Bewerken

Bevolkingsstatusbeheer voor gezondheidszorg

Azure Data Factory
Azure Databricks
Azure
Power BI
Azure Machine Learning

Oplossingsideeën

Dit artikel is een oplossingsidee. Als u wilt dat we de inhoud uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsrichtlijnen, laat het ons dan weten door GitHub-feedback te geven.

In deze oplossing gebruiken we de klinische en sociaal-economische gegevens van patiënten die door ziekenhuizen worden gegenereerd voor de gezondheidsrapportage van de bevolking.

Architectuur

Architecture diagram shows how data is ingested, stored, processed through machine learning and published.

Een Visio-bestand van deze architectuur downloaden.

Gegevensstroom

  1. Realtime gegevens die apparaten (IoMT) genereren, dragen gegevens over naar een sink voor opname van streaminggegevens met apparaatverificatie, zoals Azure IoT Hub. Deze sink kan een zelfstandige Azure IoT Hub zijn of kan worden opgenomen in een volledig beheerd toepassingsplatform zoals Azure IOT Central met oplossingsversnellers, zoals een sjabloon voor continue patiëntbewaking.

  2. De apparaatgegevens worden vervolgens ontvangen in IoMT FHIR Verbinding maken or voor Azure, waar deze worden genormaliseerd, gegroepeerd, getransformeerd en bewaard in de Azure API for FHIR.

  3. Gegevensbronnen zoals elektronische medische dossiers, patiëntbeheersystemen of labsystemen kunnen andere berichtindelingen genereren, zoals HL7-berichten die worden geconverteerd via een HL7-opname- en conversiewerkstroom. Het HL7-opnameplatform verbruikt HL7-berichten via MLLP en draagt deze veilig over naar Azure via HL7overHTTPS. De gegevens terechtkomen in blobopslag, die een gebeurtenis produceert in Azure Service Bus voor verwerking. De HL7-conversie is een op Azure Logic App gebaseerde werkstroom die ordelijke conversie uitvoert van HL7 naar FHIR via het FHIR-conversieprogramma, het bericht persistent maakt in een Azure API for FHIR Server-exemplaar

  4. Gegevens worden geëxporteerd van de Azure FHIR-service naar Azure Data Lake Gen2 met behulp van de functie Bulkexport . Gevoelige gegevens kunnen worden geanonimiseerd als onderdeel van de exportfunctie.

  5. Azure Data Factory-taken zijn gepland om andere gegevensbronnen van on-premises of alternatieve bronnen naar Azure Data Lake Gen 2 te kopiëren.

  6. Gebruik Azure Databricks om de structuurloze gegevenssets op te schonen en te transformeren en te combineren met gestructureerde gegevens uit operationele databases of datawarehouses. Gebruik schaalbare machine learning-/deep learning-technieken om meer inzicht te krijgen in deze gegevens met behulp van Python, R of Scala, met ingebouwde notebookervaringen in Azure Databricks. In deze oplossing gebruiken we Databricks om gerelateerde, maar ongelijksoortige gegevenssets samen te voegen voor gebruik in de lengte van het verblijfsmodel van de patiënt.

  7. Experimenten en modelontwikkeling vindt plaats in Azure Databricks. Integratie met Azure ML via MLflow maakt snelle modelexperimentatie mogelijk met tracering, modelopslagplaats en implementatie.

  8. Publiceer getrainde modellen met behulp van Azure Machine Learning Service voor batchgewijs scoren via Azure Databricks-eindpunten of als een realtime-eindpunt met behulp van een Azure Container Instance of Azure Kubernetes Service.

Onderdelen

  • Azure IoT Verbinding maken or for FHIR is een optionele functie van Azure API for FHIR die de mogelijkheid biedt om gegevens op te nemen van IoMT-apparaten (Internet of Medical Things). U kunt ook iedereen die meer controle en flexibiliteit wil hebben met de IoT-Verbinding maken or, de IoMT FHIR-Verbinding maken or voor Azure is een opensource-project voor het opnemen van gegevens van IoMT-apparaten en het behouden van de gegevens in een FHIR-server®.

  • Azure Data Factory is een hybride gegevensintegratieservice waarmee u uw ETL-/ELT-werkstromen kunt maken, plannen en organiseren.

  • Azure API for FHIR is een volledig beheerde, hoogwaardige service voor statusgegevens in de FHIR-indeling.

  • Azure Data Lake Storage is zeer schaalbaar, veilig data lake-functionaliteit die is gebouwd op Azure Blob Storage.

  • Azure Databricks is een snel, eenvoudig en samenwerkingsplatform voor gegevensanalyse op basis van Apache Spark.

