Předpověď délky pobytu v nemocnicích

Data Science Virtual Machine
Power BI
SQL Server

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!

Toto řešení umožňuje prediktivní model pro délku zůstatku pro přístup do nemocnice. Délka zůstatku (LOS) se definuje v počtu dnů od počátečního data přijetí do data, kdy byl pacient z jakéhokoliv daného nemocnice ochucen.

Architektura

Diagram architektury Stáhněte si SVG této architektury.

Nasazení

Pokyny k nasazení a další podrobnosti o technické implementaci najdete v článku Predikce délky GitHub v nemocnicích.

Přehled

Toto řešení umožňuje prediktivní model pro délku zůstatku pro přístup do nemocnice. Délka zůstatku (LOS) se definuje v počtu dnů od počátečního data přijetí do data, kdy byl pacient z jakéhokoliv daného nemocnice ochucen. V různých zařízeních a v různých zařízeních a napříč podmínkami a specializacemi v rámci stejného zdravotnického systému může do značného množství variace. Pokročilá predikce LOS v době přístupu může do velké míry zvýšit kvalitu péče i efektivitu provozních úloh a pomoct s přesným plánováním počtů, což vede ke snížení různých dalších opatření kvality, jako je například vyřazení z provozu.

Obchodní perspektiva

Ve správě nemocnice existují dva podniku, kteří mohou očekávat výhody spolehlivějších předpovědí délky trvání rezervace. Jsou to:

  • Ředitel cmio (Chiefs Medical Information Officer), který v organizaci zdravotní péče rozděluje mezi informatiky a technologie a odborníky na zdravotní péči. Mezi jejich povinnosti obvykle patří použití analýz k určení, jestli se prostředky přidělují odpovídajícím způsobem v síti nemocnice. V rámci toho cmio musí být schopné určit, která zařízení jsou přetížná, a konkrétně to, jaké prostředky v těchto zařízeních může být potřeba posílit, aby bylo možné takové prostředky znovu srovnat s poptávkou.
  • Care Line Manager, který je přímo zapojený do péče o pacienty. Tato role vyžaduje monitorování stavu jednotlivých pacientů a také zajištění, že zaměstnanci jsou k dispozici pro splnění konkrétních požadavků na péči o jejich pacienty. Správce care line služeb musí také spravovat péči o pacienty. Schopnost predikovat los pacienta umožňuje manažerům care line určit, jestli budou personální prostředky dostatečné pro zpracování uvolnění pacienta.

Datoví vědci perspektivy

SQL Server Machine Learning Services je funkce v SQL Server, která umožňuje spouštět skripty R s relačními daty. K prediktivní analýze a strojové učení můžete použít open source balíčky a architektury a balíčky Microsoft R. Skripty se spouštěly v databázi bez přesunu dat mimo SQL Server nebo přes síť.

Toto řešení vás provede kroky potřebnými k vytvoření a zpřesnění dat, trénování modelů R a bodování na SQL Server počítači. Konečná tabulka s skóre databáze v SQL Server poskytuje předpovězené LOS pro každého pacienta. Tato data se pak vizualizovat v Power BI. (Simulovaná data se v této šabloně používají k ilustraci funkce.)

Datoví vědci, kteří testují a vyvíjejí řešení, mohou pohodlně pracovat se svým upřednostňovaným prostředím IDE jazyka R na místním počítači a zároveň nasazuje výpočetní prostředky do SQL Server. Hotová řešení se nasadí do SQL Server vložením volání do R v uložených procedurách. Tato řešení je pak možné dále automatizovat pomocí SQL Server Integration Services a SQL Server agenta.

Toto řešení zahrnuje kód R, který potřebuje datový vědec ve složce R. Zobrazuje uložené procedury (soubory .sql), které je možné nasadit ve složce SQLR. Kliknutím na tlačítko Deploy to Azure (Nasadit do Azure) otestujte automatizaci a celé řešení bude dostupné ve vašem předplatném Azure.

Ceny

Za vaše předplatné Azure použité k nasazení se budou za služby používané v tomto řešení nabíjet poplatky za spotřebu. Podrobnosti o cenách najdete na stránce s cenami Azure.

Komponenty

Další kroky