Population Health Management for Healthcare

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

Solution Idea

Ha szeretné látni, hogyan bővítjük ki ezt a cikket olyan további információkkal, mint a lehetséges esetek, az alternatív szolgáltatások, az implementációval kapcsolatos megfontolások vagy a díjszabási útmutató, GitHub visszajelzéssel!

A Population Health Management egy fontos eszköz, amelyet egyre több egészségügyi szolgáltató használ az eszkalációs költségek kezelésére és szabályozására. A Population Health Management alapesetben az egészségügyi eredmények javítására használja az adatokat. A nyomon követés, a monitorozás és a jelölő jelölés a Population Health Management három bástya, amelynek célja a klinikai és egészségügyi eredmények javítása a költségek kezelése és csökkentése mellett.

Ebben a megoldásban a kórház által a populáció egészségügyi jelentéséhez létrehozott klinikai és társadalmi-gazdasági adatokat fogjuk használni. A népesség egészségügyi felügyeletével használható gépi tanulási alkalmazás példájaként egy modellt használnak a kórházi ellátás hosszának előrejelzésére. A kórház és az egészségügyi szolgáltatók számára a betegség-megelőzéssel és -kezeléssel kezelik és irányítják az egészségügyi kiadásokat. A felhasznált adatokról és a kórházi otthon maradás modelljének hosszáról a megoldás manuális üzembe helyezési útmutatója nyújt további információt. A kórház ezekkel az eredményekkel optimalizálhatja az ellátáskezelő rendszereket, és a klinikai erőforrásaikat a sürgősebb szükségű betegekre összpontosíthatja. A lakosság egészségügyi jelentéskészítésével szolgáló közösségek megértése segíthet a kórháznak a szolgáltatásokért fizetendő díjakról az értékalapú ellátásra való áttérésben, miközben csökkenti a költségeket és jobb ellátást nyújt.

Példák

  • Betegfigyelés

  • Klinikai kísérletek

  • Smart Clinics

Architektúra

Architektúradiagram Az architektúra SVG-nek letöltése.

Adatfolyam

  1. A valós idejű adatgeneráló eszközök (IoMT) adatokat továbbítnak egy streamelési adatbecsülési fogadóba eszközhitelesítéssel (például IoT Hub. Ez a fogadó lehet egy önálló Azure IoT Hub vagy része lehet egy teljes körűen felügyelt alkalmazásplatformnak, például az Azure IOT Centralnak olyan megoldásgyorsítók használatával, mint a folyamatos betegfigyelési sablon.

  2. Az eszközadatokat ezután az Azure-hoz való IoMT FHIR-összekötőhöz kapják meg, ahol normalizálják, csoportosítják, átalakítják és a felhőben Azure API for FHIR.

  3. Az olyan adatforrások, mint az elektronikus orvosi nyilvántartási rendszerek, a betegfelügyeleti rendszerek vagy a laborrendszerek más üzenetformátumokat is létrehozhatnak, például HL7-üzeneteket, amelyek HL7-be- és átalakítási munkafolyamattal konvertálhatók. A HL7 bemenő platform AZ MLLP-n keresztül HL7-üzeneteket használ fel, és biztonságosan továbbítja azokat az Azure-ba a HL7overHTTPS használatával. Az adatok a blobtárolóba vannak behozva, amely létrehoz egy eseményt az Azure Service Bus feldolgozásra. A HL7-átalakítás egy Azure Logic App-alapú munkafolyamat, amely az FHIR Converter segítségével végrehajtja a HL7-ről FHIR-re való megfelelő átalakítást, és egy Azure API for FHIR server-példányban

  4. Az adatok az Azure FHIR szolgáltatásból az Azure Data Lake Gen2-be exportálhatók a tömeges exportálás funkcióval. A bizalmas adatok anonimizálhatók az exportálási funkció részeként.

  5. Azure Data Factory feladatok más adatforrások helyszíni vagy alternatív forrásokból az Azure Data Lake Gen2-be való másolására vannak ütemezve.

  6. A Azure Databricks strukturálatlan adatkészletek megtisztítása és átalakítása, valamint az operatív adatbázisokból vagy adattárházból származó strukturált adatok kombinálása. Skálázható gépi tanulási/mély tanulási technikákkal mélyebb elemzéseket nyerhet ki ezekből az adatokból a Python, R vagy Scala használatával, az adatok beépített jegyzetfüzetekkel való Azure Databricks. Ebben a megoldásban a Databricks használatával összehozzuk a kapcsolódó, de különböző adatkészleteket, amelyek a betegek maradása modellben használhatók.

  7. A kísérletezés és a modellfejlesztés a Azure Databricks. Az Azure ML mlflow-n keresztüli integrációja lehetővé teszi a modellek gyors kísérletezését a nyomon követéssel, a modell adattárával és az üzembe helyezéssel.

  8. Betanított modellek közzététele Azure Machine Learning szolgáltatás használatával a kötegelt pontozáshoz Azure Databricksvégpontokkal, vagy valós idejű végpontként egy Azure Container Instance vagy egy Azure Kubernetes Service.

Összetevők

  • Az Azure IoT Connector for FHIR a Azure API for FHIR egy opcionális funkciója, amely lehetővé teszi az egészségügyi eszközök internetes hálózatán (IoMT) keresztüli adatok be- és bemenő adatait. Ha pedig az IoT Connector-t nagyobb felügyeletre és rugalmasságra szeretné használni, az Azure-hoz használható IoMT FHIR-összekötő egy nyílt forráskódú projekt, amely az IoMT-eszközökről származó adatokat és az adatok FHIR® kiszolgálón való megőrzését teszi lehetővé. Itt egy egyszerűsített üzembe helyezési sablon érhető el.

  • Azure Data Factory egy hibrid adatintegrációs szolgáltatás, amely lehetővé teszi az ETL/ELT-munkafolyamatok létrehozásához, ütemezéséhez és vezénylését.

  • Azure API for FHIR egy teljes körűen felügyelt, nagyvállalati szintű szolgáltatás az egészségügyi adatokhoz FHIR formátumban.

  • Az Azure Data Lake Storage egy nagymértékben skálázható, biztonságos Data Lake-funkció, amely az Azure Blob Storage.

  • Azure Databricks egy gyors, egyszerű és együttműködésen alapuló Apache Spark adatelemzési platform.

  • Azure Machine Learning a gépi tanulási modellek nagy léptékű betanítása, pontozása, üzembe helyezése és kezelése felhőszolgáltatás. Ez az architektúra Azure Machine Learning MLflow natív MLflow-támogatását használja kísérletek naplózásához, modellek tárolására és modellek üzembe helyezéséhez.

  • Power BI egy üzleti elemzési eszközökből álló csomag, amely céges elemzéseket biztosít. Csatlakozás több száz adatforráshoz, egyszerűbbé teszi az adat-előkészítést, és interaktív elemzést hajt. Gyönyörű jelentéseket készít, majd közzéteheti őket a szervezet számára a weben és mobileszközökön.

Leírás

Itt két mintaprojektet részletezünk, amelyek importálhatók a Azure Databricks. Megjegyzés: A Standard fürt üzemmódot az Állapot hosszának előrejelzése jegyzetfüzetben kell használni az R-kód használata miatt.

  1. Live Population Health Report with Length of Stay predictions (Élő népességi állapotjelentés a Stay-előrejelzések hosszával) modellbeképező modellt egymillió vagy több mint 1000 betegre vonatkozó, a velük való találkozási szintű rekordokkal. Az adatok sémája megegyezik a Healthcare Cost and Utilization Project(HCUP) State Inpatient Database (SID) adataival, hogy megkönnyítse a megoldás valódi HCUP-adatokkal való használatát. Hasonló betegpopulációkban is használható, de javasoljuk, hogy a legjobb eredmények érdekében a kórházak saját előzményadatokkal képezik át a modellt. A megoldás 610 klinikai és demográfiai jellemzőt szimulál, köztük az életkort, nemet, irányítószámot, diagnosztizálásokat, eljárásokat, díjakat stb. körülbelül egymillió beteg esetében 23 kórházon belül. Az újonnan felvett betegekre való alkalmazáshoz a modellt csak olyan funkciókkal kell betanítanunk, amelyek az egyes páciensek számára a belépéskor érhetők el.

  2. A betegspecifikus olvasási engedély előrejelzése és a health carei beavatkozás egy cukorbetegség-adatkészletet használ, amelyet eredetileg az 1994-es AAI Spring Symposium a mesterséges intelligencia mesterséges intelligenciával kapcsolatos szimpóziumában készítettek, amelyet Dr. Michael Kahn osztott meg az UCI Machine Learning-adattárban.

Következő lépések

  • A Microsoft Health Cloud & Data Architecture Engineering csapatának Azure Health-architektúrái számos referenciaarchitektúrát tartalmaznak, amelyekhez szorosan hozzátartozó ügyfelek, partnerek és munkatársak dolgoznak az Állapot tartományban.
  • A folyamatos betegfigyelés egy olyan alkalmazássablont biztosít, amely képes folyamatos betegfigyelési megoldást létrehozni.
  • A DICOM orvosi képalkotó kiszolgálója a DICOMweb egy .NET Core-implementációja™ amely futtatható az Azure-ban.
  • Az OpenLang for FHIR open Tutorials-alapú oktatóanyagok gyűjteménye, amelyek segítségével megismerheti az FHIR-hez kapcsolódó szolgáltatásokat az Azure-ban.