編輯

醫療保健的人口健康管理

Azure Data Factory
Azure Databricks
Azure
Power BI
Azure Machine Learning

解決方案構想

本文是解決方案概念。 如果您想要使用詳細資訊來擴充內容，例如潛在的使用案例、替代服務、實作考慮或定價指引，請提供 GitHub 意見反應 讓我們知道。

在此解決方案中，我們將針對人口健康報告使用醫院所產生的臨床和社會經濟患者內資料。

架構

Architecture diagram shows how data is ingested, stored, processed through machine learning and published.

下載此架構的 Visio 檔案 。

資料流程

  1. 即時資料產生裝置 （IoMT） 會使用裝置驗證，將資料傳輸到串流資料擷取接收，例如 Azure IoT 中樞 。 此接收可以是獨立Azure IoT 中樞，也可以包含在完全受控的應用程式平臺中，例如 Azure IOT Central 與解決方案加速器，例如 持續患者監視範本 。

  2. 然後，裝置資料會接收至 適用于 Azure 的 IoMT FHIR 連線or，其標準化、分組、轉換及保存至 Azure API for FHIR 。

  3. 電子醫療記錄系統、患者管理系統或實驗室系統等資料來源可能會產生其他訊息格式，例如透過 HL7 內嵌和轉換工作流程轉換的 HL7 訊息。 HL7 內嵌平臺會透過 MLLP 取用 HL7 訊息，並透過 HL7overHTTPS 安全地將其傳輸至 Azure。 資料會落在 Blob 儲存體中，這會在Azure 服務匯流排上產生事件以供處理。 HL7 轉換是以 Azure 邏輯應用程式 為基礎的工作流程，可透過 FHIR 轉換器執行從 HL7 到 FHIR 的有序轉換，將訊息保存至 Azure API for FHIR 伺服器實例

  4. 資料會使用 大量匯出 功能，從 Azure FHIR 服務匯出至 Azure Data Lake Gen2。 敏感性資料可以 匿名作為匯出函式 的一部分。

  5. Azure Data Factory 作業會排程將其他資料來源從內部部署或替代來源複製到 Azure Data Lake Gen 2。

  6. 使用 Azure Databricks 清理和轉換無結構化資料集，並將其與運算元據庫或資料倉儲中的結構化資料結合。 使用可調整的機器學習/深度學習技術，透過 Azure Databricks 中的內建筆記本體驗，使用 Python、R 或 Scala 從此資料衍生更深入的深入解析。 在此解決方案中，我們會使用 Databricks 來整合相關但不同的資料集，以用於患者停留模型的長度。

  7. 實驗和模型開發會在 Azure Databricks 中發生。 透過 MLflow 與 Azure ML 整合，可讓您使用追蹤、模型存放庫和部署快速進行模型實驗。

  8. 使用 Azure 機器學習 服務發佈定型模型，以透過 Azure Databricks 端點 進行批次評分，或使用 Azure Container Instance 或 Azure Kubernetes Service 作為即時端點 。

元件

  • Azure IoT 連線or for FHIR 是 Azure API for FHIR 的選用功能，可提供從物聯網（IoMT） 裝置擷取資料的功能。 或者，任何想要在 IoT 連線or 中擁有更多控制權和彈性的人，適用于 Azure 的 IoMT FHIR 連線or 是一個開放原始碼專案，可用來從 IoMT 裝置擷取資料，並將資料保存在 FHIR® 伺服器中。

  • Azure Data Factory 是混合式資料整合服務，可讓您建立、排程及協調 ETL/ELT 工作流程。

  • Azure API for FHIR 是完全受控的企業級服務，適用于 FHIR 格式的健康情況資料。

  • Azure Data Lake 儲存體 可大規模調整、安全的 Data Lake 功能，建置在Azure Blob 儲存體上。

  • Azure Databricks 是快速、簡單且共同作業的 Apache Spark 型資料分析平臺。

  • Azure 機器學習 是一項雲端服務，可用於大規模定型、評分、部署和管理機器學習模型。 此架構會使用 Azure 機器學習服務的 MLflow 原生支援來記錄實驗、儲存模型及部署模型。

  • Power BI 是一套商務分析工具，可在整個組織中提供深入解析。 連線至數百個數據源、簡化資料準備，以及驅動互動式分析。 產生美觀的報表，然後將其發佈，讓組織可在 Web 和所有行動裝置上使用。

案例詳細資料

人口健康管理是醫療保健提供者日益用來管理和控制不斷升級成本的重要工具。 人口健康管理的癥結是使用資料來改善健康結果。 跟蹤、監視和替補標記是人口健康管理的三個堡壘，旨在改善臨床和健康成果，同時管理和降低成本。

作為具有人口健康管理之機器學習應用程式的範例，模型可用來預測住院時間長度。 它適用于醫院和醫療保健提供者，通過疾病預防和管理來管理和控制醫療保健支出。 您可以在此解決方案的手動部署指南中，了解所使用的資料及住院時間模型。 醫院可以使用這些結果來最佳化看護管理系統，並將其臨床資源集中在更需要的患者身上。 醫院可以透過人口健康報告來了解其服務的社群，以便從按服務付費轉換為價值取向看護，同時降低費用並提供更佳看護。

潛在的使用案例

此解決方案適用于醫療保健產業。 它可用於下列案例：

  • 患者監視
  • 臨床試驗
  • 智慧型診所

部署此案例

這裡詳述兩個範例專案，可匯入至 Azure Databricks。 由於 R 程式碼的使用，標準叢集模式必須在預測狀態筆記本的長度上使用。 您可以在下列範例中部署解決方案：

  1. 即時人口健康報告與停留長度預測會 使用百萬左右患者的遭遇層級記錄來訓練模型。 資料的架構符合醫療保健成本和使用率專案 （HCUP）中的 狀態住院資料庫（SID）資料，以利解決方案與實際 HCUP 資料搭配使用。 它適合用於類似的患者群體，不過我們建議醫院使用自己的歷程記錄患者資料來重新定型模型，以獲得最佳結果。 此解決方案會模擬 610 個臨床和人口特徵，包括年齡、性別、郵遞區號、診斷、程式、費用等約 23 家醫院的約 100 萬名患者。 若要套用至新入院的病人，模型必須使用每個患者在入院時可用的功能進行訓練。

  2. 患者專屬的醫療再委任預測和干預 使用 最初為1994年AAI醫學人工智慧研討會產生的糖尿病資料集 ，現在由邁克爾·卡恩 博士在 UCI 機器學習存放庫中 慷慨地分享。

參與者

本文由 Microsoft 維護。 原始投稿人如下。

主體作者：

下一步

  • 持續病患監視 提供應用程式範本，可建置持續病患監視解決方案。
  • 適用于 DICOM 的醫學映射伺服器是 DICOMweb™ 的 .NET Core 實作，可在 Azure 中執行。
  • OpenHack for FHIR 是 OpenHack 型教學課程的集合，可用來瞭解 Azure 中的 FHIR 相關服務。

產品檔：