Ez az Azure-megoldás a kórházi vezetésnek nyújt segítséget azzal, hogy a gépi tanulás felhasználásával lehetővé teszi a kórházi kezelések időtartamának előrejelzését, és ezzel együtt a kapacitástervezést és az erőforrások kihasználtságát is. Az egészségügyi igazgató egy prediktív modell használatával állapíthatja meg, hogy mely létesítményeket lehet túlterhelni, és mely erőforrásokat kell ezen létesítményeken belül támogatni. Az ellátási vonal kezelője modell segítségével állapíthatja meg, hogy vannak-e megfelelő személyzeti erőforrások a beteg kiadásának kezeléséhez.
Architektúra
Töltse le az architektúra Visio-fájlját.
Adatfolyam
A következő adatfolyam a fenti diagramnak felel meg:
Az elektronikus egészségügyi rekordokból (EHR) és az elektronikus orvosi rekordokból (EMR) származó anonimizált egészségügyi adatok kinyerése az Azure Data Factory használatával történik a megfelelő futtatókörnyezettel (például: Azure, saját üzemeltetésű). Ebben a forgatókönyvben feltételezzük, hogy az anonimizált adatok elérhetők kötegelt kinyeréshez az Azure Data Factory egyik összekötőjével, például ODBC, Oracle, SQL használatával. Más adatforrások, például az FHIR-adatok, megkövetelhetik egy közvetítő betöltési szolgáltatás, például az Azure Functions felvételét.
Az Azure Data Factory-adatok a Data Factoryn keresztül áramlik az Azure Data Lake Storage-ba (gen 2). Ez a folyamat nem tárol adatokat az Azure Data Factoryben, és ebben a lépésben az olyan hibák, mint az megszakadt kapcsolatok, kezelhetők/újrapróbálhatók.
Az Azure Machine Tanulás gépi tanulási algoritmusok/folyamatok a 2. lépésben betöltött adatokra való alkalmazására szolgál. Az algoritmusok a követelményektől függően eseményalapúan, ütemezetten vagy manuálisan is alkalmazhatók. Ez különösen a következőket foglalja magában:
3.1 Betanítás – A betöltött adatok egy gépi tanulási modell betanítására használhatók olyan algoritmusok kombinációjával, mint a lineáris regresszió és a színátmenettel megnövelt döntési fa. Ezeket az algoritmusokat általában a folyamatok különböző keretrendszerei (például scikit-learn) biztosítják, és tartalmazhatnak folyamatelő/utófeldolgozási lépéseket is. Például a páciensek egészségügyi tényezői, például a meglévő előre feldolgozott (például null értékű sorok elvetése) EMR/EHR-adatokból származó beléptetési típusok felhasználhatók egy regressziós modell, például a lineáris regresszió betanítására. A modell ezután képes lesz előrejelezni egy új beteg hosszú tartózkodását.
3.2 Ellenőrzés – A modell teljesítménye összehasonlítható a meglévő modellekkel/tesztadatokkal, valamint az alárendelt felhasználású célokkal, például az alkalmazásprogramozási felületekkel (API-kkal).
3.3 Üzembe helyezés – A modell egy tárolóval van csomagolva különböző célkörnyezetekben való használatra.
3.4 Monitor – A rendszer összegyűjti és figyeli a modell előrejelzéseit, hogy a teljesítmény ne csökkenjen az idő múlásával. Riasztások küldhetők a modell manuális vagy automatikus újratanításának/frissítésének aktiválásához, ha szükséges, a figyelési adatok használatával. Vegye figyelembe, hogy a kinyert monitorozási adatok típusától függően további szolgáltatásokra, például az Azure Monitorra is szükség lehet.
Az Azure Machine Tanulás kimeneti folyamatokat az Azure Synapse Analyticsbe. A modell kimenete (a betegek várható tartózkodási ideje) skálázható, dedikált SQL-készlethez hasonló rétegben, skálázható, a meglévő betegadatokkal kombinálva lesz. A Synapse Analytics ezen a ponton további elemzéseket végezhet, például a kórházi tartózkodás átlagos hosszát.
