Архитектура решения: Прогнозирование продолжительности госпитализации и потока пациентов с помощью медицинской аналитики

Для людей, работающих в лечебном учреждении, продолжительность госпитализации — число дней от поступления до выписки пациентов — имеет большое значение. Однако это число может варьироваться в зависимости от учреждения, а также от характера и течения заболевания даже в пределах одной системы здравоохранения, что затрудняет отслеживание потока пациентов и его планирование.

Это решение Azure помогает администраторам лечебных учреждений задействовать возможности машинного обучения и с их помощью прогнозировать продолжительность госпитализации, а также улучшать планирование загрузки отделений и использование ресурсов. С помощью прогнозной модели руководитель отдела медицинской информации может определить, какие отделения перегружены и какие ресурсы в этих отделениях нуждаются в подкреплении, а менеджер по медицинскому обслуживанию — определить, достаточно ли штатных ресурсов для лечения пациента вплоть до выписки.

Возможность спрогнозировать продолжительность госпитализации в момент поступления пациента помогает сотрудникам больницы обеспечить более качественное лечение и оптимизировать свою рабочую нагрузку. Также эта возможность позволяет более точно запланировать время выписки, что снижает вероятность повторной госпитализации.

Развертывание в Azure

Разверните эту архитектуру в Azure с помощью следующего готового шаблона

Развертывание в Azure

Просмотр развернутого решения

Power BI SQL Database Machine Learning

Руководство по реализации

Продукты и их описание Документация

Службы R в SQL Server

Здесь хранятся данные о пациентах и клинические данные. Предоставляет модели обучения и прогнозирования, а также результаты прогнозирования, которые можно использовать с помощью R.

Power BI

Служба Power BI предоставляет интерактивную панель мониторинга, которая позволяет визуализировать данные, хранящиеся на сервере SQL Server, для принятия решений по прогнозам.

Студия машинного обучения

Служба машинного обучения позволяет легко создавать, тестировать, активировать решения прогнозной аналитики в облаке и управлять ими.

Связанные архитектуры решений