Partager via


Service MedTech et Service Azure Machine Learning

Notes

Fast Healthcare Interoperability Resources (FHIR®) est une spécification de santé ouverte.

Dans cet article, découvrez comment utiliser le service MedTech et Azure Machine Learning Service.

Architecture de référence du service MedTech et du service Azure Machine Learning

Le service MedTech permet aux appareils IoT de s’intégrer en toute transparence aux services FHIR. Cette architecture de référence est conçue pour accélérer l’adoption des projets IoT (Internet des objets). Cette solution utilise Azure Databricks pour le calcul Machine Learning (ML). Toutefois, Azure Machine Learning Services avec Kubernetes ou une solution ML partenaire peut s’intégrer dans l’environnement de scoring Machine Learning.

Les quatre couleurs de ligne montrent les différentes parties du parcours de données.

  • Bleu = données IoT vers le service FHIR.
  • Vert = chemin des données pour le scoring des données IoT
  • Rouge = Chemin d’accès chaud pour les données afin d’informer les cliniciens du risque du patient. L’objectif du chemin chaud est d’être aussi proche que possible du temps réel.
  • Orange = chemin d’accès chaud pour les données. Toujours soutenir les cliniciens dans les soins aux patients. Les demandes de données sont généralement déclenchées manuellement ou selon une planification d’actualisation.

Capture d’écran de l’architecture de référence du service MedTech et du service Machine Learning.

Ingestion des données : étapes 1 à 5

  1. Données provenant d’un appareil IoT ou d’une passerelle d’appareil envoyées à Azure IoT Hub/Azure IoT Edge.
  2. Les données d’Azure IoT Edge envoyées à Azure IoT Hub.
  3. Copie des données brutes des appareils IoT envoyées à un environnement de stockage sécurisé pour l’administration des appareils.
  4. La charge utile IoT passe de Azure IoT Hub au service MedTech. L’icône du service MedTech représente plusieurs services Azure.
  5. Trois parties au numéro cinq :
    1. Le service MedTech demande une ressource patient auprès du service FHIR.
    2. Le service FHIR renvoie la ressource Patient au service MedTech.
    3. L’observation des patients IoT est enregistrée dans le service FHIR.

Machine Learning et IA Data Route : étapes 6 à 11

  1. Flux de données non groupées normalisé envoyé à une fonction Azure (entrée ML).
  2. Azure Function (ML Input) demande à la ressource Patient de fusionner avec la charge utile IoT.
  3. La charge utile IoT est envoyée à un event hub pour être distribuée au calcul et au stockage Machine Learning.
  4. La charge utile IoT est envoyée à Azure Data Lake Storage gen 2 pour l’observation du scoring sur des fenêtres de temps plus longues.
  5. La charge utile IoT est envoyée à Azure Databricks pour le fenêtrage, l’ajustement des données et le scoring des données.
  6. Azure Databricks demande davantage de données patient à partir du lac de données en fonction des besoins.
    1. Azure Databricks envoie également une copie des données notées au lac de données.

Coordination des notifications et des soins : étapes 12 à 18

Chemin à chaud

  1. Azure Databricks envoie une charge utile à une fonction Azure (sortie ML).
  2. Ressource RiskAssessment et/ou Flag envoyée au service FHIR.
    1. Pour chaque fenêtre d’observation, une ressource RiskAssessment est envoyée au service FHIR.
    2. Pour les fenêtres d’observation où l’évaluation des risques est en dehors de la plage acceptable, une ressource Flag doit également être envoyée au service FHIR.
  3. Données notées envoyées au référentiel de données pour le routage vers l’équipe de soins appropriée. Azure SQL Server est le référentiel de données utilisé dans cette conception en raison de son interaction native avec Power BI.
  4. Le tableau de bord Power BI est mis à jour avec la sortie Évaluation des risques en moins de 15 minutes.

Chemin à chaud

  1. Power BI actualise le tableau de bord selon la planification de l’actualisation des données. En règle générale, plus de 15 minutes entre les actualisations.
  2. Remplissez l’application Care Team avec les données actuelles.
  3. Coordination des soins via Microsoft Teams for Healthcare application patient.

Étapes suivantes

Dans cet article, vous avez découvert l’intégration du service MedTech et du service Machine Learning.

Pour obtenir une vue d’ensemble du service MedTech, consultez

Pour en savoir plus sur la transformation des données des messages d’appareil de service MedTech, consultez

Pour en savoir plus sur les méthodes de déploiement du service MedTech, consultez

FHIR® est une marque déposée de la Health Level Seven International, enregistrée auprès de l’U.S. Trademark Office et utilisée avec leur autorisation.