Statusbeheer van populaties voor de gezondheidszorg

Data Factory
Databricks
API for FHIR
Power BI
Machine Learning

Oplossingsidee

Als u graag wilt dat we dit artikel uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsinformatie, laat het ons dan weten met GitHub Feedback!

Statusbeheer van populaties is een belangrijk hulpprogramma dat steeds vaker wordt gebruikt door gezondheidszorgverleners om de escalerende kosten te beheren en te beheersen. De kern van het beheer van de status van populaties is het gebruik van gegevens om de gezondheidsresultaten te verbeteren. Tracering, bewaking en bankmarkering zijn de drie bastions van het beheer van de bevolkingstoestand, gericht op het verbeteren van klinische en gezondheidsresultaten en tegelijkertijd het beheren en verlagen van de kosten.

In deze oplossing gebruiken we de klinische en sociaal-sociaal-patiëntgegevens die door ziekenhuizen zijn gegenereerd voor rapportage over de bevolkingstoestand. Als voorbeeld van een machine learning toepassing met populatie health management, wordt een model gebruikt om de duur van ziekenhuisopnamen te voorspellen. Het is gericht op ziekenhuizen en zorgverleners om de uitgaven voor gezondheidszorg te beheren en te beheren door middel van preventie en beheer van ziektes. Meer informatie over de gebruikte gegevens en de lengte van het model voor ziekenhuisopname vindt u in de handleiding voor handmatige implementatie voor de oplossing. Ziekenhuizen kunnen deze resultaten gebruiken om zorgbeheersystemen te optimaliseren en hun klinische resources te richten op patiënten met een urgente behoefte. Inzicht in de community's die ze verwerken via rapportage over de gezondheidszorg van de bevolking, kan ervoor zorgen dat ziekenhuizen overstappen van kosten-voor-service-betalingen naar op waarden gebaseerde zorg en tegelijkertijd de kosten verlagen en betere zorg bieden.

Potentiële gebruikscases

Deze oplossing kan worden gebruikt voor de volgende scenario's:

  • Patiëntbewaking

  • Klinische studies

  • Slimme artsen

Architectuur

ArchitectuurdiagramDownload een SVG van deze architectuur.

Gegevensstroom

  1. Realtimegegevens die apparaten genereren (IoMT) dragen gegevens over naar een sink voor opname van streaminggegevens met apparaatverificatie, zoals IoT Hub. Deze sink kan een zelfstandige Azure IoT Hub of 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 de IoMT FHIR-connector voor Azure, waar ze worden genormaliseerd, gegroepeerd, getransformeerd en persistent gemaakt in de Azure API for FHIR.

  3. Gegevensbronnen zoals Electronic Medical Record-systemen, patiëntbeheersystemen of labsystemen kunnen andere berichtindelingen genereren, zoals HL7-berichten die worden geconverteerd via een HL7-werkstroom voor opname en conversie. Het HL7-opnameplatform verbruikt HL7-berichten via MLLP en draagt deze veilig over naar Azure via HL7overHTTPS. De gegevens komen terecht in blobopslag, wat een gebeurtenis op Azure-Service Bus voor verwerking produceert. De HL7-conversie is een op Azure Logic App gebaseerde werkstroom die een orderconversie uitvoert van HL7 naar FHIR via de FHIR-converter, waarmee het bericht wordt opgeslagen in een Azure API for FHIR Server-exemplaar

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

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

  6. Gebruik Azure Databricks om de structuurloze gegevenssets op te schonen en te transformeren en deze 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 brengen voor gebruik in de patiëntlengte van het stay-model.

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

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

Onderdelen

  • Azure IoT Connector 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). Als u meer controle en flexibiliteit wilt met de IoT Connector, is de IoMT FHIR-connector voor Azure een opensource-project voor het opnemen van gegevens van IoMT-apparaten en het persistent maken van de gegevens in een FHIR®-server. Een vereenvoudigde implementatiesjabloon is hier beschikbaar.

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

  • 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 op samenwerking gebaseerd Apache Spark platform voor gegevensanalyse.

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

  • Power BI is een suite met hulpprogramma's voor bedrijfsanalyse die inzichten bieden in uw organisatie. Verbinding maken honderden gegevensbronnen, vereenvoudigen gegevensvoorbereiding en maken interactieve analyses mogelijk. Maak prachtige rapporten en publiceer deze vervolgens voor uw organisatie om te gebruiken op internet en op mobiele apparaten.

Dit scenario implementeren

Hier worden twee voorbeeldprojecten beschreven die kunnen worden geïmporteerd in Azure Databricks. Standaardclustermodus moet worden gebruikt in de notebooks Voorspellengte van status 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 het niveau van de encounter voor een miljoen patiënten. Het schema voor gegevens komt overeen met de SID-gegevens (StateInpatient Databases) van de Healthcare Cost and Utilization Project (HCUP) om het gebruik van de oplossing met echte HCUP-gegevens te vergemakkelijken. Het is geschikt voor vergelijkbare patiëntenpopulaties, maar we raden aan om het model 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, zipcode, diagnoses, procedures, kosten, enzovoort voor ongeveer een miljoen patiënten in 23 ziekenhuizen. Om te worden toegepast op pas opgenomen patiënten, moet het model worden getraind met behulp van alleen functies die beschikbaar zijn voor elke patiënt op het moment van de opname.

  2. Voor patiëntspecifieke voorspelling en interventie voor gezondheidszorg wordt gebruikgemaakt van een diabetesgegevensset die oorspronkelijk is geproduceerd voor het AAI Spring Symposium in Artificial Intelligence in Medicine in 1994, nu gedeeld door dr. MichaelIngenn in de UCI Machine Learning Repository.

Volgende stappen

  • Azure Health Architectures van het Microsoft Health Cloud Data Architectural Engineering-team bevat veel referentiearchitectarchitecten die zijn verkregen door nauw samen te werken met klanten, partners en collega's in het domein Health.
  • Continue patiëntbewaking biedt een app-sjabloon waarmee u een oplossing voor continue patiëntbewaking kunt bouwen.
  • Medical Imaging Server voor DICOM is een .NET Core-implementatie van DICOMweb™ die kan worden uitgevoerd in Azure.
  • Open Hebt u voor FHIR is een verzameling op Open Hebt gebaseerde zelfstudies die kunnen worden gebruikt voor meer informatie over de FHIR-gerelateerde services in Azure.