Mit dieser Azure-Lösung können Krankenhausadministratoren die Möglichkeiten von Machine Learning nutzen, um die Länge des stationären Aufenthalts vorherzusagen und so die Kapazitätsplanung und Ressourcennutzung zu verbessern. Der CMIO (Chief Medical Information Officer) kann ein Vorhersagemodell verwenden, um zu bestimmen, welche Einrichtungen überfordert sind, und welche Ressourcen innerhalb dieser Einrichtungen gestärkt werden sollten. Die Pflegedienstleitung kann ein Modell benutzen, um damit zu bestimmen, ob ausreichend Personalressourcen vorhanden sind, um die Entlassung eines Patienten abzuwickeln.
Aufbau
Laden Sie eine Visio-Datei dieser Architektur herunter.
Datenfluss
Der folgende Dataflow entspricht dem obigen Diagramm:
Anonymisierte Gesundheitsdaten aus elektronischen Patientenakten (Electronic Health Records, EHR und Electronic Medical Records, EMR) werden mithilfe von Azure Data Factory mit der entsprechenden Laufzeit extrahiert (z. B. Azure, selbstgehostet). In diesem Szenario gehen wir davon aus, dass anonymisierte Daten für die Batchextraktion mit einem der Azure Data Factory-Connectors wie ODBC, Oracle oder SQL zugänglich sind. Andere Datenquellen wie FHIR-Daten können die Einbeziehung eines Zwischenerfassungsdiensts wie Azure Functions erfordern.
Azure Data Factory-Daten fließen durch die Data Factory in Azure Data Lake Storage (Gen 2). Während dieses Prozesses werden keine Daten in Azure Data Factory gespeichert, und Fehler wie unterbrochene Verbindungen können während dieses Schritts behandelt/erneut versucht werden.
Azure Machine Learning wird verwendet, um Machine Learning-Algorithmen/-Pipelines auf die Daten anzuwenden, die in Schritt 2 erfasst wurden. Die Algorithmen können je nach Anforderungen auf Ereignisbasis, geplant oder manuell angewendet werden. Dies umfasst insbesondere:
3.1 Train: Die erfassten Daten werden verwendet, um ein Machine Learning-Modell mithilfe einer Kombination aus Algorithmen wie linearer Regression und Gradient Boosted Decision Tree (gradientenverstärkter Entscheidungsbaum) zu trainieren. Diese Algorithmen werden über verschiedene Frameworks (z. B. scikit-learn) typischerweise in einer Pipeline bereitgestellt und können Pipelineschritte zur Vor-/Nachverarbeitung beinhalten. Als Beispiel könnten Patientengesundheitsfaktoren wie der Aufnahmetyp, die aus den vorhandenen, vorverarbeiteten (z. B. Entfernen von leeren Zeilen) EMR/EHR-Daten stammen, verwendet werden, um ein Regressionsmodell wie die lineare Regression zu trainieren. Das Modell wäre dann in der Lage, eine neue Länge des Aufenthalts vorherzusagen.
3.2 Validieren: Die Modellleistung wird mit vorhandenen Modellen/Testdaten verglichen, und auch mit Downstreamverbrauchszielen wie APIs (Anwendungsprogrammierungsschnittstellen).
3.3 Bereitstellen: Das Modell wird mithilfe eines Containers für die Verwendung in verschiedenen Zielumgebungen gepackt.
3.4 Überwachen: Die Modellvorhersagen werden gesammelt und überwacht, um sicherzustellen, dass sich die Leistung im Laufe der Zeit nicht verschlechtert. Unter Verwendung dieser Überwachungsdaten können Warnungen gesendet werden, um nach Bedarf manuelle oder automatisierte erneute Trainings/Updates des Modells auszulösen. Beachten Sie, dass zusätzliche Dienste wie Azure Monitor erforderlich sein können, je nach Art der extrahierten Überwachungsdaten.
Azure Machine Learning-Ausgabedatenflüsse zu Azure Synapse Analytics. Die Modellausgabe (vorhergesagte Länge des Patientenaufenthalts) wird mit den vorhandenen Patientendaten in einer skalierbaren Dienstebene wie einem dedizierten SQL-Pool für den Downstreamverbrauch kombiniert. Zusätzliche Analysen wie die durchschnittliche Aufenthaltsdauer pro Krankenhaus können an diesem Punkt über Synapse Analytics durchgeführt werden.
