Modifica

Stimare la lunghezza del paziente del soggiorno e del flusso

Azure Data Factory
Azure Data Lake Storage
Azure Machine Learning
Azure Synapse Analytics
Power BI

Questa soluzione di Azure consente agli amministratori dell'ospedale di usare la potenza di Machine Learning per stimare la durata del soggiorno per i ricoveri in ospedale, per migliorare la pianificazione della capacità e l'utilizzo delle risorse. Un responsabile dell'informazione medica può usare un modello predittivo per determinare quali strutture sono sovratassate e quali risorse rafforzare all'interno di tali strutture. Un responsabile della linea di assistenza può usare un modello per determinare se ci sono risorse di personale adeguate per gestire il rilascio di un paziente.

Architettura

Diagramma dell'architettura di monitoraggio dei pazienti remoti con dispositivi sanitari e servizi di Azure.

Scaricare un file di Visio di questa architettura.

Flusso di dati

Il flusso di dati seguente corrisponde al diagramma precedente:

  1. I dati di integrità anonimi dai record elettronici di integrità (EHR) e i record medici elettronici (EMR) vengono estratti usando Azure Data Factory con il runtime appropriato (ad esempio: Azure, Self-hosted). In questo scenario si presuppone che i dati anonimi siano accessibili per l'estrazione batch usando uno dei connettori Azure Data Factory, ad esempio ODBC, Oracle, SQL. Altre origini dati, ad esempio i dati FHIR, possono richiedere l'inclusione di un servizio di inserimento intermedio come Funzioni di Azure.

  2. Azure Data Factory flussi di dati attraverso Data Factory in Azure Data Lake Storage (generazione 2). Nessun dato viene archiviato in Azure Data Factory durante questo processo e gli errori come le connessioni eliminate possono essere gestite/ritrite durante questo passaggio.

  3. Azure Machine Learning viene usato per applicare algoritmi/pipeline di Machine Learning ai dati inseriti nel passaggio 2. Gli algoritmi possono essere applicati in base a eventi, pianificati o manualmente a seconda dei requisiti. In particolare, questo include:

    3.1 Training : i dati inseriti vengono usati per eseguire il training di un modello di Machine Learning usando una combinazione di algoritmi come regressione lineare e Albero delle decisioni con aumento della sfumatura. Questi algoritmi vengono forniti tramite vari framework (ad esempio scikit-learn) in genere in una pipeline e possono includere passaggi di pipeline pre/post-elaborazione. Ad esempio, i fattori di salute dei pazienti come il tipo di ammissione proveniente dal pre-elaborato esistente (ad esempio, eliminare righe null) i dati EMR/EHR possono essere usati per eseguire il training di un modello di regressione come Regressione lineare. Il modello sarebbe quindi in grado di stimare una nuova durata del paziente di soggiorno.

    3.2 Convalida : le prestazioni del modello vengono confrontate con i modelli o i dati di test esistenti e anche rispetto ad eventuali destinazioni di utilizzo downstream, ad esempio interfacce di programmazione dell'applicazione (API).

    3.3 Distribuisci : il modello viene in pacchetto usando un contenitore da usare in ambienti di destinazione diversi.

    3.4 Monitoraggio : le stime del modello vengono raccolte e monitorate per garantire che le prestazioni non degradino nel tempo. Gli avvisi possono essere inviati per attivare manualmente o automatizzare il training o gli aggiornamenti al modello in base alle esigenze usando questi dati di monitoraggio. Si noti che potrebbero essere necessari altri servizi come Monitoraggio di Azure, a seconda del tipo di dati di monitoraggio estratti.

  4. Flussi di output di Azure Machine Learning per Azure Synapse Analytics. L'output del modello (lunghezza prevista del paziente di soggiorno) viene combinato con i dati dei pazienti esistenti in un livello scalabile, che serve come pool SQL dedicato per il consumo downstream. È possibile eseguire analisi aggiuntive come la lunghezza media del soggiorno per ospedale tramite Synapse Analytics a questo punto.

  5. Azure Synapse Analytics fornisce dati a Power BI. In particolare, Power BI si connette al livello di servizio nel passaggio (4) per estrarre i dati e applicare una modellazione semantica aggiuntiva necessaria.

  6. Power BI viene usato per l'analisi da parte del responsabile della linea di assistenza e del coordinatore delle risorse ospedaliere.

Componenti

  • Azure Data Factory (ADF) offre un servizio di integrazione dei dati serverless completamente gestito e di orchestrazione in grado di integrare visivamente origini dati con più di 90 connettori predefiniti, senza costi aggiuntivi. In questo scenario ADF viene usato per inserire dati e orchestrare i flussi di dati.

  • Azure Data Lake (ADLS) offre un data lake sicuro scalabile per l'analisi ad alte prestazioni. In questo scenario ADLS viene usato come livello di archiviazione dati scalabile e conveniente.

  • I servizi azure Machine Learning (AML) accelerano il ciclo di vita di machine learning per la stima end-to-end per:

    • Consente agli sviluppatori e agli scienziati dei dati di creare, eseguire il training e distribuire modelli di Machine Learning e promuovere la collaborazione con i team.
    • Accelerazione del tempo sul mercato con mlOps leader del settore, operazioni di Machine Learning o DevOps per Machine Learning.
    • Innovazione in una piattaforma sicura e attendibile, progettata per l'apprendimento automatico responsabile.

    In questo scenario, AML è il servizio usato per produrre il modello usato per stimare la durata del paziente e per gestire il ciclo di vita del modello end-to-end.

  • Azure Synapse Analytics: un servizio di analisi senza limiti che riunisce l'integrazione dei dati, il data warehousing aziendale e l'analisi dei Big Data. In questo scenario, Synapse viene usato per incorporare le stime del modello nel modello di dati esistente e anche per fornire un livello di servizio ad alta velocità per l'utilizzo downstream.

  • Power BI offre analisi self-service su larga scala aziendale, consentendo di:

    • Creare una cultura basata sui dati con business intelligence per tutti.
    • Mantenere i dati sicuri con funzionalità di sicurezza dei dati leader del settore, tra cui l'etichettatura della riservatezza, la crittografia end-to-end e il monitoraggio degli accessi in tempo reale.

    In questo scenario, Power BI viene usato per creare dashboard utente finale e applicare qualsiasi modellazione semantica necessaria in tali dashboard.

Alternativi

  • I servizi Spark come Azure Synapse Analytics Spark e Azure Databricks possono essere usati come alternativa per eseguire l'apprendimento automatico, a seconda della scalabilità dei dati e del set di competenze del team di data science.
  • MLFlow può essere usato per gestire il ciclo di vita end-to-end come alternativa ad Azure Machine Learning a seconda del set di competenze/ambiente dei clienti.
  • Azure Synapse le pipeline di Analisi possono essere usate come alternativa a Azure Data Factory nella maggior parte dei casi, a seconda dell'ambiente cliente specifico.

Dettagli dello scenario

Per le persone che eseguono una struttura sanitaria, la durata del soggiorno (LOS) - il numero di giorni dall'ammissione del paziente alla scarica - è importante. Tuttavia, tale numero può variare tra strutture e tra condizioni di malattia e specialità, anche all'interno dello stesso sistema sanitario, rendendo difficile tenere traccia del flusso dei pazienti e pianificare di conseguenza.

Questa soluzione consente un modello predittivo per LOS per i ricoveri in ospedale. LOS è definito nel numero di giorni dalla data iniziale di ammissione alla data di inizio della scarica del paziente da qualsiasi struttura ospedaliera specificata. Esiste una variazione significativa di LOS in varie strutture, condizioni di malattia e specialità, anche all'interno dello stesso sistema sanitario.

Gli studi come La durata del paziente del soggiorno sono correlati alla qualità dell'assistenza? hanno dimostrato che un LOS a rischio più lungo è correlato alla qualità più bassa dell'assistenza ricevuta. La stima DI LOS avanzata al momento dell'ammissione può migliorare la qualità del paziente, fornendo ai provider un los previsto che possono usare come metrica per confrontare con i pazienti correnti LOS. Ciò può aiutare a garantire che i pazienti con più tempo di previsto los ricevano attenzione appropriata. La stima los aiuta anche a pianificare con precisione gli scarichi che comportano l'abbassamento di varie altre misure di qualità, ad esempio le letture.

Potenziali casi d'uso

Ci sono due diversi utenti aziendali nella gestione ospedaliera che possono aspettarsi di trarre vantaggio da stime più affidabili della durata del soggiorno, nonché delle famiglie dei pazienti:

