A kórházi tartózkodás időtartamának előrejelzése

Data Science Virtual Machine
Power BI
SQL Server

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!

Ez a megoldás egy prediktív modellt tesz lehetővé a kórházi belépések esetében a maradás időtartamának előrejelzésére. A maradás (LOS) hossza a kezdeti bebocsátás dátuma és a beteg bármely adott kórházi létesítményből való ellátásának dátuma között megadott napok száma.

Architektúra

Architektúradiagram Az architektúra SVG-nek letöltése.

Üzembe helyezés

Az üzembe helyezéssel kapcsolatos utasításokért és a technikai implementációval kapcsolatos további részletekért tekintse meg a Következőt: Predicting Length of Stay in Hospitals GitHub repo (A kórházban való GitHub hossza).

Áttekintés

Ez a megoldás egy prediktív modellt tesz lehetővé a kórházi belépések esetében a maradás időtartamának előrejelzésére. A maradás (LOS) hossza a kezdeti bebocsátás dátuma és a beteg bármely adott kórházi létesítményből való ellátásának dátuma között megadott napok száma. A LOS jelentősen eltérő lehet a különböző létesítményekben, valamint a betegség körülményei és szakterületei között, még ugyanazon az egészségügyi rendszeren belül is. A belépéskor a speciális LOS-előrejelzés nagy mértékben javíthatja az ellátás minőségét és a működési feladatok hatékonyságát, és segít a pontos tervezésben a többi minőségi intézkedés, például a visszaküldések csökkentésével.

Üzleti perspektíva

Két különböző üzleti felhasználó van a kórházvezetésben, akik számíthatnak a maradás hosszára vonatkozó megbízhatóbb előrejelzésekre. Ezek a következők:

  • A vezető egészségügyi igazgató (CMIO), aki eltolt az informatikai/technológiai és egészségügyi szakemberek közötti osztáson egy egészségügyi szervezetben. A feladataik közé tartozik általában az elemzések használata annak megállapításához, hogy az erőforrásokat megfelelően osztják-e ki egy kórház hálózatában. Ennek részeként a CMIO-nak képesnek kell lennie annak meghatározására, hogy mely létesítményekre van túltervezve, és konkrétan azt, hogy az adott létesítményekben milyen erőforrásokat kell megkövetelni az ilyen erőforrások igény szerinti újraözése érdekében.
  • A Care Line Manager, aki közvetlenül részt vesz a betegek ellátásában. Ehhez a szerepkörhöz az egyes páciensek állapotának monitorozása szükséges, valamint gondoskodni kell arról, hogy a munkatársak elérhetők a pácienseik speciális ellátási követelményeinek való megfeleléshez. A Care Line Managernek a páciensek pácienseit is kezelnie kell. A páciensek LOS-ének előrejelzése lehetővé teszi a Care Line Managers számára annak megállapítását, hogy a személyzet erőforrásai megfelelőek-e a beteg kiadásának kezeléshez.

adattudós perspektívája

SQL Server Machine Learning Services a SQL Server szolgáltatása, amely lehetővé teszi R-szkriptek futtatását relációs adatokkal. A prediktív elemzéshez és a gépi tanuláshoz nyílt forráskódú csomagokat és keretrendszereket, valamint a Microsoft R-csomagokat használhatja. A szkriptek végrehajtása az adatbázisban, az adatok hálózaton SQL Server kívülre vagy hálózaton keresztüli mozgatása nélkül.

Ez a megoldás végigvezeti az adatok létrehozásához és pontosításhoz, az R-modellek betanításán és a gép pontozásának SQL Server lépésen. A táblázat utolsó pontozási adatbázistáblája SQL Server az egyes páciensek előrejelelt LOS-ét adja meg. Ezek az adatok ezután a vizualizációban Power BI. (Ebben a sablonban szimulált adatokkal szemlélteti a funkciót.)

A megoldásokat tesztelő és fejlesztő adattudósok kényelmesen dolgozhatnak a helyi számítógépük előnyben részesített R IDE környezetében, miközben leküldik a számítási adatokat a SQL Server. A kész megoldásokat úgy telepítheti a SQL Server, hogy tárolt eljárásokba ágyazza be az R hívásait. Ezek a megoldások ezután tovább automatizálhatóak az integrációs SQL Server szolgáltatásokkal és SQL Server ügynökkel.

Ez a megoldás tartalmazza az R mappában található adattudós által szükséges R-kódot. Megjeleníti az SQLR mappában üzembe helyezhető tárolt eljárásokat (.sql-fájlokat). Kattintson az Üzembe helyezés az Azure-ban gombra az automatizálás teszteléséhez, és a teljes megoldás elérhetővé válik az Azure-előfizetésében.

Díjszabás

Az üzembe helyezéshez használt Azure-előfizetés költségeket fog fizetni a megoldásban használt szolgáltatásokért. A díjszabás részleteiért látogasson el az Azure díjszabási oldalára.

Összetevők

Következő lépések