Zarządzanie stanem zdrowia populacji dla służby zdrowia

Data Factory
Databricks
Interfejs API dla standardu FHIR
Event Hubs
Stream Analytics
Power BI

Pomysł na rozwiązanie

Jeśli chcesz, abyśmy rozszerzyli ten artykuł o 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 do poprawy wyników kondycji. Śledzenie, monitorowanie i oznaczanie na podstawie badań to trzy bastiony zarządzania kondycją populacji, których celem jest poprawa wyników klinicznych i dotyczących zdrowia przy jednoczesnym zarządzaniu kosztami i ich obniżaniu.

W tym rozwiązaniu użyjemy danych klinicznych i socjoekonomicznych dla pacjentów generowanych przez szpitale do raportowania stanu zdrowia populacji. Jako przykład aplikacji uczenia maszynowego z zarządzaniem zdrowiem populacji model jest używany do przewidywania długości szpitala. Jest ona nakierowana na szpitale i placówki opieki zdrowotnej, aby zarządzać wydatkami na opiekę zdrowotną i kontrolować je za pośrednictwem zapobiegania choroby i zarządzania nimi. Informacje na temat używanych danych i modelu długości szpitala można znaleźć w podręczniku ręcznego wdrażania rozwiązania. Szpitale mogą wykorzystać te wyniki do optymalizacji systemów zarządzania medyczną i skoncentrowania zasobów klinicznych na pacjentach z bardziej pilnymi potrzebami. Zrozumienie społeczności, które służą za pośrednictwem raportowania stanu zdrowia populacji, może pomóc szpitalom przejść z płatności za usługi do opieki opartej na wartości przy jednoczesnym zmniejszeniu kosztów i zapewnieniu lepszej opieki.

Przykłady

  • Monitorowanie pacjentów

  • Klinicznych

  • Smart Clinics

Architektura

Diagram architektury Pobierz 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 urządzeń, takiego IoT Hub. Ten ujścio może być autonomicznym Azure IoT Hub lub może zostać 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 elektronicznych rejestrów medycznych, systemy administrowania pacjentami 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 trafią 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 eksportowania.

  5. Azure Data Factory zaplanowano kopiowanie innych źródeł danych ze źródeł lokalnych lub alternatywnych do usługi Azure Data Lake Gen 2.

  6. Używaj Azure Databricks, aby czyścić i przekształcać zestawy danych bez struktury oraz łączyć je ze strukturą danych 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 Azure Databricks. W tym rozwiązaniu używamy usługi Databricks do zbierania powiązanych, ale różnych zestawów danych do użycia w modelu długości pacjenta podczas pozostawania.

  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 wsadowegoza pośrednictwem punktów końcowych usługi Azure Databricks lub jako punkt końcowy w czasie rzeczywistym przy użyciu wystąpienia kontenera platformy Azure lub 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 to 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, wdrażania i zarządzania modelami uczenia maszynowego na dużą skalę. Ta architektura korzysta z 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 dla swojej organizacji, aby korzystać z nich w Internecie i na urządzeniach przenośnych.

Opis

Dwa przykładowe projekty zostały tutaj szczegółowo opisane, które można zaimportować do Azure Databricks. Uwaga: w notesach Predicting Length of State (Przewidywanie długości stanu) należy używać standardowego trybu klastra ze względu na użycie kodu R.

  1. Raport kondycji populacji na żywo z przewidywaniami długości pozostawania szkoli model przy użyciu rekordów na poziomie spotkania dla miliona pacjentów. Schemat danych jest dopasowuje dane state inpatient databases (SID) z usługi Healthcare Cost and Utilization Project(HCUP) w celu ułatwienia korzystania z rozwiązania z rzeczywistymi danymi HCUP. Jest ona odpowiednia do użycia w podobnych populacjach pacjentów, chociaż zalecamy ponowne trenowanie modelu przez szpitale przy użyciu własnych historycznych danych pacjentów, aby uzyskać najlepsze wyniki. 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 można było zastosować go do nowo przyjętych pacjentów, model musi być wytrenowany przy użyciu tylko funkcji dostępnych dla każdego pacjenta w momencie przyjęcia.

  2. Przewidywanie i interwencja w zakresie readmission dla opieki zdrowotnej używa zestawu danych dotyczących cukrzycy, który pierwotnie został opracowany podczas sympozjum AAI Spring w 1994 r. na temat sztucznej inteligencji w medycynie. Teraz jest on współużytowany przez dr Michaela Kahna w repozytorium UCI Machine Learning Repository.

Następne kroki

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