Správa zdravotních stavů obyvatelstva pro zdravotnictví

V tomto řešení použijeme klinické a socioekonomické údaje v pacientech vygenerované nemocnicemi pro hlášení stavu populace.

Architektura

Stáhněte si soubor aplikace Visio s touto architekturou.

Tok dat

1. Data generující zařízení v reálném čase přenášejí data do jímky příjmu streamovaných dat s ověřováním zařízení, jako je Azure IoT Hub. Tato jímka může být samostatná služba Azure IoT Hub nebo může být součástí plně spravované aplikační platformy, jako je Azure IOT Central, s akcelerátory řešení, jako je šablona průběžného monitorování pacientů.

2. Data zařízení se pak přijímají do ioMT FHIR Připojení or pro Azure, kde se normalizují, seskupí, transformují a zachovají se do rozhraní Azure API for FHIR.

3. Zdroje dat, jako jsou systémy elektronických lékařských záznamů, systémy pro správu pacientů nebo systémy testovacího prostředí, mohou generovat jiné formáty zpráv, jako jsou zprávy HL7, které jsou převedeny prostřednictvím pracovního postupu příjmu a převodu HL7. Platforma ingestace HL7 využívá zprávy HL7 prostřednictvím MLLP a bezpečně je přenáší do Azure prostřednictvím HL7overHTTPS. Data se přisunou v úložišti objektů blob, která vytváří událost ve službě Azure Service Bus ke zpracování. Převod HL7 je pracovní postup založený na aplikaci logiky Azure, který provádí seřazený převod z HL7 na FHIR prostřednictvím převaděče FHIR, zachová zprávu do instance serveru Azure API for FHIR.

4. Data se exportují ze služby Azure FHIR do Azure Data Lake Gen2 pomocí funkce Hromadné exporty . Citlivá data je možné anonymizovat jako součást funkce exportu.

5. Úlohy Azure Data Factory jsou naplánované tak, aby zkopírovaly další zdroje dat z místních nebo alternativních zdrojů do Azure Data Lake Gen2.

6. Pomocí Azure Databricks můžete vyčistit a transformovat bezstrukturované datové sady a kombinovat je se strukturovanými daty z provozních databází nebo datových skladů. Pomocí škálovatelných technik strojového učení a hlubokého učení můžete z těchto dat odvodit hlubší přehledy pomocí Pythonu, jazyka R nebo Scaly s využitím připravených prostředí poznámkových bloků v Azure Databricks. V tomto řešení používáme Databricks k propojení souvisejících, ale různorodých datových sad pro použití v modelu pobytu pacientů.

7. K experimentování a vývoji modelů dochází v Azure Databricks. Integrace s Azure ML prostřednictvím MLflow umožňuje rychlé experimentování modelů se sledováním, úložištěm modelů a nasazením.

8. Publikujte natrénované modely pomocí služby Azure Machine Učení pro dávkové bodování prostřednictvím koncových bodů Azure Databricks nebo jako koncový bod v reálném čase pomocí služby Azure Container Instance nebo Azure Kubernetes Service.

Komponenty

• Azure IoT Připojení or for FHIR je volitelná funkce rozhraní Azure API for FHIR, která umožňuje ingestovat data ze zařízení IoMT (Internet of Medical Things). Alternativně každý, kdo chce mít větší kontrolu a flexibilitu se službou IoT Připojení or, je ioMT FHIR Připojení or pro Azure opensourcový projekt pro ingestování dat ze zařízení IoMT a zachování dat na serveru FHIR®.

• Azure Data Factory je služba hybridní integrace dat, která umožňuje vytvářet, plánovat a orchestrovat pracovní postupy ETL/ELT.

• Azure API for FHIR je plně spravovaná služba na podnikové úrovni pro data o stavu ve formátu FHIR.

• Azure Data Lake Storage je široce škálovatelná a zabezpečená funkce data lake založená na azure Blob Storage.

• Azure Databricks je rychlá, jednoduchá platforma pro analýzu dat založená na Apache Sparku.

• Azure Machine Učení je cloudová služba pro trénování, vyhodnocování, nasazování a správu modelů strojového učení ve velkém měřítku. Tato architektura používá nativní podporu služby Azure Machine Učení pro MLflow k protokolování experimentů, ukládání modelů a nasazování modelů.

• Power BI je sada nástrojů pro obchodní analýzy, které poskytují přehledy v celé organizaci. Připojení ke stovkám zdrojů dat, zjednodušení přípravy dat a řízení interaktivní analýzy. Můžete vytvářet působivé sestavy a potom je pro vaši organizaci publikovat na webu a napříč mobilními zařízeními.

Podrobnosti scénáře

Správa stavu populace je důležitým nástrojem, který stále častěji používají poskytovatelé zdravotní péče ke správě a řízení eskalujících nákladů. Crux správy stavu populace spočívá v použití dat ke zlepšení výsledků stavu. Sledování, monitorování a označování lavic jsou tři bašty správy zdraví populace, jejichž cílem je zlepšit klinické a zdravotní výsledky a současně spravovat a snižovat náklady.

Jako příklad aplikace strojového učení se správou stavu populace se používá model k predikci délky pobytu v nemocnici. Je zaměřená na nemocnice a poskytovatele zdravotní péče, aby spravovala a kontrolovala výdaje na zdravotní péči prostřednictvím prevence a řízení onemocnění. Informace o použitých datech a modelu délky pobytu v nemocnici najdete v průvodci ručním nasazením pro toto řešení. Nemocnice mohou tyto výsledky využívat k optimalizaci systémů správy zdravotnických služeb a soustředit svoje klinické prostředky na pacienty s urgentnějšími potřebami. Pochopení komunit, kterým slouží, prostřednictvím sestav zdravotního stavu obyvatelstva může nemocnicím pomoci při přechodu od plateb za jednotlivé úkony k hodnotové péči se současným snížením nákladů a zajištěním lepší kvality péče.

Potenciální případy použití

Toto řešení je ideální pro zdravotnictví. Dá se použít pro následující scénáře:

• Monitorování pacientů
• Klinických
• Inteligentní kliniky

Nasazení tohoto scénáře

Tady jsou podrobné dva ukázkové projekty, které je možné importovat do Azure Databricks. Standardní režim clusteru se musí používat na predikci délky stavových poznámkových bloků kvůli použití kódu R. Řešení můžete nasadit v následujících příkladech:

1. Live Population Health Report with Length of Stay predictions trénuje model pomocí záznamů na úrovni setkání pro milion pacientů nebo tak. Schéma dat odpovídá datům stavových inpatibilních databází (SID) z projektu Zdravotní náklady a využití (HCUP), aby bylo možné usnadnit použití řešení se skutečnými daty HCUP. Je vhodný pro použití u podobných populací pacientů, i když doporučujeme, aby nemocnice model přetrénovaly pomocí vlastních historických dat o pacientech, aby byly nejlepší výsledky. Řešení simuluje 610 klinických a demografických funkcí, včetně věku, pohlaví, PSČ, diagnostiky, postupů, poplatků atd. pro přibližně milion pacientů v nemocnicích ve 23 nemocnicích. Aby bylo možné ho použít u nově přijatých pacientů, musí být model vytrénován pouze pomocí funkcí, které jsou k dispozici pro každého pacienta v době jejich přijetí.

2. Predikce a zásah pro zdravotní péči specifická pro pacienta používá datovou sadu cukrovky, která byla původně vytvořena pro 1994 AAI Spring Symposium o umělou inteligenci v lékařství, nyní velkoryse sdílena dr. Michaelem Kahnem na stroji UCI Učení úložiště.

Přispěvatelé

Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.

Hlavní autor:

• Kris Bock | Vedoucí zákaznický inženýr

Další kroky

• Průběžné monitorování pacientů poskytuje šablonu aplikace, která může vytvořit řešení průběžného monitorování pacientů.
• Medical Imaging Server for DICOM je implementace DICOMwebu™ pro .NET Core, která se dá spustit v Azure.
• OpenHack for FHIR je kolekce kurzů založených na OpenHacku, které se dají použít k získání informací o službách souvisejících s FHIR v Azure.

Dokumentace k produktu:

• Připojení or ioMT FHIR pro Azure
• Azure API for FHIR
• Co je Azure Logic Apps?
• Co je Azure Data Factory?
• Seznámení se službou Azure Data Lake Storage
• Co je Azure Machine Learning?
• Co je Power BI?

Související prostředky

• Umělá inteligence (AI) – přehled architektury
• Předpověď délky pobytu a toku pacienta
• Řešení pro vzdálené monitorování pacientů