  • Azure Machine Learning is een cloudservice voor het trainen, scoren, implementeren en beheren van machine learning-modellen op schaal. Deze architectuur maakt gebruik van de systeemeigen ondersteuning van de Azure Machine Learning-service voor MLflow voor het vastleggen van experimenten, het opslaan van modellen en het implementeren van modellen.

  • Power BI is een suite met hulpprogramma's voor zakelijke analyses die inzichten bieden in uw hele organisatie. Verbinding maken tot honderden gegevensbronnen, vereenvoudigt u de voorbereiding van gegevens en zorgt u voor interactieve analyse. Maak schitterende rapporten die u vervolgens voor uw organisatie kunt publiceren voor gebruik op internet en op mobiele apparaten.

Scenariodetails

Bevolkingszorgbeheer is een belangrijk hulpmiddel dat steeds vaker wordt gebruikt door zorgverleners om de escalerende kosten te beheren en te beheersen. Het crux van populatiestatusbeheer is het gebruik van gegevens om de statusresultaten te verbeteren. Tracking, monitoring en benchmarking zijn de drie bastions van het beheer van de populatiestatus, gericht op het verbeteren van klinische en gezondheidsresultaten terwijl de kosten worden beheerd en verlaagd.

Als voorbeeld van een machine learning-toepassing met populatiestatusbeheer wordt een model gebruikt om de duur van het ziekenhuisverblijf te voorspellen. Het is gericht op ziekenhuizen en zorgverleners om de uitgaven voor gezondheidszorg te beheren en te beheersen door middel van ziektepreventie en -beheer. U kunt meer leren over de gebruikte gegevens en het model voor het berekenen van de lengte van het verblijf in de handleiding voor handmatige implementatie bij deze oplossing. Ziekenhuizen kunnen aan de hand van deze resultaten hun zorgbeheersystemen optimaliseren en hun klinische bronnen richten op patiënten die het meest dringend hulp nodig hebben. Wanneer ziekenhuizen de gemeenschappen waarin zij werkzaam zijn beter leren kennen door middel van volksgezondheidsrapporten, kunnen zij overstappen van het betalen van kosten per service naar op waarde gebaseerde zorgverlening en tegelijkertijd de kosten verlagen en betere zorg verlenen.

Potentiële gebruikscases

Deze oplossing is ideaal voor de gezondheidszorg. Deze kan worden gebruikt voor de volgende scenario's:

  • Patiëntbewaking
  • Klinische proeven
  • Slimme klinieken

Dit scenario implementeren

Hier worden twee voorbeeldprojecten beschreven die kunnen worden geïmporteerd in Azure Databricks. Standaardclustermodus moet worden gebruikt voor de voorspellende lengte van statusnotitieblokken vanwege het gebruik van R-code. U kunt de oplossing implementeren in de volgende voorbeelden:

  1. Live Population Health Report with Length of Stay predictions traint een model met behulp van records op ontmoetingsniveau voor een miljoen of zo patiënten. Het schema voor gegevens komt overeen met de STATUS-SID-gegevens (State Inpatient Databases) uit het Healthcare Cost and Utilization Project (HCUP) om het gebruik van de oplossing met echte HCUP-gegevens te vergemakkelijken. Het is geschikt voor gebruik bij vergelijkbare patiëntenpopulaties, hoewel we het model aanbevelen aan ziekenhuizen opnieuw te trainen met behulp van hun eigen historische patiëntgegevens voor de beste resultaten. De oplossing simuleert 610 klinische en demografische kenmerken, waaronder leeftijd, geslacht, postcode, diagnoses, procedures, kosten, enz. voor ongeveer een miljoen patiënten in 23 ziekenhuizen. Om te worden toegepast op pas toegelaten patiënten, moet het model worden getraind met behulp van alleen functies die beschikbaar zijn voor elke patiënt op het moment van toelating.

  2. Patiëntspecifieke readmission Prediction and Intervention for Health Care maakt gebruik van een diabetesgegevensset die oorspronkelijk is geproduceerd voor het AAI Spring Symposium over kunstmatige intelligentie in de geneeskunde, nu genereus gedeeld door Dr. Michael Kahn in de UCI Machine Learning Repository.

Bijdragers

Dit artikel wordt onderhouden door Microsoft. De tekst is oorspronkelijk geschreven door de volgende Inzenders.

Hoofdauteur:

Volgende stappen

  • Continue patiëntbewaking biedt een app-sjabloon waarmee een continue patiëntbewakingsoplossing kan worden gebouwd.
  • Medical Imaging Server voor DICOM is een .NET Core-implementatie van DICOMweb™ die kan worden uitgevoerd in Azure.
  • OpenHack for FHIR is een verzameling op OpenHack gebaseerde zelfstudies die kunnen worden gebruikt voor meer informatie over de FHIR-gerelateerde services in Azure.

Productdocumentatie: