Bearbeiten

Population Health Management für das Gesundheitswesen

Azure Data Factory
Azure Databricks
Azure
Power BI
Azure Machine Learning

Lösungsmöglichkeiten

Dieser Artikel ist ein Lösungsvorschlag. Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen.

In dieser Lösung verwenden wir die klinischen und sozioökonomischen Daten stationärer Patienten, die von Krankenhäusern für Berichte zur Bevölkerungsgesundheit generiert werden.

Aufbau

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

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

  1. Geräte, die in Echtzeit Daten generieren, (IoMT) übertragen Daten mit einer Geräteauthentifizierung wie Azure IoT Hub an eine Erfassungssenke für Streamingdaten. Diese Senke könnte ein eigenständiger Azure IoT Hub sein, oder sie könnte in einer vollständig verwalteten Anwendungsplattform wie Azure IOT Central enthalten sein, mit Solution Accelerators wie einer Vorlage für die kontinuierliche Patientenüberwachung.

  2. Die Gerätedaten werden dann im IoMT FHIR-Connector für Azure empfangen, wo sie normalisiert, gruppiert, transformiert und in der Azure API for FHIR dauerhaft gespeichert werden.

  3. Datenquellen wie elektronische Gesunheitsaktensysteme (EMR, Electronic Medical Record), Patientenverwaltungssysteme oder Laborsysteme können andere Nachrichtenformate generieren, z. B. HL7-Nachrichten, die über einen HL7-Erfassungs- und -Konvertierungsworkflow konvertiert werden. Die HL7-Erfassungsplattform nutzt HL7-Nachrichten über MLLP und überträgt sie sicher mittels „HL7overHTTPS“ an Azure. Die Daten werden in Blob Storage gespeichert, wodurch ein Ereignis im Azure Service Bus zur Verarbeitung erzeugt wird. Die HL7-Konvertierung ist ein Azure Logic Apps-basierter Workflow, der eine geordnete Konvertierung von HL7 in FHIR über den FHIR-Konverter durchführt und die Nachricht auf einer Azure API for FHIR-Serverinstanz dauerhaft ablegt.

  4. Daten werden mithilfe des Massenexportfeatures aus dem Azure FHIR-Dienst nach Azure Data Lake Gen2 exportiert. Vertrauliche Daten können im Rahmen der Exportfunktion anonymisiert werden.

  5. Azure Data Factory-Aufträge werden so geplant, dass andere Datenquellen aus lokalen oder alternativen Quellen in Azure Data Lake Gen 2 kopiert werden.

  6. Verwenden Sie Azure Databricks, um die strukturlosen Datasets zu bereinigen und zu transformieren und mit strukturierten Daten aus operativen Datenbanken oder Data Warehouses zu kombinieren. Verwenden Sie mit Notebook-Funktionen, die in Azure Databricks integriert sind, skalierbare Machine Learning- und Deep Learning-Techniken, um mithilfe von Python, R oder Scala tiefere Einblicke in diese Daten zu erhalten. In dieser Lösung verwenden wir Databricks, um verwandte, aber unterschiedliche Datasets für die Verwendung im Modell für die Aufenthaltsdauer von Patienten zusammenzuführen.

  7. Experimentieren und Modellentwicklung erfolgen in Azure Databricks. Die Integration in Azure ML über MLflow ermöglicht schnelle Modellexperimente mit Nachverfolgung, Modellrepository und Bereitstellung.

  8. Veröffentlichen Sie trainierte Modelle mit Azure Machine Learning Service für die Batchbewertung über Azure Databricks-Endpunkte oder als Echtzeitendpunkt mithilfe einer Azure Container Instance oder mit Azure Kubernetes Service.

Komponenten

  • Azure IoT-Connector für FHIR ist ein optionales Feature von Azure API for FHIR, das die Erfassung von Daten von IoMT-Geräten (Internet of Medical Things) ermöglicht. Alternativ kann jeder, der mehr Kontrolle und Flexibilität mit dem IoT-Connector wünscht, den IoMT FHIR-Connector für Azure verwenden, ein Open-Source-Projekt zum Erfassen von Daten von IoMT-Geräten und zum dauerhaften Speichern der Daten auf einem FHIR®-Server.

  • Azure Data Factory ist ein Hybriddienst für die Datenintegration, mit dem Sie Ihre ETL/ELT-Workflows erstellen, planen und orchestrieren können.

  • Azure API for FHIR ist ein vollständig verwalteter Dienst auf Unternehmensniveau für Gesundheitsdaten im FHIR-Format.

  • Azure Data Lake Storage ist eine hochgradig skalierbare, sichere Data Lake-Funktionalität auf Basis von Azure Blob Storage.

  • Azure Databricks ist eine schnelle, einfache und zusammenarbeitsorientierte Datenanalyseplattform auf Apache Spark-Basis.

  • Azure Machine Learning ist ein Clouddienst für das bedarfsorientierte Trainieren, Bewerten, Bereitstellen und Verwalten von Machine Learning-Modellen. Diese Architektur verwendet die native Unterstützung des Azure Machine Learning Service für MLflow, um Experimente zu protokollieren sowie Modelle zu speichern und bereitzustellen.