Az Azure Synapse Analytics adatokat biztosít a Power BI-nak. A Power BI a (4) lépésben a kiszolgáló réteghez csatlakozva kinyeri az adatokat, és további szemantikai modellezést alkalmaz.
A Power BI-t az ellátóvonal-kezelő és a kórházi erőforrás-koordinátor elemzi .
Összetevők
Az Azure Data Factory (ADF) teljes körűen felügyelt, kiszolgáló nélküli adatintegrálási és vezénylési szolgáltatást biztosít, amely több mint 90 beépített, karbantartásmentes összekötővel képes vizuálisan integrálni az adatforrásokat további költségek nélkül. Ebben a forgatókönyvben az ADF az adatok betöltésére és az adatfolyamok vezénylésére szolgál.
Az Azure Data Lake (ADLS) skálázható biztonságos data lake-t biztosít a nagy teljesítményű elemzésekhez. Ebben a forgatókönyvben az ADLS skálázható, költséghatékony adattárolási rétegként használatos.
Az Azure Machine Tanulás (AML) szolgáltatásai az alábbiakkal gyorsítják fel a teljes los előrejelzési gépi tanulási életciklust:
- Az adattudósok és a fejlesztők hatékony szolgáltatások széles skáláját kínálják a gépi tanulási modellek létrehozásához, betanításához és üzembe helyezéséhez, valamint a csapatmunkához.
- Az iparágvezető MLOps– gépi tanulási műveletek vagy a gépi tanuláshoz használható DevOps – piacra vitelének felgyorsítása.
- Innováció egy biztonságos, megbízható platformon, amely felelős gépi tanulásra lett tervezve.
Ebben a forgatókönyvben az AML az a szolgáltatás, amelyet a páciensek tartózkodásának előrejelzésére és a teljes modell életciklusának kezelésére használnak.
Azure Synapse Analytics: egy korlátlan elemzési szolgáltatás, amely egyesíti az adatintegrációt, a nagyvállalati adattárházat és a big data elemzést. Ebben a forgatókönyvben a Synapse a modell előrejelzéseinek beépítésére szolgál a meglévő adatmodellbe, és nagy sebességű kiszolgálóréteget biztosít az alsóbb rétegbeli felhasználáshoz.
A Power BI nagyvállalati szintű önkiszolgáló elemzést biztosít, amely lehetővé teszi a következő lehetőségeket:
- Hozzon létre egy adatvezérelt kultúrát mindenki számára üzleti intelligenciával.
- Az iparágvezető adatbiztonsági funkciókkal, például a bizalmassági címkézéssel, a végpontok közötti titkosítással és a valós idejű hozzáférés-monitorozással megőrizheti adatai biztonságát.
Ebben a forgatókönyvben a Power BI-t használjuk végfelhasználói irányítópultok létrehozására és az irányítópultokon szükséges szemantikai modellezés alkalmazására.
Alternatívák
- Az olyan Spark-szolgáltatások, mint az Azure Synapse Analytics Spark és az Azure Databricks , alternatívaként használhatók a gépi tanulás végrehajtásához az adatelemzési csapat adatskálájától és képességkészletétől függően.
- Az MLFlow a teljes életciklus kezelésére használható az Azure Machine Tanulás alternatívaként az ügyfél készségeitől/környezetétől függően.
- Az Azure Synapse Analytics-folyamatok a legtöbb esetben az Azure Data Factory alternatívaként használhatók, nagyrészt az adott ügyfélkörnyezettől függően.
Forgatókönyv részletei
Az egészségügyi intézményt működtető személyek számára a tartózkodás időtartama (LOS) – a betegfelvételtől a mentesítésig tartó napok száma – számít. Ez a szám azonban eltérő lehet a létesítmények és a betegségi feltételek és a szakterületek között, még ugyanabban az egészségügyi rendszerben is, ami megnehezíti a betegek áramlásának nyomon követését és ennek megfelelően történő tervezését.
Ez a megoldás lehetővé teszi a los prediktív modellt a kórházi felvételhez. A LOS-t a kezdeti beengedés időpontjától a beteg bármely adott kórházi intézményből való kivezetésének napjától számított napok száma határozza meg. A LOS-nak jelentős változata lehet a különböző létesítmények, betegségi feltételek és szakterületek között, még ugyanabban az egészségügyi rendszerben is.
Az olyan tanulmányok, mint a betegek tartózkodásának hossza az ellátás minőségéhez kapcsolódik? kimutatták, hogy a hosszabb kockázattal korrigált LOS összefüggésben van az alacsonyabb ellátásminőséggel. A speciális LOS-előrejelzés a felvételkor javíthatja a betegek ellátásának minőségét azáltal, hogy a szolgáltatóknak egy elvárt LOS-t adnak, amelyet metrikaként használhatnak az aktuális beteg LOS-ával való összehasonlításhoz. Ez segíthet biztosítani, hogy a vártnál hosszabb LOS-betegek megfelelő figyelmet kapjanak. A LOS-előrejelzés segít a kibocsátás pontos tervezésében is, ami a különböző egyéb minőségi intézkedések, például a visszafogadások csökkenését eredményezi.
Lehetséges használati esetek
Két különböző üzleti felhasználó van a kórházvezetésben, akik várhatóan megbízhatóbb előrejelzéseket kaphatnak a tartózkodás időtartamáról, valamint a betegek családjairól:
- A tiszti főorvos (CMIO), aki megosztja a szakadékot az informatika/technológia és az egészségügyi szakemberek egy egészségügyi szervezet. E munkakörben a leggyakoribb feladat általában annak meghatározása, hogy a kórházi hálózatban megfelelően vannak-e elosztva az erőforrások. Ehhez különböző elemzőeszközök állnak rendelkezésre. A CMIO-nak képesnek kell lennie meghatározni, hogy mely létesítményeket túlterhelik, és konkrétan milyen erőforrásokat kell támogatni az ilyen erőforrások igény szerinti újraelosztásához.
- A gondozási vonal vezetője, aki közvetlenül részt vesz a betegek ellátásában. Ehhez a szerepkörhöz szükség van az egyes betegek állapotának monitorozására, valamint annak biztosítására, hogy a személyzet rendelkezésre álljon a betegek speciális ápolási követelményeinek való megfelelés érdekében. A gondozási vonal vezetője pontos orvosi döntéseket hozhat, és előre igazíthatja a megfelelő erőforrásokat. Például a LOS előrejelzésének képessége:
- mivel a betegek kockázatának kezdeti értékelése kritikus fontosságú a jobb erőforrás-tervezés és -kiosztás szempontjából, különösen akkor, ha az erőforrások korlátozottak, mint az ICU-k esetében.
- lehetővé teszi a gondozási vonal kezelői számára annak megállapítását, hogy a személyzet erőforrásai megfelelőek-e a beteg kiadásának kezeléséhez.
- A los in ICU előrejelzése a betegek és családtagjaik, valamint a biztosítótársaságok számára is előnyös. A kórházból való mentesítés várható dátuma segít a betegeknek és családtagjaiknak megérteni és megbecsülni az orvosi költségeket. Emellett a családoknak képet adnak a betegek gyógyulási sebességéről, és segítenek nekik megtervezni a mentesítést és kezelni a költségvetésüket.
Megfontolások
Ezek a szempontok implementálják az Azure Well-Architected Framework alappilléreit, amely a számítási feladatok minőségének javítására használható vezérelvek halmaza. További információ: Microsoft Azure Well-Architected Framework.
Költségoptimalizálás
A költségoptimalizálás a szükségtelen kiadások csökkentésének és a működési hatékonyság javításának módjairól szól. További információ: A költségoptimalizálási pillér áttekintése.
Ennek a megoldásnak a legdrágább összetevője a számítás, és többféleképpen is skálázható költséghatékonyan az adatmennyiséggel. Ilyen például egy Spark-szolgáltatás, például az Azure Synapse Analytics Spark vagy az Azure Databricks használata az adatmérnöki munkához, szemben egy csomópontos megoldással. A Spark horizontálisan skálázható, és költséghatékonyabb a nagyméretű, függőlegesen skálázott egycsomópontos megoldásokhoz képest.
Az architektúrában konfigurált összes Azure-összetevő díjszabása ebben az Azure-díjkalkulátor által mentett becslésben található. Ez a becslés a becsült kezdeti és havi költségek megjelenítésére van konfigurálva egy olyan alapszintű implementáció esetében, amely hétfőtől péntekig 9:00 és 17:00 között fut.
Működés eredményessége
Az üzemeltetési kiválóság azokat az üzemeltetési folyamatokat fedi le, amelyek üzembe helyeznek egy alkalmazást, és éles környezetben tartják azt. További információ: A működési kiválósági pillér áttekintése.
A szilárd gépi Tanulás műveletek (MLOps) gyakorlata és implementációja kritikus szerepet játszik az ilyen típusú megoldások élesítésében. További információ: Gépi tanulási műveletek (MLOps).
Teljesítmény hatékonysága
A teljesítménybeli hatékonyság lehetővé teszi, hogy a számítási feladatok hatékonyan méretezhetők legyenek a felhasználók igényei szerint. További információ: Teljesítményhatékonysági pillér áttekintése.
Ebben a forgatókönyvben az adatok előfeldolgozása az Azure Machine Tanulás történik. Bár ez a kialakítás kis és közepes adatkötetek esetén is működik, a nagy adatmennyiségek vagy a közel valós idejű SLA-k használata teljesítmény szempontjából nehézkes lehet. Az ilyen típusú problémák megoldásának egyik módja egy Olyan Spark-szolgáltatás használata, mint az Azure Synapse Analytics Spark vagy az Azure Databricks adatmérnöki vagy adatelemzési számítási feladatokhoz. A Spark horizontálisan skálázható, és a kialakítás szerint oszlik el, így nagy adathalmazok nagyon hatékonyan dolgozhatók fel.
Biztonság
A biztonság biztosítékokat nyújt a szándékos támadások és az értékes adatokkal és rendszerekkel való visszaélés ellen. További információ: A biztonsági pillér áttekintése.
Fontos
Ez az architektúra anonimizált és nem anonimizált állapotadatokkal is működni fog. A biztonságos megvalósítás érdekében azonban azt javasoljuk, hogy az egészségügyi adatok anonimizált formában, EHR- és EMR-forrásokból származnak.
Az Azure Machine Tanulás számára elérhető biztonsági és szabályozási funkciókkal kapcsolatos további információkért tekintse meg az Azure Machine Tanulás vállalati biztonságáról és szabályozásáról szóló szakaszt.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerzők:
- Dhanshri Egyebek | Fő felhőmegoldás-tervező
- DJ Dékán | Fő felhőmegoldás-tervező
A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.
Következő lépések
Az architektúra megvalósításával kapcsolatos technológiák és erőforrások:
- Próbálja ki az architektúrában említett Azure-szolgáltatásokhoz elérhető rövid útmutatókat és oktatóanyagokat:
- Microsoft Cloud for Healthcare-erőforrások :
- További információ az adatkezelési szempontokról
- A Microsoft Cloud Solution Centerben elérhető adatkezelési megoldások egyikének kipróbálása
- Tekintse át a rendelkezésre álló referenciaarchitektúrákat, beleértve az egészségügyi adatok jellemzőit is
Kapcsolódó erőforrások
Tekintse meg az architektúrához kapcsolódó további Azure Architecture Center-tartalmakat: