Løsningsarkitektur: Forutsatt oppholdstid og pasientflyt med helsepleieanalyse

For personer som driver en helsepleiefasilitet er oppholdstid, antallet dager fra en pasient bli innlagt til utskrivelse, viktig. Men dette antallet kan variere på tvers av fasiliteter, sykdomstilstander og spesialitetsområder, også innenfor samme helsepleiesystem, noe som gjør det vanskeligere å spore pasientflyt og planlegge i henhold til dette.

Denne Azure-løsningen hjelper sykehusadministratorer med å bruke kreftene til maskinlæring for å forutsi oppholdstiden for innlagte pasienter, for å forbedre kapasitetsplanlegging og ressursbruk. En helsepleiesjef kan bruke en prediktiv modell for å avgjøre hvilke fasiliteter som er overbelastet og hvilke ressurser som bør økes i disse fasilitetene, og en personalsjef kan bruke dem til å avgjøre om det finnes tilstrekkelige ressurser blant de ansatte for å behandle utskrivingen av en pasient.

Ved å forutsi oppholdstiden ved innleggelse kan sykehus levere bedre pleie og strømlinjeforme arbeidsbelastningen. Det hjelper også med nøyaktig planlegging av utskrivinger og reduserer andre kvalitetsfaktorer slik som reinnleggelser.

Distribuer til Azure

Bruk den følgende forhåndsbygde malen til å distribuere denne arkitekturen til Azure

Distribuer til Azure

Vis distribuert løsning

Power BI SQL Database Machine Learning

Implementeringsveiledning

Produkter/beskrivelse Dokumentasjon

SQL Server R Services

Lagrer pasient- og sykehusdata. Leverer opplæring og prognosemodeller og forutsatte resultater for forbruk ved bruk av R.

strøm~~POS=TRUNC BI

Power BI leverer et interaktivt dashbord med visualisering som bruker data lagret i SQL Server for å drive avgjørelser basert på prognosene.

Machine Learning Studio

Machine Learning hjelper med å enkelt utforme, teste, sette i drift og administrere løsninger for prediktiv analyse i skyen.

Relaterte løsningsarkitekturer