Azure Synapse Analytics stellt Daten für Power BI bereit. Insbesondere stellt Power BI eine Verbindung mit der Dienstebene in Schritt (4) her, um die Daten zu extrahieren und eine erforderliche zusätzliche semantische Modellierung anzuwenden.
Die Pflegedienstleitung und der Koordinator der Krankenhausressourcen verwenden Power BI für die Analyse.
Komponenten
Azure Data Factory (ADF) bietet einen vollständig verwalteten, serverlosen Datenintegrations- und -orchestrierungsdienst, der Datenquellen mit mehr als 90 integrierten, wartungsfreien Connectors ohne zusätzliche Kosten visuell integrieren kann. In diesem Szenario wird ADF verwendet, um Daten zu erfassen und die Datenflüsse zu orchestrieren.
Azure Data Lake Storage (ADLS) bietet einen skalierbaren und sicheren Data Lake für Hochleistungsanalysen. In diesem Szenario wird ADLS als skalierbare, kostengünstige Datenspeicherungsebene verwendet.
Azure Machine Learning (AML)-Dienste beschleunigen den End-to-End-Vorhersage-Machine Learning-Lebenszyklus auf folgende Weise:
- Sie unterstützen Data Scientists und Entwickler durch eine Vielzahl von produktiven Erfahrungen zum Erstellen, Trainieren und Bereitstellen von Machine Learning-Modellen und fördern die Teamzusammenarbeit.
- Sie verkürzen die Markteinführungszeit mit branchenweit führenden MLOps – Machine Learning Operations (Machine Learning-Vorgängen), oder auch DevOps für Machine Learning.
- Innovationen auf einer sicheren, vertrauenswürdigen Plattform, die für verantwortungsvolles Machine Learning konzipiert ist.
In diesem Szenario ist AML der Dienst, der verwendet wird, um das Modell zu erzeugen, das verwendet wird, um die Länge des Patientenaufenthalts vorherzusagen und den End-to-End-Modelllebenszyklus zu verwalten.
Azure Synapse Analytics: Ein uneingeschränkter Analysedienst, der Datenintegration, Data Warehousing für Unternehmen und Big Data-Analysen vereint. In diesem Szenario wird Synapse verwendet, um die Modellvorhersagen in das vorhandene Datenmodell zu integrieren sowie um eine Hochgeschwindigkeits-Dienstebene für den Downstreamverbrauch bereitzustellen.
Power BI bietet Self-Service-Analysen im Unternehmensmaßstab, was Ihnen Folgendes ermöglicht:
- Schaffung einer datengesteuerten Kultur mit Business Intelligence für alle.
- Schutz Ihrer Daten mit branchenweit führenden Sicherheitsfunktionen wie Vertraulichkeitsbezeichnungen, End-to-End-Verschlüsselung und Echtzeitzugriffsüberwachungen.
In diesem Szenario wird Power BI verwendet, um Endbenutzer-Dashboards zu erstellen und jegliche semantische Modellierung anzuwenden, die in diesen Dashboards erforderlich ist.
Alternativen
- Spark-Dienste wie Azure Synapse Analytics Spark und Azure Databricks können als Alternative zum Ausführen des Machine Learning verwendet werden, je nach Datenumfang und Skillset des Data Science-Teams.
- MLFlow kann, abhängig von der Kundenkompetenz/-umgebung, als Alternative zu Azure Machine Learning verwendet werden, um den End-to-End-Lebenszyklus zu verwalten.
- Azure Synapse Analytics-Pipelines können in den meisten Fällen als Alternative zu Azure Data Factory verwendet werden, wobei dies in hohem Maße von der spezifischen Kundenumgebung abhängt.
Szenariodetails
Für die Verantwortlichen, die eine Einrichtung im Gesundheitswesen führen, ist die Länge des Aufenthalts (Length of Stay, LOS) – die Anzahl der Tage von der Aufnahme von Patienten bis zu deren Entlassung – wichtig. Diese Zahl kann jedoch je nach Einrichtung und Erkrankung und besonderen Umständen variieren, auch innerhalb desselben Gesundheitssystems. Dies erschwert die Verfolgung und Planung des Patientenflusses.
Diese Lösung ermöglicht ein Vorhersagemodell für die Dauer von Aufenthalten bei stationären Krankenhauseinweisungen. Die Dauer von Aufenthalten (LOS) ist als Anzahl der Tage ab dem Tag der Erstaufnahme bis zu dem Datum definiert, an dem der Patient aus dem Krankenhaus entlassen wird. Die Vorhersage der Dauer von Aufenthalten in Krankenhäusern kann je nach Einrichtungen und Krankheiten sowie Besonderheiten selbst innerhalb desselben Gesundheitssystems erheblich variieren.
Studien wie Is patient length of stay related to quality of care? (Besteht ein Zusammenhang zwischen Dauer des Patientenaufenthalts und der Qualität der Pflege?) haben gezeigt, dass eine längere, risikobereinigte Patientenaufenthaltsdauer mit niedrigerer Qualität der Pflege korreliert ist. Erweiterte Vorhersagen der Patientenaufenthaltsdauer zum Zeitpunkt der Aufnahme kann die Pflegequalität für den Patienten verbessern, indem Sie den Pflegenden eine erwartete LOS vorgibt, die diese als Metrik verwenden können, um sie mit der aktuellen Patientenaufenthaltsdauer zu vergleichen. Dies kann bei der Sicherstellung beitragen, dass Patienten mit einer Aufenthaltsdauer, die länger als erwartet ist, angemessene Aufmerksamkeit erhalten. Vorhersagen der Patientenaufenthaltsdauer helfen auch bei einer genauen Planung von Entlassungen, was dazu führt, dass verschiedene andere Qualitätsmaßnahmen wie Wiedereinweisungen verringert werden.
Mögliche Anwendungsfälle
Es gibt zwei unterschiedliche Arten geschäftlicher Benutzer in der Krankenhausverwaltung, die damit rechnen können, von zuverlässigeren Vorhersagen der Patientenaufenthaltsdauer zu profitieren, ebenso wie die Familien der Patienten:
- Der CMIO (Chief Medical Information Officer), der das Bindeglied zwischen den Informatikern und Technikern einerseits und dem Gesundheitspersonal in einer Gesundheitseinrichtung andererseits darstellt. Zu seinen Pflichten gehört in der Regel die Verwendung von Analysesoftware, um festzustellen, ob die Ressourcen im Krankenhausnetzwerk angemessen zugeordnet wurden. Der CMIO muss bestimmen können, welche Einrichtungen überfordert sind, und insbesondere, welche Ressourcen innerhalb dieser Einrichtungen möglicherweise gestärkt werden müssen, damit sie den Bedarf erfüllen können.
- Die Pflegedienstleitung. Diese ist direkt mit der Betreuung der Patienten befasst. In dieser Rolle ist sie für die Überwachung des Zustands einzelner Patienten zuständig und trägt außerdem dafür Sorge, dass genügend Mitarbeiter verfügbar sind, um die speziellen Pflegebedürfnisse der Patienten zu erfüllen. Die Pflegedienstleitung kann genaue medizinische Entscheidungen treffen und die richtigen Ressourcen gut im Voraus angleichen. So ist beispielsweise die Fähigkeit, die Patientenaufenthaltsdauer vorherzusagen,
- als Erstbeurteilung des Patientenrisikos von kritischer Bedeutung für eine bessere Ressourcenplanung und -zuordnung, insbesondere wenn die Ressourcen beschränkt sind, wie dies auf Intensivstationen der Fall ist.
- Ferner ermöglicht die Vorhersage der Aufenthaltsdauer eines Patienten der Pflegedienstleitung die Bestimmung, ob die Mitarbeiterressourcen ausreichen werden, um die Entlassung eines Patienten angemessen durchzuführen.
- Die Vorhersage der Aufenthaltsdauer auf der Intensivstation ist außerdem vorteilhaft für Patienten und deren Familien sowie für Versicherungsunternehmen. Ein erwartetes Datum für die Entlassung aus dem Krankenhaus hilft Patienten und deren Familien dabei, medizinische Kosten besser zu verstehen und abzuschätzen. Dies gibt Familien außerdem eine Idee von der Erholungsgeschwindigkeit eines Patienten und hilft ihnen dabei, sich auf die Entlassung vorzubereiten und ihre Budgets zu verwalten.
Überlegungen
Diese Überlegungen setzen die Säulen des Azure Well-Architected Framework um, das eine Reihe von Leitprinzipien enthält, die zur Verbesserung der Qualität eines Workloads verwendet werden können. Weitere Informationen finden Sie unter Microsoft Azure Well-Architected Framework.
Kostenoptimierung
Bei der Kostenoptimierung geht es um die Suche nach Möglichkeiten, unnötige Ausgaben zu reduzieren und die Betriebseffizienz zu verbessern. Weitere Informationen finden Sie unter Übersicht über die Säule „Kostenoptimierung“.
Die teuerste Komponente dieser Lösung ist die Computeressource, wobei es mehrere Möglichkeiten gibt, um die Computeressource kosteneffizient mit dem Datenvolumen zu skalieren. Ein Beispiel wäre die Verwendung eines Spark-Diensts wie Azure Synapse Analytics Spark oder Azure Databricks für die Datentechnikarbeit zu verwenden, im Gegensatz zu einer Einzelknotenlösung. Spark skaliert horizontal und ist im Vergleich zu großen, vertikal skalierenden Einzelknotenlösungen kostengünstiger.
Die Preise für alle Azure-Komponenten, die in dieser Architektur konfiguriert sind, finden Sie in dieser gespeicherten Abschätzung des Azure-Preisrechners. Diese Schätzung ist so konfiguriert, dass die geschätzten anfänglichen Einmal- und monatlichen Kosten für eine einfache Implementierung gezeigt werden, die montags bis freitags von 9 bis 17 Uhr ausgeführt wird.
Optimaler Betrieb
Die Säule „Optimaler Betrieb“ deckt die Betriebsprozesse ab, die für die Bereitstellung einer Anwendung und deren Ausführung in der Produktion sorgen. Weitere Informationen finden Sie unter Übersicht über die Säule „Optimaler Betrieb“.
Solide praktische Erfahrung mit Machine Learning Operations (MLOps) und deren Implementierung spielt eine entscheidende Rolle bei der Überführung eines solchen Lösungstyps in die Produktion. Weitere Informationen finden Sie unter Machine Learning Operations (MLOps).
Effiziente Leistung
Leistungseffizienz ist die Fähigkeit Ihrer Workload, auf effiziente Weise eine den Anforderungen der Benutzer entsprechende Skalierung auszuführen. Weitere Informationen finden Sie unter Übersicht über die Säule „Leistungseffizienz“.
In diesem Szenario wird die Vorverarbeitung von Daten in Azure Machine Learning ausgeführt. Während dieses Entwurfs für kleine bis mittlere Datenvolumen funktioniert, können große Datenvolumen oder Szenarien mit SLAs in Quasi-Echtzeit hinsichtlich der Leistung Probleme verursachen. Eine Möglichkeit, diese Art von Problemen zu beheben, besteht darin, einen Spark-Dienst wie Azure Synapse Analytics Spark oder Azure Databricks für Datentechnik- oder Data Science-Workloads zu verwenden. Spark skaliert horizontal und ist entwurfsgemäß verteilt angelegt, wodurch es große Datasets sehr effektiv verarbeiten kann.
Sicherheit
Sicherheit bietet Schutz vor vorsätzlichen Angriffen und dem Missbrauch Ihrer wertvollen Daten und Systeme. Weitere Informationen finden Sie unter Übersicht über die Säule „Sicherheit“.
Wichtig
Diese Architektur funktioniert sowohl mit anonymisierten als auch mit nicht anonymisierten Gesundheitsdaten. Im Interesse einer sicheren Implementierung empfehlen wir jedoch, Gesundheitsdaten in anonymisierter Form aus EHR- und EMR-Quellen zu beziehen.
Weitere Informationen zu den für Azure Machine Learning verfügbaren Sicherheits- und Governancefeatures finden Sie unter Sicherheit und Governance in Unternehmen für Azure Machine Learning.
Beitragende
Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:
Hauptautoren:
- Dhanshri More | Principal Cloud Solution Architect
- DJ Dean | Principal Cloud Solution Architect
Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.
Nächste Schritte
Technologien und Ressourcen im Zusammenhang mit der Implementierung dieser Architektur:
- Machen Sie sich mit den verfügbaren Schnellstartanleitungen und Tutorials für die Azure-Dienste vertraut, die in dieser Architektur erwähnt werden:
- Microsoft Cloud for Healthcare-Ressourcen:
- Erfahren Sie mehr über Überlegungen zur Datenverwaltung
- Probieren Sie eine der im Microsoft Cloud Solution Center verfügbaren Datenverwaltungslösungen aus.
- Sehen Sie sich die verfügbaren Referenzarchitekturen an, einschließlich der Merkmale von Gesundheitsdaten
Zugehörige Ressourcen
Zusätzliche Azure Architecture Center-Inhalte in Bezug zu dieser Architektur finden Sie hier: