Megoldásarchitektúra: Az ápolási időtartam és a betegforgalom előrejelzése egészségügyi elemzéssel

Az egészségügyi létesítmények számára az ápolás ideje – azaz a betegfelvétel és a távozás közötti idő – nagyon sokat számít. Ennek hossza azonban még ugyanazon egészségügyi rendszeren belül is jelentősen eltérő lehet attól függően, hogy milyen létesítményről, milyen kórtípusról vagy milyen szakterületről van szó, és ez nagy mértékben megnehezíti a betegforgalom nyomon követését és annak a tervezésben való felhasználását.

Ez az Azure-megoldás a kórházi vezetésnek nyújt segítséget azzal, hogy a gépi tanulás felhasználásával lehetővé teszi a kórházi kezelések időtartamának előrejelzését, és ezzel együtt a kapacitástervezést és az erőforrások kihasználtságát is. Az egészségügyi adatkezelési vezető a prediktív modellel megállapíthatja, mely létesítmények vannak túlságosan leterhelve, és hogy ezekben a létesítményekben mely erőforrásokat érdemes megszilárdítani, míg egy ápolási vezető azt állapíthatja meg a segítségével, hogy lesz-e megfelelő személyi kapacitás egy páciens elbocsátásakor.

Azzal, hogy már a betegfelvétel idején előre tudják jelezni a kórházi ápolás tartamát, a kórházak nem csak magasabb színvonalú ellátást tudnak biztosítani, de működési kapacitásuk igénybe vételét is jobban meg tudják tervezni. Ezen túl a kórházi elbocsátást is pontosabban meg lehet tervezni, és ezzel csökkenthető a kapacitásigényes tevékenységek, például az újrafelvételek mennyisége is.

Üzembe helyezés az Azure-ban

Az architektúra Azure-ban történő üzembe helyezéséhez használhatja az alábbi, előre elkészített sablont

Üzembe helyezés az Azure-ban

Üzembe helyezett megoldás megtekintése

Power BI SQL Database Machine Learning

Implementálási segédlet

Termékek/Leírás Dokumentáció

SQL Server R Services

A páciensek és a kórház adatait tárolja. Betanítást, prediktív modelleket és prediktív eredményeket kínál az R-rel való felhasználásra.

Power BI

A Power BI egy olyan interaktív irányítópultot tesz elérhetővé, amely az SQL Serverben tárolt, az előrejelzéseket segítő adatokat jeleníti meg.

Machine Learning Studio

A Machine Learning összetevővel könnyedén megtervezhetők, tesztelhetők, üzembe helyezhetők és felügyelhetők a felhőbeli prediktív elemzési megoldások.

Kapcsolódó megoldásarchitektúrák