  • Il responsabile dell'informazione medica (CMIO), che straddles the divide tra informatica/tecnologia e professionisti sanitari in un'organizzazione sanitaria. I loro compiti in genere includono l'uso dell'analisi per determinare se le risorse vengono allocate in modo appropriato in una rete ospedaliera. Il CMIO deve essere in grado di determinare quali strutture vengono superate e in particolare quali risorse in tali strutture possono essere rafforzate per riallineare tali risorse con la domanda.
  • Responsabile della linea di assistenza, che è direttamente coinvolto nell'assistenza dei pazienti. Questo ruolo richiede il monitoraggio dello stato dei singoli pazienti e garantisce che il personale sia disponibile per soddisfare i requisiti di assistenza specifici dei pazienti. Il responsabile della linea di assistenza può prendere decisioni mediche accurate e allineare le risorse giuste in anticipo. Ad esempio, la possibilità di stimare LOS:
    • come valutazione iniziale del rischio dei pazienti è fondamentale per migliorare la pianificazione delle risorse e l'allocazione, soprattutto quando le risorse sono limitate, come nelle UNITÀ di gestione dei pazienti.
    • consente ai responsabili della linea di assistenza di determinare se le risorse del personale saranno adeguate per gestire il rilascio di un paziente.
  • La previsione del LOS in ICU è utile anche per i pazienti e le loro famiglie, nonché le compagnie assicurative. Una data prevista per la scarica dall'ospedale aiuta i pazienti e le loro famiglie a comprendere e stimare i costi medici. Ciò offre anche alle famiglie un'idea sulla velocità del recupero di un paziente e li aiuta a pianificare lo scarico e gestire i loro budget.

Considerazioni

Queste considerazioni implementano i pilastri di Azure Well-Architected Framework, che è un set di set di set di guide che possono essere usati per migliorare la qualità di un carico di lavoro. Per altre informazioni, vedere Microsoft Azure Well-Architected Framework.

Ottimizzazione dei costi

L'ottimizzazione dei costi riguarda l'analisi dei modi per ridurre le spese non necessarie e migliorare l'efficienza operativa. Per altre informazioni, vedere Panoramica del pilastro di ottimizzazione dei costi.

Il componente più costoso di questa soluzione è il calcolo e esistono diversi modi per ridimensionare in modo efficiente il calcolo con il volume di dati. Un esempio consiste nell'usare un servizio Spark come Azure Synapse Analytics Spark o Azure Databricks per il lavoro di ingegneria dei dati, anziché una soluzione a nodo singolo. Spark si ridimensiona orizzontalmente ed è più conveniente rispetto alle soluzioni a nodo singolo con scalabilità verticale e verticale.

I prezzi per tutti i componenti di Azure configurati in questa architettura sono disponibili in questa stima salvata dal calcolatore dei prezzi di Azure. Questa stima è configurata per visualizzare i costi iniziali e mensili stimati, per un'implementazione di base che viene eseguita dalle 9:00 al lunedì al venerdì.

Eccellenza operativa

L'eccellenza operativa copre i processi operativi che distribuiscono un'applicazione e la mantengono in esecuzione nell'ambiente di produzione. Per altre informazioni, vedere Panoramica del pilastro dell'eccellenza operativa.

Una solida pratica e implementazione di Machine Learning (MLOps) svolge un ruolo fondamentale nella produzione di questo tipo di soluzione. Per altre informazioni, vedere Operazioni di Machine Learning (MLOps).

Efficienza delle prestazioni

L'efficienza delle prestazioni è la capacità di ridimensionare il carico di lavoro soddisfare in modo efficiente le richieste poste dagli utenti. Per altre informazioni, vedere Panoramica dell'efficienza delle prestazioni.

In questo scenario viene eseguita la pre-elaborazione dei dati in Azure Machine Learning. Anche se questa progettazione funzionerà per volumi di dati di piccole e medie dimensioni, volumi di dati di grandi dimensioni o scenari con contratti di servizio quasi in tempo reale potrebbero lottare da un punto di vista delle prestazioni. Un modo per risolvere questo tipo di preoccupazione consiste nell'usare un servizio Spark come Azure Synapse Analytics Spark o Azure Databricks per carichi di lavoro di data engineering o data science. Spark ridimensiona orizzontalmente e viene distribuito per progettazione, consentendogli di elaborare set di dati di grandi dimensioni in modo molto efficace.

Sicurezza

La sicurezza offre garanzie contro attacchi intenzionali e l'abuso dei dati e dei sistemi preziosi. Per altre informazioni, vedere Panoramica del pilastro della sicurezza.

Importante

Questa architettura funzionerà con dati di integrità anonimi e non anonimi. Tuttavia, per un'implementazione sicura, è consigliabile che i dati di integrità vengano generati in forma anonima da origini EHR e EMR.

Per altre informazioni sulle funzionalità di sicurezza e governance disponibili per Azure Machine Learning, vedere Sicurezza aziendale e governance per Azure Machine Learning

Autori di contributi

Questo articolo viene gestito da Microsoft. È stato originariamente scritto dai collaboratori seguenti.

Autori principali:

Per visualizzare profili LinkedIn non pubblici, accedere a LinkedIn.

Passaggi successivi

Tecnologie e risorse correlate all'implementazione di questa architettura:

Vedere altri contenuti del Centro architetture di Azure correlati a questa architettura: