuery UI

คุณสร้างและเปิดใช้อินสแตนซ์ AI Platform Notebooks

คุณเรียกใช้การค้นหา SQL ใน JupyterLab และจัดเก็บผลการค้นหาใน Pandas DataFrame

คุณสร้างแผนภูมิและกราฟโดยใช้ Matplotlib

คุณคอมมิตและพุช Notebook ไปยัง Cloud Source Repositories ใน GCP

ตอนนี้คุณทราบขั้นตอนสำคัญที่จำเป็นในการเริ่มต้นเส้นทางการวิเคราะห์ข้อมูลด้านการดูแลสุขภาพด้วย BigQuery และ AI Platform Notebooks ใน Google Cloud Platform แล้ว

©Google, Inc. หรือบริษัทในเครือ สงวนลิขสิทธิ์ ห้ามเผยแพร่