  • Power BI ist eine Suite von Business Analytics-Tools, die für Ihre gesamte Organisation Erkenntnisse bereitstellen. Stellen Sie eine Verbindung mit Hunderten von Datenquellen her, vereinfachen Sie die Datenvorbereitung, und führen Sie interaktive Analysen durch. Erzeugen Sie hochwertige Berichte, und veröffentlichen Sie sie dann für Ihre Organisation zur Nutzung im Web und auf mobilen Geräten.

Szenariodetails

Population Health Management ist ein wichtiges Instrument, das von Gesundheitsdienstleistern zunehmend genutzt wird, um die ausufernden Kosten einzudämmen. Der Kern von Population Health Management ist die Verwendung von Daten zur Verbesserung der Gesundheitsergebnisse. Nachverfolgung, Überwachung und Benchmarking sind die drei Grundpfeiler von Population Health Management, mit denen die Behandlungs- und Gesundheitsergebnisse verbessert und die Kosten verwaltet und reduziert werden sollen.

Als Beispiel für eine Machine Learning-Anwendung mit Population Health Management wird ein Modell verwendet, um die Dauer des Krankenhausaufenthalts vorherzusagen. Es ist für Krankenhäuser und Gesundheitsdienstleister vorgesehen, um die Kosten des Gesundheitswesens durch Krankheitsprävention und -management unter Kontrolle zu halten. Im Handbuch zur manuellen Bereitstellung für die Lösung erfahren Sie mehr über die verwendeten Daten und das Modell für die Dauer des Krankenhausaufenthalts. In den Krankenhäusern können diese Ergebnisse verwendet werden, um die Pflegemanagementsysteme zu optimieren und ihre klinischen Ressourcen auf Patienten mit dringenderem Bedarf zu konzentrieren. Wenn die Krankenhäuser durch Berichte zur Populationsgesundheit die Patientengruppen besser kennen, erleichtert dies ihnen den Wechsel von der Einzelleistungsabrechnung zu wertorientierter Gesundheitsversorgung. Kostensenkungen und eine bessere Gesundheitsversorgung gehen damit einher.

Mögliche Anwendungsfälle

Diese Lösung eignet sich ideal für die Gesundheitsbranche. Sie kann in folgenden Szenarien verwendet werden:

  • Überwachung von Patienten
  • Klinische Studien
  • Intelligente Krankenhäuser („Smart Clinics“)

Bereitstellen dieses Szenarios

Hier werden zwei Beispielprojekte ausführlich beschrieben, die in Azure Databricks importiert werden können. Der Standardclustermodus muss aufgrund der Verwendung von R-Code für die „Vorhersage der Aufenthaltsdauer“-Notebooks verwendet werden. Sie können die Lösung in den folgenden Beispielen bereitstellen:

  1. Live Population Health Report with Length of Stay predictions (Livebericht zur Bevölkerungsgesundheit mit Vorhersagen zur Aufenthaltsdauer) trainiert ein Modell mit Patientenkontakten basierenden Datensätzen („encounter level“) für etwa eine Million Patienten. Das Schema für Daten stimmt mit den SID-Daten (State Inpatient Databases) aus dem Healthcare Cost and Utilization Project (HCUP) überein, um die Verwendung der Lösung mit echten HCUP-Daten zu erleichtern. Es eignet sich für die Verwendung bei ähnlichen Patientengruppen, obwohl wir empfehlen, dass Krankenhäuser das Modell mit eigenen Patientendaten aus der Vergangenheit erneut trainieren, um optimale Ergebnisse zu erzielen. Die Lösung simuliert 610 klinische und demografische Merkmale, einschließlich Alter, Geschlecht, Postleitzahl, Diagnosen, Verfahren/Eingriffe, Gebühren usw. für etwa eine Million Patienten in 23 Krankenhäusern. Um das Modell auf neu aufgenommene Patienten anzuwenden, muss es ausschließlich mit Merkmalen trainiert werden, die für den jeweiligen Patienten zum Zeitpunkt der Aufnahme verfügbar sind.

  2. Die patientenspezifische Vorhersage von Wiederaufnahmen und Eingriffen für das Gesundheitswesen verwendet ein Diabetes-Dataset, das ursprünglich für das AAI Spring Symposium zur künstlichen Intelligenz in der Medizin 1994 erzeugt wurde und jetzt großzügigerweise von Dr. Michael Kahn im UCI Machine Learning Repository geteilt wird.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:

Hauptautor:

Nächste Schritte

  • Die kontinuierliche Patientenüberwachung stellt eine App-Vorlage bereit, mit der eine Lösung für die kontinuierliche Patientenüberwachung erstellt werden kann.
  • Medical Imaging Server für DICOM ist eine .NET Core-Implementierung von DICOMweb™, die in Azure ausgeführt werden kann.
  • OpenHack for FHIR ist eine Sammlung von OpenHack-basierten Tutorials, die verwendet werden können, um mehr über die FHIR-bezogenen Dienste in Azure zu erfahren.

Produktdokumentation: