Lösningsarkitektur: Förutsäg vistelsens längd och patientflöde med hälsovårdsanalys

För personer som driver en hälsovårdscentral är patientvistelsens längd mycket viktig, d.v.s. antal dagar från inskrivning till utskrivning. Antalet kan dock variera beroende på hälsotillstånd och skilda vårdförhållanden även inom samma vårdsystem, vilket gör det svårt att följa upp patientflödet och planera proaktivt.

Med den här Azure-lösningen kan sjukvårdsadministratörer använda fördelarna med maskininlärning för att beräkna vistelselängden och därmed förbättra kapacitetsplanering och fördelning av resurser. En Chief Medical Information Officer kan använda en förutsägelsemodell för att fastställa vilka anläggningar som är överbelastade och vilka resurser som kan stärkas där, medan en vårdsamordnare kan använda modellen för att ta reda på om det finns tillräckligt med personal för att hantera utskrivningen av en patient.

Genom att kunna förutsäga vistelsens längd redan när patienten skrivs in, kan sjukhusen ge högkvalitativ vård och bättre fördela arbetsbelastningen. Det blir också lättare att planera för utskrivning vilket minskar risken för akuta återinläggningar.

Distribuera till Azure

Använd följande färdiga mall för att distribuera den här arkitekturen till Azure

Distribuera till Azure

Visa distribuerad lösning

Power BI SQL Database Machine Learning

Implementeringsanvisningar

Produkter/beskrivning Dokumentation

SQL Server R Services

Lagrar patient- och sjukhusinformation. Tillhandahåller upplärning och förutsägelsemodeller och förutsagt resultat för förbrukning med R.

Power BI

Power BI innehåller en interaktiv instrumentpanel med visualiserade data från SQL Server, som används för att fatta beslut utifrån prognoserna.

Machine Learning Studio

Med Machine Learning kan du enkelt utforma, testa, operationalisera samt hantera lösningar för förutsägelseanalys i molnet.

Närliggande lösningsarkitekturer