編輯

遠端監看患者

Azure Data Lake 儲存體
Azure Databricks
Azure 事件中樞
Azure Machine Learning
Azure Synapse Analytics
Power BI

衛生系統、醫院和大型醫生的做法正在轉向住院計劃（也稱為遠端患者監測）。 遠端患者監視是臨床護理的子集，患者活動和生理數據可以根據個別的護理計劃參數，使用遠端健康裝置來存取和傳遞。

本文提供如何使用 Azure Health Data Services 和裝置設計解決方案的指引，以進行智慧型遠端患者監視。 解決方案可協助緩解組織在大規模建置這類解決方案時所必須面對的許多裝置整合挑戰。

架構

Architecture diagram of remote patient monitoring architecture using healthcare devices and Azure services.

下載此架構的 Visio 檔案。

資料流程

  1. 病患裝置會產生活動和生理數據。 然後，數據會使用其中一個可用的 Microsoft 開放原始碼 （OSS） SDK 從裝置擷取，並由 Azure 事件中樞 擷取。

  2. Life365.health 平臺支援 300 個以上的裝置，這些裝置會產生活動和生理數據 Life365 API 將活動與生理數據從患者監視裝置內嵌到 Azure 事件中樞。

  3. Azure MedTech 服務會從事件中樞提取裝置度量，並將其轉換成 FHIR 格式 的 Fast Healthcare 互操作性資源 （FHIR），並將其傳遞至 Azure FHIR® 服務。 Azure Health Data Services 工作區是醫療保健服務實例的邏輯容器，例如 FHIR 和 MedTech 服務。

  4. Azure Health Data Services 工作區會在 Azure FHIR 服務中建立、更新或刪除 FHIR 資源時，傳送通知訊息給事件訂閱者 。 通知可以傳送至多個端點以觸發自動化，包括啟動工作流程或傳送電子郵件和簡訊。

  5. FHIR 分析管線會以累加方式將非匿名 FHIR 數據匯出至 Azure Data Lake，使其可供使用各種 Azure 數據服務進行分析。 導出的數據也可以利用 Microsoft 開放原始 碼工具 for Health Data Anonymization 之類的工具來匿名。 默認匿名是以 HIPAA 保管庫 Harbor 方法為基礎，可以視需要加以擴充和修改。

    重要

    此數據流中導出的 FHIR 數據是未經處理的，其中包含 PHI 資訊。 取消識別的程式可用來從數據中移除個人標識符，以供研究或共用之用。 如果您想要取消識別的數據集 ，您必須 在匯出數據之前先採取匿名措施，再使用上述工具進行匿名處理。

  6. 在 Azure Synapse、Azure Databricks 和 Azure 機器學習 （ML） 服務中使用 Spark 集區，進一步分析 Parquet 和 JSON 格式的 FHIR 數據。

  7. SQL 檢視會在 Azure Synapse 的無伺服器 SQL 集區中建立。 系統會根據 Azure Data Lake 中的 Parquet 檔案，為每個 FHIR 資源建立 SQL 檢視。 根據這些檢視，數據工程師和開發人員可以在 Microsoft SQL Management Studio 或任何其他 SQL 編輯器中撰寫原生 SQL，以查詢 FHIR 資源。

  8. Power BI 和適用於 FHIR 的 Power Query 連接器可用來直接從 FHIR 服務 API 端點匯入和塑造數據 。 Power BI 也提供 Parquet 和 SQL 連接器，以 Parquet 格式或透過 Synapse 中的 SQL 檢視直接存取 FHIR 資源。

元件

裝置

取用者裝置

Microsoft 提供開放原始碼 SDK，以協助從各種取用者裝置傳輸數據，以透過 Azure 事件中樞 進行擷取：

  • FHIR OSS SDK 上的 Fitbit 支援 Fitbit 裝置。
  • 適用於 FHIR OSS SDK 的 Fit 支援 Google Fit 裝置。
  • HealthKitToFhir Swift 連結 庫 OSS SDK 支援 Apple 裝置。

Life365.health 支援的醫療設備

Life365.health 平臺已與超過 300 個 藍牙 監視裝置整合，以供 Azure 事件中樞 擷取。 這些裝置跨越多種類別和 OEM，範圍從呼吸計、溫度計、重量級、藥丸提醒、活動跟蹤器、血糖計量、血壓監測器、EKG/ECG、胎兒多普勒、心率監測器、脈搏 oximeter、睡眠跟蹤器等。 Life365 應用程式也允許手動記錄從非 藍牙 裝置拍攝的讀數。 此架構會利用 Life365 API 將裝置度量從 Life365 裝置內嵌到事件中樞。

其他

雖然上述選項有助於簡化，但此架構支援任何可透過中繼 API 安全地內嵌至事件中樞的類似數據源。

Azure 服務 （資料收集和記憶體）

  • Azure 事件中樞 - 完全受控的實時數據擷取服務，簡單、受信任且可調整。 每秒從任何來源串流數百萬個事件，以建立動態資料管道，並立即回應商務挑戰。 在此架構中，它會用來收集和匯總裝置數據，以傳輸至 Azure Health Data Services。

  • Azure Health Data Services 是一組以開放式標準和架構為基礎的受控 API 服務，可讓工作流程改善醫療保健，並提供可調整且安全的醫療保健解決方案。 此架構中使用的服務包括：

    • Azure Health Data Services 工作區 - 提供其他 Azure Health Data Services 實例的容器，以建立合規性界限（HIPAA，HITRUST），其中受保護的健康情況資訊可以移動。

    • Azure FHIR 服務 - 可讓您輕鬆地在雲端中安全地儲存和交換受保護的健康情況資訊（PHI）。 裝置數據會轉換成以 FHIR 為基礎的 觀察 資源，以支援遠端患者監視。

    • Azure MedTech 服務 - Microsoft Cloud for Healthcare 的基石，用來支持遠端患者監視。 MedTech 是一項平臺即服務（PaaS），可讓您從各種醫療設備收集近乎實時的數據，並將其轉換成符合 FHIR 規範的服務格式，並儲存在 FHIR 服務中。 MedTech 服務的裝置資料轉譯功能可讓您將各種不同的數據轉換成統一的 FHIR 格式，以在雲端環境中提供安全的健康情況數據管理。

      MedTech 服務對於遠端患者監視而言很重要，因為醫療保健數據可能很難從各種或不相容的裝置、系統或格式進行存取或分析。 不容易存取的醫療資訊可能是獲得臨床見解和患者醫療保健計劃的障礙。 能夠將健康情況數據轉譯成統一的 FHIR 格式，讓 MedTech 服務能夠成功連結裝置、健康情況數據、實驗室和遠端人員護理。 因此，這項功能有助於探索重要的臨床見解和趨勢擷取，支持臨床醫生、護理小組、患者和家人。 它也有助於連線到新的裝置應用程式，並啟用進階研究專案。 就像每個使用案例可以個別化護理計劃一樣，遠端患者監視案例和使用案例可能會因個別的需求而有所不同。

  • Azure 事件方格 - 每當建立、更新或刪除 FHIR 資源時，Azure Health Data Services 事件服務就會產生事件（CUD）。 這些事件可以透過 Azure 事件方格 向下游取用者廣播，以根據事件為基礎的數據採取行動。

Azure 服務和工具 （資料分析）

  • FHIR 分析管線 - 用來建置元件和管線的 OSS 專案，用於將 FHIR 數據從 Azure FHIR 伺服器矩形化和移動至 Azure Data Lake。 在此架構中，數據會轉換成 JavaScript 物件表示法 （JSON） 和 Parquet 格式，使其可供使用各種 Azure 數據服務進行分析。

  • 健康數據匿名 化工具 - 由 Microsoft Healthcare 小組支援的 OSS 專案，可協助匿名醫療保健數據、內部部署或雲端，以進行次要使用，例如研究、公共衛生等。 匿名核心引擎會使用組態檔來指定不同的參數，以及不同數據元素和數據類型的匿名方法。

  • Azure Synapse Analytics - 一項無限制的分析服務，可將數據整合、企業數據倉儲和巨量數據分析整合在一起。 其可讓您使用無伺服器或專用選項，任意以自己的方式大規模地查詢資料。 Azure Synapse 將這兩者結合在一起，透過整合的體驗內嵌、探索、準備、轉換、管理和提供資料，以滿足立即的 BI 和機器學習需求。

  • Apache Spark 集 區 - Apache Spark 是一種平行處理架構，可支援記憶體內部處理，以提升巨量數據分析應用程式的效能。 Azure Synapse Analytics 中的 Apache Spark 是 Microsoft 在雲端中的其中一種 Apache Spark 實作。 Azure Synapse 可讓您輕鬆地在 Azure 中建立和設定無伺服器 Apache Spark 集區。 Azure Synapse 中的 Spark 集區與 Azure 儲存體和 Azure Data Lake Generation 2 Storage 相容。 因此，您可以使用 Spark 集區來處理儲存於 Azure 的資料。

  • Azure Databricks - 針對 Microsoft Azure 雲端服務平臺優化的數據分析平臺。 Databricks 為數據分析師、數據工程師、數據科學家和機器學習工程師提供統一的分析平臺。 提供三個環境來開發數據密集型應用程式：Databricks SQL、Databricks 資料科學 與工程，以及 Databricks 機器學習。

  • Azure ML - Azure 雲端服務，可加速和管理機器學習專案生命週期。 機器學習專業人員、數據科學家和工程師可以在日常工作流程中使用：定型和部署模型，以及管理 MLOps。 您可以在 Azure Machine Learning 中建立模型，或使用從開放原始碼平台建置的模型，例如 Pytorch、TensorFlow 或 scikit-learn。 MLOps 工具可協助您監視、重新定型和重新部署模型。

  • Power BI - 提供企業級自助分析，讓您能夠：

    • 為所有人建立具有商業智慧的數據驅動文化特性。
    • 使用領先業界的數據安全性功能保護數據安全，包括敏感度標籤、端對端加密，以及用於進一步分析 FHIR 數據的即時存取 monitoring.is。

  • 與 Power BI 搭配使用的 Power Query 連接器 包括：

  • SQL Server Management Studio - 傳統型應用程式，用來針對 SQL 資料存放區建立原生 SQL 查詢，例如 Azure Synapse Analytics SQL 集區。

替代項目

Life365.health

Life365.health 的優點是，使用一個整合點，您可以將 Life365 生態系統中各種裝置的度量推送至 Azure Health Data Services。 其他可穿戴裝置 API 存在，例如 Garmin 活動 API 和極地 AccessLink API，可達成類似的整合模式。 不過，這些 API 是各自製造商裝置的專屬計量，例如 Garmin 和 Polar。

必須在 Azure Health Data Services 與 Life365 API 之間定義、連結和同步處理裝置和患者。 此設定可藉由同步處理 Azure Health Data Services 與 Life365 API 之間的病患和裝置識別碼來達成。 基本上，系統會先在 Azure FHIR 服務中建立並連結新的病患和裝置。 然後，會在 Life365 API 中建立並連結對應的病患和裝置。 先在 Azure Health Data Services 中建立的病患和裝置識別碼，接著會更新為 Life365 API 中個別病患和裝置實體中的外部標識符。

適用於 HealthCare 的 Microsoft Cloud

此範例工作負載可解決實作遠端病患監視解決方案的其中一種方式。 Microsoft Cloud for Healthcare 也提供遠端病患監視解決方案。 如需該解決方案的詳細資訊，請參閱 遠端患者監視導覽。

案例詳細資料

今天那裡有醫療和可穿戴/消費者裝置的寬大。 若要存取裝置測量/讀數，許多家庭內部監視設備（如血壓裝置、規模...）等）提供 藍牙 連線能力（例如 藍牙 低能或其他舊版 藍牙 標準）。 也有消費者可穿戴裝置，以及更進階的家用裝置，可提供 API 連線來存取裝置測量。 在此情況下，裝置可以將讀數直接同步處理至 API（已啟用 Wifi），或透過 藍牙 連線到智慧型手機上的行動應用程式，讓應用程式可以將讀取同步處理回 API。

問題說明

鑒於各種可穿戴和家用醫療設備和連線選項（從 藍牙 到 API 規格），乘以醫療保健組織內的病人數目，數據整合和協調流程可能會成為令人生畏的工作。

潛在的使用案例

  • 臨床試驗和研究 – 説明臨床試驗團隊整合並提供廣泛的家庭內和可穿戴醫療設備給研究參與者。 換句話說，為您的研究參與者提供准自備裝置 （BYOD） 選項。

  • 數據科學和人口健康分析 – 活動與生理數據將以業界 FHIR 標準格式，以及其他開放原始碼數據格式 （JSON 和 Parquet） 提供。 除了數據格式之外，還提供原生連接器來協助數據分析和轉換。 包含連接器，例如適用於 FHIR 的 Power BI 連接器、Synapse 無伺服器 SQL 檢視和 Synapse 中的 Spark 叢集。

    此解決方案也提供參數化方法，以將數據集匿名以用於取消識別的研究目的。 此「次要使用數據」可以進行分析，並用來尋找最佳做法並支援臨床辨識項型工作流程。 儲存在 FHIR 伺服器的觀察可用來尋找可提升最佳結果和作法的變數和工作流程。

  • 啟用醫療保健提供者 - 提供者將能夠：

    • 取得患者健康狀態的更深入解析
    • 為預防醫療建立主動式數位醫療保健模型
    • 根據生理指標/通知採取更明智的行動
    • 提供遠端生理監測報銷的途徑

  • 患者報告結果 （PRO） 問卷和 PRO 驅動護理 - 藉由使用事件和 PRO 問卷，可以建立個人化護理計劃和護理差異工作流程。 患者可以有更多的自主性，並控制個人化護理計劃，這有助於採用和持續使用。 支持導向的護理也有助於解決教育和患者結果的差距。 藉由連結教育問卷和 PRO，RPM 可用來支援藥物、治療和/或後續護理，方法是回答下列問題：

    • 患者是否正確地服用 BP？
    • 調整是否在正確的時間和頻率使用？
    • 我們是否在 PRO 中循環進行患者採用和個人化護理規劃？

    對於使用 iOS 裝置的患者，可以使用 Apple ResearchKit 來建置問卷應用程式。 問卷數據是由 Azure 事件中樞 所擷取，並透過 FHIR 服務提供，就像裝置患者活動和生理數據一樣。

  • 允許多種類型和更精確的健康裝置 - 使用醫療和家庭醫療設備，以近乎即時的方式產生健康數據，以進行數據擷取和分析。

考量

這些考慮可解決 Azure 良好架構架構的要素，這是一組可用來改善工作負載質量的指導原則。 如需詳細資訊，請參閱 Microsoft Azure Well-Architected Framework。

可靠性

可靠性可確保您的應用程式可以符合您對客戶的承諾。 如需詳細資訊，請參閱 可靠性要素概觀。

臨床數據和深入解析的可用性對於許多醫療保健組織而言非常重要。 以下是將此解決方案所指出之 Azure 服務的停機時間降到最低的方法：

  • Data Lake 儲存體 一律會在主要區域中復寫三次，您可以選擇本地備援記憶體 （LRS） 或區域備援記憶體 （ZRS）。

  • Azure 事件中樞 會分散個別計算機重大失敗的風險，甚至跨跨數據中心內多個失敗網域的叢集完成機架。 如需詳細資訊，請參閱 Azure 事件中樞 - 異地災害復原。

  • Databricks 為其數據分析平臺提供 災害復原指引 。

  • 機器學習 部署可以是多區域。

安全性

安全性可提供針對蓄意攻擊和濫用寶貴數據和系統的保證。 如需詳細資訊，請參閱 安全性要素概觀。

醫療保健數據通常包含敏感性受保護的健康資訊 （PHI） 和個人資訊。 下列資源可用來保護此資料：

成本最佳化

成本優化是考慮如何減少不必要的費用，並提升營運效率。 如需詳細資訊，請參閱 成本優化要素概觀。

您可以在 Azure 定價計算機中找到許多 Azure 元件的定價。 最終，此解決方案的定價是以下列因素為基礎：

  • 所使用的 Azure 服務。
  • 數據量，就患者/裝置數目以及所擷取的活動和生理數據類型數目而言。
  • 事件中樞的容量和輸送量需求。
  • 執行機器學習訓練和部署、Synapse Spark 集區和 Databricks 叢集所需的計算資源。
  • 視覺效果和報告解決方案，例如PowerBI。

實作此解決方案時，請考慮基礎 Azure Data Lake 的數據保留和封存原則。 利用 Azure 儲存體 生命週期管理來提供自動化的方式：

  • 將檔案 Blob 向下轉換至非經常性存取層
  • 封存層是根據上次修改檔案的時間。

若要深入瞭解 Life365.health 方案和定價，請檢閱 Microsoft Azure Marketplace 中的 Life365 API 連線 數據供應專案

效能效益

效能效率是工作負載調整的能力，以符合使用者以有效率的方式滿足其需求。 如需詳細資訊，請參閱 效能效率要素概觀。

此解決方案提供可調整的近乎實時架構，以進行遠端患者監視。 請務必確認從裝置與 Life365 API 之間的介面，到從 Life365 API 和 Azure 事件中樞 擷取到 MedTech Service 中的轉換，最後是累加導出和匿名至 Data Lake 格式。 因此，數據流將會以近乎即時的方式處理，且任何下游應用程式和/或整合都應該設計為這類。 不過，此解決方案的效能可以調整為企業層級的大量裝置和患者。

參與者

本文由 Microsoft 維護。 原始投稿人如下。

主要作者：

若要查看非公用LinkedIn配置檔，請登入LinkedIn。

下一步

實作此架構的相關技術和資源：