Népességi állapotkezelés egészségügyi szolgáltatásokhoz

Data Factory
Databricks
API for FHIR
Power BI
Machine Learning

Solution Idea

Ha szeretné, hogy ezt a cikket további információkkal bővítse ki, például a lehetséges használatot, az alternatív szolgáltatásokat, az implementációval kapcsolatos szempontokat vagy a díjszabási útmutatót, az GitHub visszajelzésével.

A népesség egészségügyi kezelése egy fontos eszköz, amelyet egyre több egészségügyi szolgáltató használ az eszkalációs költségek kezelésére és szabályozására. A népességi állapotkezelés alapesete az adatok használata az egészségügyi eredmények javításához. A nyomon követés, a monitorozás és a jelölő jelölés a népesség egészségügyi kezelésének három megerősített környezete, amelynek célja a klinikai és egészségügyi eredmények javítása a költségek kezelése és csökkentése mellett.

Ebben a megoldásban a kórház által előállított klinikai és társadalmi-gazdasági adatokat fogjuk használni a populáció egészségügyi jelentéséhez. A lakosság egészségügyi felügyeletét kezelő gépi tanulási alkalmazás példájaként egy modell segítségével előrejelezhető a kórházi ellátás hossza. A kórház és az egészségügyi szolgáltatók számára a betegség-megelőzés és -kezelés révén kezeli és felügyeli az egészségügyi kiadásokat. A használt adatokról és a kórház maradati 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 szükség esetén betegekre összpontosíthatja. A lakosság egészségügyi jelentéskészítésével kiszolgált közösségek megértése segíthet a kórháznak a szolgáltatási díjakról az értékalapú ellátásra való áttérésben, miközben csökkenti a költségeket, és jobb gondoskodás nyújt.

Lehetséges használati esetek

Ez a megoldás a következő helyzetekben használható:

  • Betegfigyelés

  • Klinikai kísérletek

  • Intelligens klinikák

Architektúra

ArchitektúradiagramAz 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 a megoldásgyorsítók, például a folyamatos betegfigyelési sablon segítségével.

  2. Az eszközadatokat ezután az Azure-hoz való IoMT FHIR-összekötőhöz kapják meg, ahol normalizálják, csoportosítják, átalakítják és a virtuális 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-behelyezéssel és -konverziós munkafolyamattal konvertálhatók. A HL7 bemenő platform AZ MLLP-n keresztül HL7-üzeneteket használ fel, és biztonságosan továbbítja azokat az Azure-ba a HL7overHTTPS-en keresztül. Az adatok a blobtárolóba vannak behozva, amely létrehoz egy eseményt az Azure Service Bus feldolgozásra. A HL7 convert egy Azure Logic App-alapú munkafolyamat, amely az FHIR Converter segítségével végrehajtja a HL7-ről az FHIR-re történő 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, a jegyzetfüzetek beépített felhasználói Azure Databricks. Ebben a megoldásban a Databricks használatával összehozzuk a kapcsolódó, de különböző adatkészleteket, amelyek a beteghosszúság modellben való használatra használhatók.

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

  8. Betanított modellek közzététele Azure Machine Learning szolgáltatással kötegelt pontozáshoz Azure Databricksvégpontok használatával, 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 internet of Medical Things (IoMT) eszközökről származó adatok beozását. Ha pedig az IoT Connector-hez nagyobb kontrollt és rugalmasságot szeretne biztosítani, 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 ETL-/ELT-munkafolyamatok létrehozására, ütemezésére és vezénylését.

  • Azure API for FHIR egy teljes körűen felügyelt, nagyvállalati szintű szolgáltatás az állapotadatokhoz 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 a kísérletek naplózásához, modellek tárolására és modellek üzembe helyezéséhez.

  • Power BI egy üzleti elemzési eszközökből álló csomag, amely a szervezeten belül nyújt elemzési eredményeket. Csatlakozás több száz adatforráshoz, leegyszerűsítheti az adat-előkészítést, és interaktív elemzéseket hajtana hajtódjon meg. Gyönyörű jelentéseket készít, majd közzéteheti őket a szervezet számára a weben és mobileszközökön.

A forgatókönyv üzembe helyezése

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

  1. Élő population health report with Length of Stay predictions (Élő népességi állapotjelentés a Stay hosszúság előrejelzésével) modellbe való beképzése egymillió páciensre vonatkozó találkozószintű 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 való használatra alkalmas, de javasoljuk, hogy a kórház a legjobb eredmények érdekében a saját korábbi betegadataik alapján képez tovább 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 páciensspecifikus readmission Prediction and Intervention for Health Care egy cukorbetegség-adatkészletet használ, amelyet eredetileg az 1994-es AAI Spring Symposium mesterséges intelligencia az egészségügyben való használatának során készítettek, és amelyet Dr. Michael Kahn megosztott az UCI Machine Learning-adattárban.

Következő lépések

  • A Microsoft Health felhőalapú adatarchitektúra-mérnöki csapat Azure Health-architektúrái számos referenciaarchitektúrát tartalmaznak, amelyekhez szorosan hozzátartozó ügyfelek, partnerek és munkatársak dolgoznak az Állapot tartományban.
  • A folyamatos betegfigyelés olyan alkalmazássablont biztosít, amely folyamatos betegfigyelési megoldást képes létrehozni.
  • A DICOM orvosi képalkotó kiszolgálója a DICOMweb ™.NET Core implementációja, amely az Azure-ban futtatható.
  • Az OpenGombra az FHIR-hez az OpenLang-alapú oktatóanyagok gyűjteménye, amelyek segítségével megismerheti az FHIR-hez kapcsolódó szolgáltatásokat az Azure-ban.