Zarządzanie kondycją populacji w opiece zdrowotnej

Data Factory
Databricks
Interfejs API dla standardu FHIR
Power BI
Usługa Machine Learning

Pomysł na rozwiązanie

Jeśli chcesz, abyśmy rozszerzyli ten artykuł, aby uzyskać więcej informacji, takich jak potencjalne przypadki użycia, alternatywne usługi, zagadnienia dotyczące implementacji lub wskazówki dotyczące cen, daj nam znać, GitHub opinie!

Zarządzanie kondycją populacji jest ważnym narzędziem, które jest coraz częściej używane przez dostawców opieki zdrowotnej do zarządzania eskalacją kosztów i kontrolowania ich. Crux zarządzania kondycją populacji to wykorzystanie danych w celu poprawy wyników dotyczących zdrowia. Śledzenie, monitorowanie i oznaczanie ławką to trzy bastiony zarządzania kondycją populacji, których celem jest poprawa wyników klinicznych i dotyczących zdrowia przy jednoczesnym zarządzaniu kosztami i obniżaniu ich kosztów.

W tym rozwiązaniu do raportowania kondycji populacji użyjemy danych klinicznych i socjoekkonomicznych generowanych przez szpitale. Jako przykład aplikacji uczenia maszynowego z zarządzaniem kondycją populacji model jest używany do przewidywania długości szpitala. Jest ona nakierowana na szpitale i opieka zdrowotna w celu kontrolowania wydatków na opiekę zdrowotną i zarządzania nimi. Informacje na temat używanych danych i długości modelu pozostawania w szpitalach można znaleźć w podręczniku ręcznego wdrażania rozwiązania. Szpitale mogą wykorzystać te wyniki do optymalizacji systemów zarządzania medyczną i skoncentrowania swoich zasobów klinicznych na pacjentach z bardziej pilnymi potrzebami. Zrozumienie społeczności, które pełnią dzięki raportowaniu stanu zdrowia populacji, może pomóc szpitalom w przejściu z płatności za usługi do opieki opartej na wartości przy jednoczesnym zmniejszeniu kosztów i zapewnieniu lepszej opieki.

Potencjalne przypadki użycia

Tego rozwiązania można używać w następujących scenariuszach:

  • Monitorowanie pacjenta

  • Klinicznych

  • Inteligentne przychodnie

Architektura

Diagram architekturyPobierz format SVG tej architektury.

Przepływ danych

  1. Urządzenia generujące dane w czasie rzeczywistym (IoMT) przesyłają dane do ujścia pozyskiwania danych przesyłanych strumieniowo za pomocą uwierzytelniania urządzenia, takiego jak IoT Hub. Ten ujścio może być autonomicznym Azure IoT Hub może być uwzględniony w w pełni zarządzanej platformie aplikacji, takiej jak Azure IOT Central, z akceleratorami rozwiązań, takimi jak szablon ciągłego monitorowania pacjenta.

  2. Dane urządzenia są następnie odbierane do łącznika IoMT FHIR dla platformy Azure, gdzie są znormalizowane, zgrupowane, przekształcone i utrwalone w Azure API for FHIR.

  3. Źródła danych, takie jak systemy elektronicznej dokumentacji medycznej, systemy administracyjne pacjentów lub systemy laboratoryjne, mogą generować inne formaty komunikatów, takie jak komunikaty HL7, które są konwertowane za pośrednictwem przepływu pracy pozyskania i konwersji HL7. Platforma do pozyskania HL7 zużywa komunikaty HL7 za pośrednictwem funkcji MLLP i bezpiecznie przesyła je na platformę Azure za pośrednictwem protokołu HL7overHTTPS. Dane są trafiać do magazynu obiektów blob, który generuje zdarzenie na platformie Azure Service Bus przetwarzania. Konwersja HL7 to przepływ pracy oparty na aplikacji logiki platformy Azure, który wykonuje uporządkowaną konwersję z HL7 do FHIR za pośrednictwem konwertera FHIR, utrwala komunikat w wystąpieniu Azure API for FHIR Server

  4. Dane są eksportowane z usługi Azure FHIR do usługi Azure Data Lake Gen2 przy użyciu funkcji eksportu zbiorczego. Dane poufne mogą być anonimizowane w ramach funkcji eksportu.

  5. Azure Data Factory są zaplanowane do kopiowania innych źródeł danych ze źródeł lokalnych lub alternatywnych do usługi Azure Data Lake Gen 2.

  6. Użyj Azure Databricks, aby wyczyścić i przekształcić zestawy danych bez struktury i połączyć je z danymi strukturalnymi z operacyjnych baz danych lub magazynów danych. Użyj skalowalnych technik uczenia maszynowego/uczenia głębokiego, aby uzyskać bardziej szczegółowe informacje na podstawie tych danych przy użyciu języka Python, R lub Scala z wbudowanymi środowiskami notesów w Azure Databricks. W tym rozwiązaniu używamy usługi Databricks do zbierania powiązanych, ale różnych zestawów danych do użycia w modelu długości pacjenta.

  7. Eksperymentowanie i opracowywanie modeli odbywa się w Azure Databricks. Integracja z usługą Azure ML za pośrednictwem platformy Mlflow umożliwia szybkie eksperymentowanie z modelami przy użyciu śledzenia, repozytorium modeli i wdrażania.

  8. Publikuj wytrenowane modele przy użyciu usługi Azure Machine Learning do oceniania wsadowego za pośrednictwem punktów końcowych usługi Azure Databrickslub jako punktu końcowego w czasie rzeczywistym przy użyciu wystąpienia kontenera platformy Azurelub Azure Kubernetes Service.

Składniki

  • Usługa Azure IoT Connector for FHIR to opcjonalna funkcja platformy Azure API for FHIR, która umożliwia pozysowanie danych z urządzeń Internetu rzeczy medycznych (IoMT). Alternatywnie każdy, kto chce mieć większą kontrolę i elastyczność dzięki narzędziu IoT Connector, łącznik IoMT FHIR dla platformy Azure to projekt typu open source do pozysków danych z urządzeń IoMT i utrwalania danych na serwerze FHIR®. Uproszczony szablon wdrożenia jest dostępny tutaj.

  • Azure Data Factory to hybrydowa usługa integracji danych, która umożliwia tworzenie, planowanie i organizowanie przepływów pracy ETL/ELT.

  • Azure API for FHIR to w pełni zarządzana usługa klasy korporacyjnej do obsługi danych dotyczących kondycji w formacie FHIR.

  • Usługa Azure Data Lake Storage jest wysoce skalowalna, bezpieczna data lake wbudowana w usługę Azure Blob Storage.

  • Azure Databricks to szybka, łatwa i oparta na Apache Spark platforma do analizy danych.

  • Azure Machine Learning to usługa w chmurze do trenowania, oceniania i wdrażania modeli uczenia maszynowego oraz zarządzania nimi na dużą skalę. Ta architektura używa natywnej Azure Machine Learning usługi MLflow do rejestrować eksperymenty, przechowywać modele i wdrażać modele.

  • Power BI to zestaw narzędzi do analizy biznesowej, które zapewniają szczegółowe informacje w całej organizacji. Połączenie do setek źródeł danych, uprościć wstępne dane i prowadzić interaktywną analizę. Twórz piękne raporty, a następnie publikuj je, aby organizacja korzystała z nich w Internecie i na urządzeniach przenośnych.

Wdrażanie tego scenariusza

W tym miejscu wyszczególnione są dwa przykładowe projekty, które można zaimportować do Azure Databricks. Tryb klastra standardowego musi być używany w notesach Predicting Length of State (Przewidywanie długości stanu) ze względu na użycie kodu R. Rozwiązanie można wdrożyć w następujących przykładach:

  1. Raport live population health (Raport kondycji populacji na żywo) z przewidywaniami długości pozostawania szkoli model przy użyciu rekordów na poziomie napotkania dla miliona pacjentów. Schemat danych pasuje do danych state inpatient databases (SID) z usługi Healthcare Cost and Utilization Project(HCUP), aby ułatwić korzystanie z rozwiązania z rzeczywistymi danymi HCUP. Jest ona odpowiednia do użycia w podobnych populacjach pacjentów, chociaż zalecamy, aby szpitale ponownie trenują model przy użyciu własnych historycznych danych pacjentów w celu najlepszego wyniku. Rozwiązanie symuluje 610 funkcji klinicznych i demograficznych, w tym wiek, płeć, kod pocztowy, diagnozy, procedury, opłaty itp. dla około miliona pacjentów w 23 szpitalach. Aby zastosować go do nowo przyjętych pacjentów, model musi być wytrenowany przy użyciu tylko tych cech, które są dostępne dla każdego pacjenta w momencie przyjęcia.

  2. Przewidywanie i interwencja w zakresie odczytu dla opieki zdrowotnej specyficzne dla pacjenta korzysta z zestawu danych dotyczących cukrzycy, który pierwotnie został opracowany na podstawie sympozjum AAI Spring Symposium on Artificial Intelligence in Medicine (Sztuczna inteligencja w medycynie) i został udostępniony przez dr Michaela Kahna w repozytorium UCI Machine Learning.

Następne kroki

  • Architektura usługi Azure Health od zespołu inżynierów architektury danych w chmurze Microsoft Health, obejmuje wiele architektur referencyjnych uzyskanych przez ścisłą współpracę klientów, partnerów i współpracowników w domenie Kondycja.
  • Ciągłe monitorowanie pacjentów udostępnia szablon aplikacji, który umożliwia tworzenie rozwiązania do ciągłego monitorowania pacjenta.
  • Medical Imaging Server for DICOM to implementacja platformy .NET Core dicomweb™ która może być uruchamiana na platformie Azure.
  • OpenHir to kolekcja samouczków opartych na forach OpenHir, których można użyć do poznania usług związanych z platformą FHIR na platformie Azure.