Ez az Azure-megoldás segít a kórházi rendszergazdáknak a gépi tanulás segítségével előrejelezni a kórházi felvétel időtartamát a kapacitástervezés és az erőforrás-használat javítása érdekében. Az egészségügyi igazgató egy prediktív modell segítségével állapíthatja meg, hogy mely létesítményeket kell 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
Az alábbi adatfolyam megfelel a fenti diagramnak:
Az elektronikus egészségügyi rekordokból (EHR) és az elektronikus egészségügyi nyilvántartásokból (EMR) származó anonimizált egészségügyi adatok kinyerése a megfelelő futtatókörnyezettel rendelkező Azure Data Factory használatával történik (például: Azure, saját üzemeltetésű). Ebben a forgatókönyvben feltételezzük, hogy az anonimizált adatok elérhetők kötegelt kinyeréshez az egyik Azure Data Factory összekötő használatával, például ODBC, Oracle, SQL. Más adatforrások, például az FHIR-adatok, megkövetelhetik egy közvetítő betöltési szolgáltatás, például a Azure Functions felvételét.
Azure Data Factory adatok a Data Factoryn keresztül Azure Data Lake Storage (gen 2)-be áramlik. A folyamat során a rendszer nem tárol adatokat Azure Data Factory, és az olyan hibák, mint az megszakadt kapcsolatok, kezelhetők/újrapróbálkozhatók ebben a lépésben.
Az Azure Machine Learning használatával gépi tanulási algoritmusokat/folyamatokat alkalmazhat a 2. lépésben betöltött adatokra. Az algoritmusok a követelményektől függően eseményalapúan, ütemezetten vagy manuálisan alkalmazhatók. Ez konkrétan a következőket foglalja magában:
3.1 Betanítás – A betöltött adatok egy gépi tanulási modell betanítására szolgálnak olyan algoritmusok kombinációjával, mint a lineáris regresszió és a színátmenettel növelt döntési fa. Ezek az algoritmusok különböző keretrendszereken (például scikit-learn) keresztül érhetők el általában egy folyamatban, és tartalmazhatnak folyamat előtti/utáni lépéseket is. Például a betegállapoti tényezők, például a meglévő előre feldolgozott (például null értékű sorok elvetése) emgressziós/EHR-adatok a regressziós modell, például a lineáris regresszió betanítására használhatók. A modell ezután képes lesz előrejelezni egy új beteg tartózkodásának hosszát.
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 Monitorozás – A rendszer összegyűjti és figyeli a modell előrejelzéseit, hogy a teljesítmény idővel ne csökkenjen. Riasztások küldhetők a modell manuális vagy automatikus újratanításának/frissítéseinek aktiválásához, ha szükséges, ezekkel a monitorozási adatokkal. Vegye figyelembe, hogy a kinyert monitorozási adatok típusától függően további szolgáltatásokra, például az Azure Monitorra lehet szükség.
Az Azure Machine Learning kimeneti folyamatai Azure Synapse Analyticsbe. A modell kimenete (az előrejelzett beteghossz) együtt van kombinálva a meglévő betegadatokkal egy skálázható, a dedikált SQL-készlethez hasonló rétegben lefelé irányuló felhasználás céljából. A Synapse Analytics ezen a ponton további elemzéseket végezhet, például a kórházi tartózkodás átlagos hosszát.
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 ellátási vonal kezelője és a kórházi erőforrás-koordinátor elemzi.
Összetevők
A Azure Data Factory (ADF) teljes körűen felügyelt, kiszolgáló nélküli adatintegrációs és vezénylési szolgáltatást biztosít, amely képes vizuálisan integrálni az adatforrásokat több mint 90 beépített, karbantartásmentes összekötővel, 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 Learning- (AML-) szolgáltatások a következő lépésekkel gyorsítják fel a teljes LOS-előrejelzési gépi tanulási életciklust:
- Az adatelemzők és -fejlesztők számára számos hatékony tapasztalatot biztosít a gépi tanulási modellek létrehozásához, betanításához és üzembe helyezéséhez, valamint a csapatmunkához.
- A piacra jutási idő felgyorsítása az iparágvezető MLOps- gépi tanulási műveletekkel vagy a devOps gépi tanuláshoz.
- Innováció egy biztonságos, megbízható platformon, felelősségteljes gépi tanulásra tervezve.
Ebben a forgatókönyvben az AML az a szolgáltatás, amely a páciensek tartózkodásának előrejelzésére és a teljes modell életciklusának kezelésére használt modell előállítására szolgál.
Azure Synapse Analytics: egy korlátlan elemzési szolgáltatás, amely egyesíti az adatintegrációt, a vállalati adattárházat és a big data-elemzést. Ebben a forgatókönyvben a Synapse a modell-előrejelzések meglévő adatmodellbe való beépítésére, valamint egy nagy sebességű kiszolgálóréteg biztosítására szolgál a lefelé irányuló felhasználáshoz.
A Power BI nagyvállalati szintű önkiszolgáló elemzést biztosít, amely lehetővé teszi a következőket:
- Hozzon létre egy adatvezérelt kultúrát üzleti intelligenciával mindenki számára.
- Az adatbiztonságot az iparág vezető adatbiztonsági képességei, például a bizalmassági címkézés, a végpontok közötti titkosítás és a valós idejű hozzáférés-monitorozás biztosítja.
Ebben a forgatókönyvben a Power BI-t használjuk végfelhasználói irányítópultok létrehozására és az irányítópultokon szükséges szemantikai modellezés alkalmazására.
Alternatív megoldások
- A Spark-szolgáltatások, például a Azure Synapse Analytics Spark és az Azure Databricks az adatelemzési csapat adatskálájától és képességcsoportjától függően használhatók a gépi tanulás végrehajtásának alternatíváiként.
- Az MLFlow az ügyfél képességcsoportjától/környezetétől függően az Azure Machine Learning alternatív megoldásaként használható a teljes életciklus kezelésére.
- Azure Synapse Analytics-folyamatok a legtöbb esetben a Azure Data Factory alternatívaként használhatók, nagyrészt az adott ügyfélkörnyezettől függően.
Forgatókönyv részletei
Az egészségügyi intézményt futtató személyek számára a tartózkodás időtartama (LOS) – a beteg felvételétől a mentesítésig tartó napok száma – számít. Ez a szám azonban a különböző létesítményekben és betegségi körülmények között és szakterületeken is változhat, még ugyanabban az egészségügyi rendszerben is, ami megnehezíti a betegek áramlásának nyomon követését és ennek megfelelő tervezését.
Ez a megoldás prediktív modellt tesz lehetővé a LOS számára a kórházi felvételhez. A LOS-t a kezdeti beengedés időpontjától a beteg bármely adott kórházi intézményből való elbocsátásáig számított napok száma határozza meg. A LOS-nak jelentős eltérése lehet a különböző létesítményekben, betegségekben és szakterületeken, még ugyanabban az egészségügyi rendszerben is.
Az olyan vizsgálatok, mint a Beteg tartózkodásának hossza kapcsolódik az ellátás minőségéhez? című tanulmány kimutatta, hogy a hosszabb kockázattal korrigált LOS összefüggésben áll az alacsonyabb ellátásminőséggel. A speciális LOS-előrejelzés a felvétel időpontjában javíthatja a betegek ellátásának minőségét, mivel a szolgáltatóknak egy várt LOS-t adhatnak, amelyet metrikaként használhatnak a jelenlegi 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 más minőségi intézkedések, például visszafogadások csökkentését eredményezi.
Lehetséges használati esetek
Két különböző üzleti felhasználó van a kórházvezetésben, akik számíthatnak arra, hogy megbízhatóbb előrejelzéseket kaphatnak a tartózkodás időtartamáról, valamint a betegek családjairól:
- Az egészségügyi szervezet informatikai/technológiai és egészségügyi szakemberei közötti szakadékot a főorvos (CMIO) osztja. A feladataik közé tartozik az elemzések használata annak meghatározására, hogy az erőforrások megfelelően vannak-e lefoglalva egy kórházi hálózaton. A CMIO-nak képesnek kell lennie annak meghatározására, hogy mely létesítményeket kell túlterhelni, és konkrétan milyen erőforrásokat kell támogatni az ilyen erőforrások igény szerinti újraelosztásához.
- Az ápolási vonal vezetője, aki közvetlenül részt vesz a betegek ellátásában. Ehhez a szerepkörhöz szükség van az egyes betegek állapotának monitorozására, és annak biztosítására, hogy a személyzet rendelkezésre álljon a pácienseik sajátos ápolási követelményeinek való megfeleléshez. Az ápolási vonal kezelője 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 kezelők számára, hogy megállapítsák, megfelelőek-e a személyzet erőforrásai a beteg kiadásának kezeléséhez.
- A LOS in ICU előrejelzése a betegek és családjaik, valamint a biztosítótársaságok számára is előnyös. A kórházból való mentesítés várható dátuma segít a betegeknek és családtagjaiknak megérteni és megbecsülni az orvosi költségeket. Ez a családoknak is képet ad a betegek gyógyulási sebességéről, és segít nekik megtervezni a mentesítést, és kezelni a költségvetésüket.
Megfontolandó szempontok
Ezek a szempontok implementálják az Azure Well-Architected-keretrendszer alappilléreit, amelyek a számítási feladatok minőségének javítására használható vezérelvek. További információ: Microsoft Azure Well-Architected Framework.
Költségoptimalizálás
A költségoptimalizálás célja a szükségtelen kiadások csökkentésének és a működési hatékonyság javításának módjainak megvizsgálása. További információ: A költségoptimalizálási pillér áttekintése.
Ennek a megoldásnak a legdrágább összetevője a számítás, és számos módon skálázható költséghatékonyan az adatmennyiséggel. Ilyen például egy Spark-szolgáltatás, például a Azure Synapse Analytics Spark vagy az Azure Databricks használata az adatfeldolgozási munkához, nem pedig egyetlen csomópontos megoldás. A Spark horizontálisan skálázható, és költséghatékonyabb a nagy, függőlegesen skálázott egycsomópontos megoldásokhoz képest.
Az architektúrában konfigurált összes Azure-összetevő díjszabása ebben az Azure-díjkalkulátor által mentett becslésben található. Ez a becslés úgy van konfigurálva, hogy a hétfőtől péntekig 21:00 és 17:00 óra között futó alapszintű implementáció becsült kezdeti és havi költségeit jelenítse meg.
Működésbeli kiválóság
A működési kiválóság magában foglalja azokat az üzemeltetési folyamatokat, amelyek üzembe helyeznek egy alkalmazást, és éles környezetben futtatják. További információ: Az operatív kiválósági pillér áttekintése.
Az ilyen típusú megoldások élesítésében kritikus szerepet játszik a szilárd Machine Learning-műveletek (MLOps) gyakorlata és implementálása. További információ: Gépi tanulási műveletek (MLOps).
Teljesítménybeli hatékonyság
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 előzetes feldolgozása az Azure Machine Learningben történik. Bár ez a kialakítás kis és közepes adatkötetekhez is használható, a nagy adatmennyiségek vagy a közel valós idejű SLA-kkal rendelkező forgatókönyvek teljesítmény szempontjából nehézségekbe ütközhetnek. Az ilyen típusú problémák megoldásának egyik módja egy Olyan Spark-szolgáltatás használata, mint a Azure Synapse Analytics Spark vagy az Azure Databricks adatmérnöki vagy adatelemzési számítási feladatokhoz. A Spark horizontálisan skálázható, és a tervezés szerint van elosztva, így nagyon hatékonyan dolgozhatja fel a nagy adathalmazokat.
Biztonság
A biztonság biztosítékot 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 használható. A biztonságos megvalósítás érdekében azonban azt javasoljuk, hogy az egészségügyi adatokat anonimizált formában, EHR- és EMR-forrásokból származtatják.
Az Azure Machine Learninghez elérhető biztonsági és irányítási funkciókkal kapcsolatos további információkért lásd: Enterprise security and governance for Azure Machine Learning (Vállalati biztonság és irányítás az Azure Machine Learninghez)
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.
Fő szerzők:
- Dhanshri Egyebek | Vezető felhőmegoldás-tervező
- DJ Dean | Vezető felhőmegoldás-tervező
A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.
Következő lépések
Az architektúra megvalósításához kapcsolódó technológiák és erőforrások:
- Próbálja ki az architektúrában említett Azure-szolgáltatásokhoz elérhető rövid útmutatókat és oktatóanyagokat:
- Microsoft Cloud for Healthcare-erőforrások :
- Tudnivalók az adatkezeléssel kapcsolatos szempontokról
- A Microsoft Cloud Solution Centerben elérhető adatkezelési megoldások egyikének kipróbálása
- Tekintse át az elérhető referenciaarchitektúrákat, beleértve az egészségügyi adatok jellemzőit
Kapcsolódó források (lehet, hogy a cikkek angol nyelvűek)
Tekintse meg az architektúrához kapcsolódó további Azure Architecture Center-tartalmakat: