Gerenciamento de saúde populacional para serviços de saúde

Data Factory
Databricks
API para FHIR
Hubs de Eventos
Stream Analytics
Power BI

Ideia da solução

se você quiser nos ver, expanda este artigo com mais informações, como casos de uso em potencial, serviços alternativos, considerações sobre implementação ou diretrizes de preços, fale conosco com GitHub comentários!

O Gerenciamento de Saúde da População é uma ferramenta importante que está sendo cada vez mais usada pelos provedores de serviços de saúde para gerenciar e controlar os custos de escalonamento. O ponto crucial do Gerenciamento de Saúde da População é usar dados para melhorar os resultados de saúde. Acompanhamento, monitoramento e marcação de banco são os três princípios do Gerenciamento de Saúde da População, destinados a melhorar os resultados clínicos e de saúde, gerenciando e reduzindo os custos.

Nesta solução, vamos usar os dados clínicos e clínicos no paciente gerados por médicos para relatórios de saúde da população. Como exemplo de um aplicativo de machine learning com gerenciamento de saúde da população, um modelo é usado para prever a duração da estada do hospital. Ele é voltado para médicos e provedores de serviços de saúde para gerenciar e controlar as despesas de serviços de saúde por meio da prevenção e do gerenciamento de doença. Você pode aprender sobre os dados usados e a duração do modelo de estada de hospital no guia de implantação manual da solução. Os médicos podem usar esses resultados para otimizar os sistemas de gerenciamento de serviços de saúde e concentrar seus recursos clínicos em pacientes com necessidade mais urgente. Entender as comunidades que elas atendem por meio de relatórios de saúde da população pode ajudar a transição dos hospitalizados de pagamentos por serviço para o atendimento baseado em valor, reduzindo os custos e fornecendo um melhor cuidado.

Exemplos

  • Monitoramento de pacientes

  • Testes clínicos

  • Smart Clinics

Arquitetura

Diagrama de arquitetura Baixe um SVG dessa arquitetura.

Fluxo de dados

  1. A IoMT (geração de dados em tempo real) transfere dados para um sink de ingestão de dados de streaming com autenticação de dispositivo, como o Hub IoT. Esse sink pode ser um Hub IoT do Azure autônomo ou pode ser incluído em uma plataforma de aplicativo totalmente gerenciada como o Azure IOT Central com aceleradores de solução, como um modelo de monitoramento contínuo de pacientes.

  2. Em seguida, os dados do dispositivo são recebidos no Conector IoMT FHIR para Azure, em que são normalizados, agrupados, transformados e persistentes no API do Azure para FHIR.

  3. Fontes de dados como sistemas de Registros Médicos Eletrônicos, sistemas de administração de pacientes ou sistemas de laboratório podem gerar outros formatos de mensagem, como mensagens HL7 que são convertidas por meio de um fluxo de trabalho de ingestão e conversão HL7. A plataforma de ingestão HL7 consome mensagens HL7 via MLLP e as transfere com segurança para o Azure por meio de HL7overHTTPS. Os dados estão no armazenamento de blob, que produz um evento no Azure Barramento de Serviço para processamento. A conversão de HL7 é um fluxo de trabalho baseado no Aplicativo Lógico do Azure que executa a conversão orderly de HL7 para FHIR por meio do Conversor FHIR, mantém a mensagem em uma instância de servidor API do Azure para FHIR

  4. Os dados são exportados do Serviço do Azure FHIR para o Azure Data Lake Gen2 usando o recurso exportação em massa. Dados confidenciais podem ser anonimizados como parte da função de exportação.

  5. Azure Data Factory trabalhos são agendados para copiar outras fontes de dados locais ou alternativas para o Azure Data Lake Gen 2.

  6. Use Azure Databricks para limpar e transformar os conjuntos de dados sem estrutura e combiná-los com dados estruturados de bancos de dados operacionais ou data warehouses. Use técnicas escalonáveis de aprendizado de máquina/aprendizado profundo para obter insights mais profundos sobre esses dados usando Python, R ou Scala, com experiências de notebook embutidos Azure Databricks. Nesta solução, usamos o Databricks para reunir conjuntos de dados relacionados, mas diferentes para uso no tamanho do paciente do modelo de estada.

  7. A experimentação e o desenvolvimento de modelos ocorrem Azure Databricks. A integração com o Azure ML por meio do mlflow permite uma rápida experimentação de modelo com acompanhamento, repositório de modelos e implantação.

  8. Publique modelos treinados usando um serviço Azure Machine Learning para pontuação em lote por meio de pontos de extremidade do Azure Databricksou como um ponto de extremidade em tempo real usando uma Instância de Contêiner do Azure ouServiço de Kubernetes do Azure .

Componentes

  • O Azure IoT Connector para FHIR é um recurso opcional do API do Azure para FHIR que fornece a capacidade de ingerir dados de dispositivos IoMT (Internet das Coisas Médicas). Como alternativa, qualquer pessoa que deseje ter mais controle e flexibilidade com o IoT Connector, o Conector IoMT FHIR para Azure é um projeto de código aberto para ingerir dados de dispositivos IoMT e persistir os dados em um servidor FHIR®. Um modelo de implantação simplificado está disponível aqui.

  • Azure Data Factory é um serviço de integração de dados híbrido que permite criar, agendar e orquestrar seus fluxos de trabalho ETL/ELT.

  • API do Azure para FHIR é um serviço de nível empresarial totalmente gerenciado para dados de saúde no formato FHIR.

  • O Azure Data Lake Armazenamento é uma funcionalidade de data lake de blob do Azure Armazenamento.

  • Azure Databricks é uma plataforma rápida, fácil e colaborativa Apache Spark de análise de dados baseada em dados.

  • Azure Machine Learning é um serviço de nuvem para treinamento, pontuação, implantação e gerenciamento de modelos de machine learning em escala. Essa arquitetura usa o suporte nativo Azure Machine Learning serviço do Azure Machine Learning para MLflow para registrar experimentos, armazenar modelos e implantar modelos.

  • O Power BI é um pacote de ferramentas de análise de negócios que fornece insights a toda a organização. Conexão centenas de fontes de dados, simplificar a preparação de dados e conduzir a análise interativa. Produza relatórios belos e publique-os para sua organização consumir na Web e em dispositivos móveis.

Descrição

Dois projetos de exemplo são detalhados aqui que podem ser importados para Azure Databricks. Observação: esse Modo de Cluster Padrão deve ser usado nos notebooks De Previsão de Comprimento de Estado devido ao uso do código R.

  1. O Relatório de Saúde da População Ao Vivo com previsões de duração de estada treina um modelo usando registros no nível do contato para um milhão de pacientes. O esquema de dados corresponde aos dados de SID (Bancos de Dados de Incompatibilidade de Estado) do HCUP (Healthcare Cost and Utilization Project)para facilitar o uso da solução com dados reais do HCUP. Ele é adequado para uso em populações de pacientes semelhantes, embora seja recomendável que os médicos retreinem o modelo usando seus próprios dados históricos de pacientes para melhores resultados. A solução simula 610 recursos clínicos e demográficos, incluindo idade, gênero, cep, diagnósticos, procedimentos, encargos etc. para cerca de um milhão de pacientes em 23 pacientes. Para ser aplicado a pacientes recém-internados, o modelo deve ser treinado usando apenas recursos que estão disponíveis para cada paciente no momento da admissão.

  2. A Previsão e a Intervenção de Readmission específicas do paciente para a Assistência à Saúde usa um conjunto de dados de diabetes originalmente produzido para o Spring Symposium da AAI de 1994 sobre Inteligência Artificial na Saúde, agora compartilhado com cuidado pelo Dr. Michael Ltda no Repositório UCI Machine Learning.

Próximas etapas

  • As Arquiteturas de Saúde do Azure da equipe de Engenharia de Arquitetura de Dados do Microsoft Health Cloud & incluem muitas arquiteturas de referência obtidas trabalhando de perto com clientes, parceiros e colegas de trabalho no domínio de Saúde.
  • O monitoramento contínuo de pacientes fornece um modelo de aplicativo que pode criar uma solução de monitoramento contínuo de pacientes.
  • O Servidor de Imagens Médicas para DICOM é uma implementação do .NET Core de DICOMweb™ que pode ser executado no Azure.
  • O OpenHack para FHIR é uma coleção de tutoriais baseados em OpenHack que podem ser usados para saber mais sobre os serviços relacionados a FHIR no Azure.