Przewidywanie długości pobytu i przepływu pacjentów

Usługa Machine Learning
Power BI
SQL Server

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!

W przypadku osób, które działają w placówce opieki zdrowotnej, długość okresu pozostawania w ciągu kilku dni od przyjęcia pacjenta do stanu zdrowia. Jednak ta liczba może się różnić w różnych obiektach oraz w różnych warunkach i specjalizacjach, nawet w obrębie tego samego systemu opieki zdrowotnej, co utrudnia śledzenie przepływu pacjentów i odpowiednie planowanie.

To rozwiązanie platformy Azure ułatwia administratorom szpitali korzystanie z możliwości uczenia maszynowego w celu przewidywania długości pozostawania w szpitalach w celu usprawnienia planowania pojemności i wykorzystania zasobów. Dyrektor ds. informacji medycznej może użyć modelu predykcyjnego, aby określić, które obiekty są overtaxed i które zasoby należy w tych obiektach wzmacniać, a kierownik linii medycznej może użyć go do określenia, czy istnieją odpowiednie zasoby personelu do obsługi zwolnienia pacjenta.

Potencjalne przypadki użycia

Możliwość przewidywania długości pobytu w czasie napływu danych pomaga szpitalom zapewnić opiekę medyczną wyższej jakości i usprawnić ich obciążenie operacyjne. Pomaga również dokładnie planować nachynięcia, obniżając inne miary jakości, takie jak readmissions.

Architektura

Diagram architekturyPobierz format SVG tej architektury.

Składniki

  • SQL Server Machine Learning Services:przechowuje dane pacjentów i szpitali. Zapewnia trenowania i przewidywane modele oraz przewidywane wyniki do użycia przy użyciu R.
  • Power BI udostępnia interaktywny pulpit nawigacyjny z wizualizacją, która używa danych przechowywanych w SQL Server do podejmowania decyzji dotyczących przewidywań.
  • Azure Machine Learning:Machine Learning pomaga projektować, testować, zoperacyjnie i zarządzać rozwiązaniami analizy predykcyjnej w chmurze.

Następne kroki