Szerkesztés

Az egészségügyi ellátás népesség-egészségügyi kezelése

Azure Data Factory
Azure Databricks
Azure
Power BI
Azure Machine Learning

Megoldási ötletek

Ez a cikk egy megoldási ötlet. Ha azt szeretné, hogy további információkkal bővítsük a tartalmat, például a lehetséges használati eseteket, alternatív szolgáltatásokat, megvalósítási szempontokat vagy díjszabási útmutatást, a GitHub visszajelzésével tudassa velünk.

Ebben a megoldásban a kórházak által generált klinikai és szocioökonómiai in-patient adatokat fogjuk használni a populáció állapotjelentéséhez.

Felépítés

Architecture diagram shows how data is ingested, stored, processed through machine learning and published.

Töltse le az architektúra Visio-fájlját.

Adatfolyam

  1. A valós idejű adatgeneráló eszközök (IoMT) adatokat továbbítanak egy streamelési adatbetöltési fogadóba eszközhitelesítéssel, például az Azure IoT Hubbal. Ez a fogadó lehet önálló Azure IoT Hub, vagy egy olyan teljes körűen felügyelt alkalmazásplatform része lehet, mint az Azure IOT Central , megoldásgyorsítókkal, például folyamatos betegfigyelési sablonnal.

  2. Az eszközadatok ezután az Azure-hoz készült IoMT FHIR Csatlakozás orba kerülnek, ahol normalizálják, csoportosítják, átalakítják és megőrzik őket az Azure API for FHIR-ben.

  3. Az olyan adatforrások, mint az elektronikus orvosi nyilvántartási rendszerek, a betegfelügyeleti rendszerek vagy a laborrendszerek, más üzenetformátumokat is létrehozhatnak, például HL7-üzeneteket, amelyeket HL7 betöltési és konverziós munkafolyamaton keresztül konvertálnak. A HL7 betöltési platform hl7-üzeneteket használ MLLP-en keresztül, és biztonságosan továbbítja őket az Azure-ba a HL7overHTTPS-en keresztül. Az adatok a Blob Storage-ba szállnak, amely egy eseményt hoz létre az Azure Service Buson feldolgozásra. A HL7 konvertálás egy Azure Logic App-alapú munkafolyamat, amely a HL7-ről FHIR-ra való szabályos átalakítást hajtja végre az FHIR-konverteren keresztül, és az üzenetet egy Azure API for FHIR-kiszolgálópéldánysá alakítja.

  4. Az adatok exportálása az Azure FHIR szolgáltatásból az Azure Data Lake Gen2-be a Tömeges exportálás funkcióval történik. A bizalmas adatok anonimizálhatók az exportálási függvény részeként.

  5. Az Azure Data Factory-feladatok az ütemezés szerint más adatforrásokat másolnak a helyszíni vagy alternatív forrásokból az Azure Data Lake Gen 2-be.

  6. Az Azure Databricks használatával megtisztíthatja és átalakíthatja a strukturálatlan adathalmazokat, és összevonhatja őket az operatív adatbázisokból vagy adattárházakból származó strukturált adatokkal. Skálázható gépi tanulási/mélytanulási technikákkal mélyebb elemzéseket nyerhet ezekből az adatokból Python, R vagy Scala használatával, az Azure Databricks beépített jegyzetfüzet-élményeivel. Ebben a megoldásban a Databricks használatával kapcsoljuk össze a kapcsolódó, de eltérő adatkészleteket a páciensek tartózkodási modelljében való használatra.

  7. A kísérletezés és a modellfejlesztés az Azure Databricksben történik. Az Azure ML-vel az MLflow-on keresztüli integráció gyors modellkísérletezést tesz lehetővé a nyomkövetéssel, a modelladattárral és az üzembe helyezéssel.

  8. Betanított modellek közzététele az Azure Machine Tanulás szolgáltatással kötegelt pontozáshoz az Azure Databricks-végpontokon keresztül, vagy valós idejű végpontként egy Azure Container Instance vagy az Azure Kubernetes Service használatával.

Összetevők

  • Az Azure IoT Csatlakozás or for FHIR az Azure API for FHIR opcionális funkciója, amely lehetővé teszi az adatok betöltését az IoMT-eszközök internetéről. Ha az IoT Csatlakozás orral nagyobb kontrollt és rugalmasságot szeretne biztosítani, az Azure-hoz készült IoMT FHIR Csatlakozás or egy nyílt forráskódú projekt az IoMT-eszközökről származó adatok betöltésére és az adatok FHIR-kiszolgálón® való megőrzésére.

  • Az Azure Data Factory egy hibrid adatintegrációs szolgáltatás, amely lehetővé teszi az ETL-/ELT-munkafolyamatok létrehozását, ütemezését és vezénylésére.

  • Az Azure API for FHIR egy teljes körűen felügyelt, nagyvállalati szintű szolgáltatás az állapotadatokhoz FHIR formátumban.

  • Az Azure Data Lake Storage nagymértékben skálázható, biztonságos, Azure Blob Storage-ra épülő Data Lake-funkció.

