Toto řešení Azure pomáhá správcům nemocnic využívat sílu strojového učení k předpovídání délky pobytu pro přijetí v nemocnici, aby se zlepšilo plánování kapacity a využití prostředků. Vedoucí lékařský informační pracovník může pomocí prediktivního modelu určit, která zařízení jsou nadměrně zatěžována a které prostředky se mají v těchto zařízeních posílit. Manažer linky péče může pomocí modelu určit, jestli jsou k dispozici dostatečné personální zdroje pro zpracování propuštění pacienta.
Architektura
Stáhněte si soubor aplikace Visio s touto architekturou.
Tok dat
Následující tok dat odpovídá výše uvedenému diagramu:
Anonymizovaná zdravotní data z elektronických zdravotních záznamů (EHR) a elektronických lékařských záznamů (EMR) se extrahují pomocí Azure Data Factory s příslušným modulem runtime (například v Azure, v místním prostředí). V tomto scénáři předpokládáme, že anonymizovaná data jsou přístupná pro dávkovou extrakci pomocí jednoho z konektorů Azure Data Factory, jako jsou ODBC, Oracle nebo SQL. Jiné zdroje dat, jako jsou data FHIR, mohou vyžadovat zahrnutí zprostředkující služby příjmu dat, jako je Azure Functions.
Azure Data Factory data procházejí službou Data Factory do Azure Data Lake Storage (gen 2). Během tohoto procesu se v Azure Data Factory neukládají žádná data a během tohoto kroku je možné zpracovat nebo opakovat selhání, jako jsou ukončená připojení.
Azure Machine Learning se používá k použití algoritmů nebo kanálů strojového učení na data ingestovaná v kroku 2. Algoritmy se dají použít na základě událostí, naplánovat nebo ručně v závislosti na požadavcích. Konkrétně sem patří:
3.1 Trénování – přijatá data se používají k trénování modelu strojového učení pomocí kombinace algoritmů, jako je lineární regrese a gradientní zesílený rozhodovací strom. Tyto algoritmy se obvykle poskytují prostřednictvím různých architektur (například scikit-learn) v kanálu a můžou zahrnovat kroky kanálu před a po zpracování. K trénování regresního modelu, jako je lineární regrese, by se například mohly použít faktory zdraví pacientů, jako je typ přijetí, které pocházejí ze stávajících předzpracovaných dat EMR/EHR (například řádky s hodnotou null). Model by pak byl schopný předpovědět novou délku pobytu pacienta.
3.2 Ověření – výkon modelu se porovnává s existujícími modely nebo testovacími daty a také se všemi cíli spotřeby v podřízené oblasti, jako jsou rozhraní API (Application Programming Interfaces).
3.3 Nasazení – model je zabalený pomocí kontejneru pro použití v různých cílových prostředích.
3.4 Monitorování – předpovědi modelu se shromažďují a monitorují, aby se zajistilo, že se výkon v průběhu času nesnižuje. Výstrahy lze podle potřeby pomocí těchto dat monitorování aktivovat ruční nebo automatizované přetrénování nebo aktualizace modelu. Mějte na paměti, že v závislosti na typu extrahovaných dat monitorování můžou být potřeba další služby, jako je Azure Monitor.
Výstupní toky služby Azure Machine Learning do Azure Synapse Analytics. Výstup modelu (předpokládaná délka pobytu pacienta) se kombinuje s existujícími daty pacientů ve škálovatelné obslužné vrstvě, jako je vyhrazený fond SQL pro příjem dat. Další analýzy, jako je průměrná délka pobytu v nemocnici, je v tuto chvíli možné provést prostřednictvím služby Synapse Analytics.
Azure Synapse Analytics poskytuje data do Power BI. Konkrétně se Power BI připojí k obslužné vrstvě v kroku (4), aby extrahovali data a použili další potřebné sémantické modelování.
Power BI slouží k analýze manažerem linky péče a koordinátorem prostředků nemocnice.
Komponenty
Azure Data Factory (ADF) poskytuje plně spravovanou službu integrace a orchestrace dat bez serveru, která dokáže vizuálně integrovat zdroje dat s více než 90 integrovanými konektory bez údržby bez dalších poplatků. V tomto scénáři se K příjmu dat a orchestraci toků dat používá ADF.
Azure Data Lake (ADLS) poskytuje škálovatelné zabezpečené datové jezero pro vysoce výkonné analýzy. V tomto scénáři se ADLS používá jako škálovatelná nákladově efektivní vrstva úložiště dat.
Služby Azure Machine Learning (AML) urychlují kompletní životní cyklus strojového učení predikce LOS:
- Umožněte datovým vědcům a vývojářům širokou škálu produktivních prostředí pro vytváření, trénování a nasazování modelů strojového učení a podporu týmové spolupráce.
- Zkrácení doby uvedení na trh díky špičkovým MLOps – operacím strojového učení neboli DevOps pro strojové učení
- Inovace na zabezpečené a důvěryhodné platformě navržené pro zodpovědné strojové učení
V tomto scénáři je AML služba, která se používá k vytvoření modelu, který slouží k predikci délky pobytu pacienta a ke správě kompletního životního cyklu modelu.
Azure Synapse Analytics: neomezená analytická služba, která spojuje integraci dat, skladování podnikových dat a analýzu velkých objemů dat. V tomto scénáři se Synapse používá k začlenění predikcí modelu do existujícího datového modelu a také k poskytování vysokorychlostní obslužné vrstvy pro příjem dat.
Power BI poskytuje samoobslužné analýzy na podnikové úrovni, což vám umožní:
- Vytvořte kulturu založenou na datech s business intelligence pro všechny.
- Zabezpečte svá data díky špičkovým funkcím zabezpečení dat, včetně popisků citlivosti, komplexního šifrování a monitorování přístupu v reálném čase.
V tomto scénáři se Power BI používá k vytvoření řídicích panelů pro koncové uživatele a k použití libovolného sémantického modelování, které je v těchto řídicích panelech potřeba.
Alternativy
- Služby Sparku, jako jsou Azure Synapse Analytics Spark a Azure Databricks, je možné použít jako alternativu k provádění strojového učení v závislosti na rozsahu dat a dovednostech týmu pro datové vědy.
- MLFlow je možné použít ke správě kompletního životního cyklu jako alternativu ke službě Azure Machine Learning v závislosti na sadě dovedností nebo prostředí zákazníka.
- Kanály Azure Synapse Analytics je ve většině případů možné použít jako alternativu k Azure Data Factory, a to do značné míry v závislosti na konkrétním prostředí zákazníka.
Podrobnosti scénáře
Pro lidi, kteří provozují zdravotnické zařízení, záleží na délce pobytu (LOS) – počtu dnů od přijetí pacienta do propuštění. Tento počet se však může lišit v různých zařízeních a v různých nemocech a specialitách, a to i v rámci stejného zdravotnického systému, což ztěžuje sledování toku pacientů a plánování podle toho.
Toto řešení umožňuje prediktivní model pro LOS pro příjem v nemocnici. LOS se definuje v počtu dnů od data počátečního přijetí do data propuštění pacienta z jakéhokoliv daného zdravotnického zařízení. Los se může výrazně variovat napříč různými zařízeními, onemocněními a specialitami, a to i v rámci stejného zdravotnického systému.
Studie typu Souvisí délka pobytu pacienta s kvalitou péče? ukázaly, že delší rizikově očištěná los koreluje s nižší kvalitou přijaté péče. Pokročilá predikce LOS v době přijetí může zvýšit kvalitu péče o pacienty tím, že poskytovatelům poskytne očekávanou los, kterou mohou použít jako metriku pro porovnání s aktuálním pacientem LOS. To může pomoct zajistit, aby se pacientům s delším než očekávaným losem věnovala odpovídající pozornost. Predikce LOS také pomáhá s přesným plánováním úniků, což vede ke snížení různých dalších opatření kvality, jako je zpětné přebírání.
Potenciální případy použití
Existují dva různí podnikoví uživatelé v řízení nemocnice, kteří mohou očekávat, že budou těžit ze spolehlivějších předpovědí délky pobytu, stejně jako rodiny pacientů:
- Hlavní lékař informačního oddělení (CMIO), který se dělí mezi informatikou a technologií a zdravotnickými pracovníky ve zdravotnické organizaci. Mezi jejich povinnosti obvykle patří použití analýzy k určení, jestli se prostředky v síti nemocnice přidělují odpovídajícím způsobem. Cmio musí být schopen určit, která zařízení jsou nadměrně zdaněna, a konkrétně, jaké zdroje v těchto zařízeních by mohly být potřeba posílit, aby tyto zdroje přerovnaly s poptávkou.
- Vedoucí linky péče, který je přímo zapojen do péče o pacienty. Tato role vyžaduje monitorování stavu jednotlivých pacientů a zajištění dostupnosti personálu, který splňuje specifické požadavky na péči o pacienty. Manažer linky péče může provádět přesná lékařská rozhodnutí a sladit správné zdroje s předstihem. Například schopnost predikovat los:
- jako počáteční posouzení rizika pacientů je důležité pro lepší plánování a přidělování zdrojů, zejména v případě omezeného počtu prostředků, například na JIP.
- umožňuje správcům pečovatelské linky určit, zda budou personální prostředky dostatečné k tomu, aby zvládly propuštění pacienta.
- Predikce LOS na JIP je také přínosná pro pacienty a jejich rodiny, stejně jako pro pojišťovny. Očekávané datum propuštění z nemocnice pomáhá pacientům a jejich rodinám pochopit a odhadnout náklady na zdravotní péči. To také dává rodinám představu o rychlosti zotavení pacienta a pomáhá jim naplánovat propuštění a spravovat jejich rozpočty.
Požadavky
Tyto aspekty implementují pilíře azure Well-Architected Framework, což je sada hlavních zásad, které lze použít ke zlepšení kvality úlohy. Další informace najdete v tématu Microsoft Azure Well-Architected Framework.
Optimalizace nákladů
Optimalizace nákladů spočívá v hledání způsobů, jak snížit zbytečné výdaje a zlepšit provozní efektivitu. Další informace najdete v tématu Přehled pilíře optimalizace nákladů.
Nejdražší komponentou tohoto řešení jsou výpočetní prostředky a existuje několik způsobů, jak s objemem dat nákladově efektivně škálovat výpočetní prostředky. Jedním z příkladů může být použití služby Spark, jako je Azure Synapse Analytics Spark nebo Azure Databricks, pro přípravu dat, místo řešení s jedním uzlem. Spark se škáluje horizontálně a je cenově výhodnější v porovnání s velkými vertikálními řešeními s jedním uzlem.
Ceny všech komponent Azure nakonfigurovaných v této architektuře najdete v tomto uloženém odhadu cenové kalkulačky Azure. Tento odhad je nakonfigurovaný tak, aby zobrazoval odhadované počáteční a měsíční náklady pro základní implementaci, která běží od pondělí do pátku od 9:00 do 17:00.
Efektivita provozu
Efektivita provozu zahrnuje provozní procesy, které nasazují aplikaci a udržují ji v provozu v produkčním prostředí. Další informace najdete v tématu Přehled pilíře efektivity provozu.
Solidní praxe a implementace operací strojového učení (MLOps) hraje při produkčním nasazení tohoto typu řešení důležitou roli. Další informace najdete v tématu Operace strojového učení (MLOps).
Efektivita výkonu
Efektivita výkonu je schopnost úlohy škálovat se tak, aby efektivním způsobem splňovala požadavky, které na ni kladou uživatelé. Další informace najdete v tématu Přehled pilíře efektivity výkonu.
V tomto scénáři se předběžné zpracování dat provádí ve službě Azure Machine Learning. I když tento návrh bude fungovat pro malé až střední objemy dat, velké objemy dat nebo scénáře se smlouvami SLA téměř v reálném čase můžou mít problémy z hlediska výkonu. Jedním ze způsobů, jak tento typ problému vyřešit, je použít službu Spark, jako je Azure Synapse Analytics Spark nebo Azure Databricks, pro přípravu dat nebo úlohy datových věd. Spark se škáluje horizontálně a distribuuje se podle návrhu, což mu umožňuje velmi efektivně zpracovávat velké datové sady.
Zabezpečení
Zabezpečení poskytuje záruku před úmyslnými útoky a zneužitím vašich cenných dat a systémů. Další informace najdete v tématu Přehled pilíře zabezpečení.
Důležité
Tato architektura bude fungovat s anonymizovanými i neanonymnými daty o stavu. V zájmu zabezpečené implementace však doporučujeme, aby data o stavu byla z zdrojů EHR a EMR získávána v anonymizované podobě.
Další informace o funkcích zabezpečení a zásad správného řízení, které jsou k dispozici pro Azure Machine Learning, najdete v tématu Podnikové zabezpečení a zásady správného řízení pro Azure Machine Learning.
Přispěvatelé
Tento článek spravuje Microsoft. Původně ji napsali následující přispěvatelé.
Hlavní autoři:
- Dhanshri Více | Hlavní architekt cloudových řešení
- DJ Dean | Hlavní architekt cloudových řešení
Pokud chcete zobrazit neveřejné profily LinkedIn, přihlaste se na LinkedIn.
Další kroky
Technologie a prostředky související s implementací této architektury:
- Vyzkoušejte dostupná rychlá zprovoznění a kurzy pro služby Azure uvedené v této architektuře:
- Prostředky Microsoft Cloud for Healthcare:
- Informace o aspektech správy dat
- Vyzkoušejte jedno z řešení pro správu dat , která jsou k dispozici v Centru cloudových řešení Microsoftu.
- Projděte si dostupné referenční architektury, včetně charakteristik zdravotnických dat.
Související prostředky
Projděte si další obsah Centra architektury Azure, který souvisí s touto architekturou: