Správa zdravotního stavu obyvatelstva pro zdravotnictví

Data Factory
Databricks
API pro FHIR
Event Hubs
Stream Analytics
Power BI

Idea řešení

Pokud se chcete podívat, jak tento článek rozšíříme o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět pomocí GitHub Feedback!

Správa zdravotního stavu obyvatelstva je důležitý nástroj, který poskytovatel zdravotní péče stále používá ke správě a řízení nákladů na eskalaci. Crux správy stavu obyvatelstva je použití dat ke zlepšení výsledků stavu. Označení pro sledování, monitorování a lavice představují tři bastionyy správy stavu obyvatelstva, zaměřené na zlepšení klinických a zdravotních výsledků při správě a snižování nákladů.

V tomto řešení budeme pro vytváření sestav o stavu obyvatelstva použít klinická a ekonomická data v pacientech, která jsou vygenerovaná v nemocnicích. Jako příklad aplikace Machine Learning se správou zdravotního stavu obyvatelstva se používá model pro předpověď délky pobytu v nemocnici. Je zaměřená na nemocnice a poskytovatele zdravotní péče o řízení a řízení nákladů na zdravotní péči prostřednictvím prevence a správy nemocí. V průvodci ručním nasazením řešení můžete získat informace o použitých datech a o délce modelu ústavního pobytu. Nemocnice můžou tyto výsledky využít k optimalizaci systémů správy péče a soustředit se na jejich klinické prostředky na pacienty s naléhavější potřebou. Porozumění komunitám, které slouží k vytváření sestav o stavu obyvatelstva, může přispět k přechodu z poplatků za služby na základě ocenění a při snížení nákladů a poskytování lepší péče.

Příklady

  • Monitorování pacientů

  • Klinická hodnocení

  • Inteligentní Clinicy

Architektura

Diagram architektury Stáhnout SVG této architektury.

Tok dat

  1. Data pro generování dat v reálném čase (IoMT) slouží k přenosu dat do jímky příjmu dat streamování s ověřováním zařízení, jako je například IoT Hub. Tato jímka by mohla být samostatná IoT Hub Azure nebo může být zahrnutá v plně spravované aplikační platformě, jako je Azure IoT Central , s akcelerátory řešení, jako je například Šablona monitorování průběžného pacienta.

  2. Data zařízení se pak přijímají do konektoru IoMT FHIR pro Azure, kde je normalizovaná, seskupená, transformovaná a trvalá v rozhraní Azure API pro FHIR.

  3. Zdroje dat, jako jsou elektronické lékařské systémy záznamů, systémy pro správu pacienta nebo laboratorní systémy, můžou generovat jiné formáty zpráv, jako jsou změněného HL7 zprávy, které se převádějí pomocí pracovního postupu pro ingestování a převod změněného HL7. Platforma pro příjem změněného HL7 spotřebovává zprávy změněného HL7 prostřednictvím MLLP a bezpečně je přenáší do Azure prostřednictvím HL7overHTTPS. data se započítávají do služby blob storage, která vytvoří událost na Azure Service Bus ke zpracování. ZMĚNĚNÉHO HL7 Convert je pracovní postup založený na aplikaci logiky Azure, který provádí obměna z změněného HL7 na FHIR prostřednictvím převaděče FHIR, uchovává zprávu do rozhraní Azure API pro instanci FHIR serveru.

  4. Data se exportují ze služby Azure FHIR a Azure Data Lake Gen2 pomocí funkce hromadného exportu . Citlivá data lze v rámci funkce exportu anonymita .

  5. Úlohy Azure Data Factory mají naplánované kopírování dalších zdrojů dat z místních nebo alternativních zdrojů do Azure Data Lake Gen 2.

  6. Použijte Azure Databricks k čištění a transformaci datových sad bez struktur a jejich kombinování se strukturovanými daty z provozních databází nebo datových skladů. Využijte škálovatelné techniky strojového učení a hloubkového učení, abyste z těchto dat pomocí Pythonu, R nebo Scala odvodili hlubší přehledy s využitím integrovaného poznámkového bloku v Azure Databricks. V tomto řešení využíváme datacihly k spojování spojených, ale různorodých datových sad, které se dají použít v rámci doby pobytu pacienta.

  7. Experimenty a vývoj modelu se projeví v Azure Databricks. integrace se službou Azure ML prostřednictvím mlflow umožňuje rychlé experimentování modelů se sledováním, úložištěm modelu a nasazením.

  8. publikujte školený modely pomocí Azure Machine Learning služby pro dávkové vyhodnocování prostřednictvím koncových bodů Azure Databricksnebo jako koncový bod v reálném čase pomocí Instance kontejneru azure nebo služby azure Kubernetes.

Komponenty

  • azure IoT Connector for FHIR je volitelná funkce azure API pro FHIR, která poskytuje schopnost ingestovat data ze zařízení IoMT (Internet of medicíny). další možností je, že kdokoli, kdo chce mít větší kontrolu a flexibilitu s IoT Connector, je konektor IoMT FHIR pro Azure open source projekt pro ingestování dat ze zařízení IoMT a uchování dat na serveru FHIR®. Zjednodušená šablona nasazení je k dispozici zde.

  • Azure Data Factory je služba pro integraci hybridních dat, která umožňuje vytvářet, plánovat a orchestrovat pracovní postupy ETL/ELT.

  • Azure API pro FHIR je plně spravovaná služba na podnikové úrovni pro data o stavu ve formátu FHIR.

  • Azure Data Lake Storage je široce škálovatelná a zabezpečená funkce služby Data Lake postavená na Azure Blob Storage.

  • Azure Databricks je rychlá, snadná a týmová platforma pro analýzy dat založená na Apache Spark.

  • Azure Machine Learning je cloudová služba pro školení, bodování, nasazení a správu modelů strojového učení ve velkém měřítku. tato architektura používá nativní podporu služby Azure Machine Learning pro MLflow k protokolování experimentů, ukládání modelů a nasazování modelů.

  • Power BI je sada nástrojů pro obchodní analýzy, které poskytují přehledy napříč vaší organizací. Připojení stovky zdrojů dat, zjednodušte přípravu dat a prořiďte interaktivní analýzu. Vytvářejte působivé sestavy a potom je publikujte ve vaší organizaci, abyste je mohli využívat na webu a napříč mobilními zařízeními.

Popis

Tady jsou popsané dva ukázkové projekty, které lze importovat do Azure Databricks. Poznámka: Tento režim Cluster úrovně Standard musí být použit pro předpověď délky poznámkových bloků stavu z důvodu použití kódu R.

  1. Sestava o stavu obyvatelstva v reálném čase s délkou předpovědi vlaky pomocí záznamů na úrovni chyb pro miliony nebo pacienty. schéma pro data odpovídá datům State Inpatient database (SID) od nákladů na zdravotní péči a využití Project(HCUP), aby se usnadnilo použití řešení se skutečnými HCUP daty. Je vhodný pro použití v podobných populacích pacientů, i když ale doporučujeme, aby nemocnice znovu procházely modelem s využitím vlastních historických dat o pacientech pro dosažení nejlepších výsledků. Řešení simuluje 610 klinických a demografických funkcí, včetně stáří, pohlaví, PSČ, diagnostiky, postupů, poplatků atd. o milion pacientech v 23 nemocnicích. Aby se tento model mohl použít u nově přihlášených pacientů, musí být vyškolený pomocí jenom funkcí dostupných pro každého pacienta v době jejich přijetí.

  2. předpověď opětovného využití specifického pro pacienty a zásah pro zdravotní péči používá diabetes datovou sadu , která byla původně vytvořena pro 1994 AAI jarní Symposium na umělých inteligentních prostředcích v lékařství, teď generously sdílená Dr. Michael Kahn v úložišti UCI Machine Learning.

Další kroky

  • architektury Azure health z Microsoft Health cloudového týmu & Data architektury, zahrnuje mnoho referenčních architektur získaných při práci úzce se zákazníky, partnery a spolupracovníky v doméně Health.
  • Nepřetržité monitorování pacientů nabízí šablonu aplikace, která může vytvářet řešení pro monitorování nepřetržitého pacienta.
  • Lékařský Imaging Server for DICOM je implementace DICOMweb™ .NET Core, kterou je možné spustit v Azure.
  • OpenHack for FHIR je kolekce kurzů založených na OpenHack, které se dají použít k získání informací o službách souvisejících s FHIR v Azure.