  • Az Azure Databricks egy gyors, egyszerű és együttműködésen alapuló Apache Spark-alapú adatelemzési platform.

  • Az Azure Machine Tanulás egy felhőalapú szolgáltatás a gépi tanulási modellek nagy léptékű betanításához, pontozásához, üzembe helyezéséhez és kezeléséhez. Ez az architektúra az Azure Machine Tanulás szolgáltatás MLflow natív támogatását használja kísérletek naplózására, modellek tárolására és modellek üzembe helyezésére.

  • A Power BI egy üzleti elemzési eszközcsomag, amely a szervezet egészében nyújt elemzéseket. Csatlakozás több száz adatforráshoz, egyszerűsítheti az adat-előkészítést, és interaktív elemzéseket hajthat ki. Látványosan illusztrált jelentéseket készíthet, majd közzéteheti őket a vállalaton belül az interneten és a mobileszközök számára is elérhetően.

Forgatókönyv részletei

A népesség-egészségügyi kezelés fontos eszköz, amelyet az egészségügyi szolgáltatók egyre gyakrabban használnak az eszkaláló költségek kezelésére és szabályozására. A populáció állapotkezelésének célja az adatok használata az egészségügyi eredmények javítása érdekében. A nyomon követés, a monitorozás és a padok megjelölése a populáció egészségügyi kezelésének három bástyája, amelynek célja a klinikai és egészségügyi eredmények javítása a költségek kezelése és csökkentése mellett.

A populációállapot-kezeléssel rendelkező gépi tanulási alkalmazás példájaként egy modellt használnak a kórházi tartózkodás hosszának előrejelzésére. Célja a kórházak és az egészségügyi szolgáltatók számára az egészségügyi kiadások kezelése és ellenőrzése betegségmegelőzéssel és -kezeléssel. A megoldás manuális üzembe helyezéshez készült útmutatójában további információkat tudhat meg a felhasznált adatokról, valamint a tartózkodási idő előrejelzésének modelljéről. A modell eredményei segíthetnek az ellátási rendszerek optimalizálásában, és abban, hogy a kórházak az azt leginkább igénylő betegek kezelésére összpontosíthassák az erőforrásaikat. Ha jobban megismerik a népegészségügyi szolgáltatások keretében ellátott közösségeket, a kórházak könnyebben átállhatnak a szolgáltatások utáni fizetési modellről az értékalapú ellátásra, csökkenthetik költségeiket, és magasabb színvonalú ellátást biztosíthatnak a betegeknek.

Lehetséges használati esetek

Ez a megoldás ideális az egészségügyi ágazat számára. A következő forgatókönyvekhez használható:

  • Betegmonitorozás
  • Klinikai vizsgálatok
  • Intelligens klinikák

A forgatókönyv üzembe helyezése

Itt két mintaprojektet talál, amelyek importálhatók az Azure Databricksbe. Az R-kód használata miatt standard fürtmódot kell használni az állapotjegyzetfüzetek előrejelzési hosszára. A megoldást a következő példákban helyezheti üzembe:

  1. A Live Population Health Report with Length of Stay előrejelzései egy millió beteg találkozási szintű rekordjaival tanítják be a modellt. Az adatok sémája megegyezik az Healthcare Cost and Utilization Project (HCUP) állapot-fekvő adatbázisainak (SID) adataival, hogy megkönnyítse a megoldás valós HCUP-adatokkal való használatát. Alkalmas hasonló betegpopulációkon való használatra, de azt javasoljuk, hogy a kórházak a saját előzményadataik alapján újratanítást alkalmazzanak a legjobb eredmények érdekében. A megoldás 610 klinikai és demográfiai jellemzőt szimulál, beleértve az életkort, a nemet, az irányítószámot, a diagnózisokat, az eljárásokat, a díjakat stb. körülbelül egymillió beteg számára 23 kórházban. Az újonnan felvett betegekre való alkalmazáshoz a modellt csak az egyes betegek számára a felvétel időpontjában elérhető funkciókkal kell betaníteni.

  2. A betegspecifikus visszafogadás előrejelzése és beavatkozása az egészségügyi ellátáshoz egy eredetileg az 1994-es AAI Spring Symposium on Artificial Intelligence in Medicine számára készült diabéteszes adatkészletet használ, amelyet dr. Michael Kahn nagyvonalúan megosztott az UCI Machine Tanulás Adattárban.

Közreműködők

Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.

Fő szerző:

További lépések

  • A folyamatos betegfigyelés alkalmazássablont biztosít, amely folyamatos betegfigyelési megoldást hozhat létre.
  • A DICOM-hoz készült Medical Imaging Server a DICOMweb™ .NET Core-implementációja, amely az Azure-ban futtatható.
  • Az OpenHack for FHIR az OpenHack-alapú oktatóanyagok gyűjteménye, amelyek az Azure FHIR-hez kapcsolódó szolgáltatásainak megismerésére használhatók.

Termékdokumentáció: