Prever o tempo de internação e o fluxo de pacientes

Machine Learning
Power BI
SQL Server

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!

Para as pessoas que estão executando uma instalação de saúde, o tempo de permanência-o número de dias da admissão de pacientes até a descarga. No entanto, esse número pode variar em instalações e em especialidades e condições de doenças, mesmo no mesmo sistema de saúde, tornando mais difícil acompanhar o fluxo do paciente e o plano de acordo.

Essa solução do Azure ajuda os administradores do hospital a usar o poder do aprendizado de máquina para prever o tempo de permanência para as admissões no hospital, para melhorar o planejamento de capacidade e a utilização de recursos. Um diretor de informações médicas pode usar um modelo de previsão para determinar quais recursos são sobrecarregados e quais recursos podem ser reforçados nessas instalações, e um gerente de linha de atendimento pode usá-lo para determinar se haverá recursos de equipe adequados para lidar com o lançamento de um paciente.

Ser capaz de prever o tempo de permanência no momento da admissão ajuda os hospitais a oferecer maior cuidado de qualidade e simplificar sua carga de trabalho operacional. Ele também ajuda a planejar com precisão as descargas, reduzindo outras medidas de qualidade, como readmissão.

Arquitetura

Diagrama de arquitetura Baixe um SVG dessa arquitetura.

Componentes

  • SQL Server Machine Learning Services: armazena os dados do paciente e do hospital. Oferece treinamento e modelos previstos e resultados previstos para consumo usando o R.
  • Power BI fornece um painel interativo com visualização que usa dados armazenados em SQL Server para impulsionar decisões sobre as previsões.
  • Azure Machine Learning: Machine Learning ajuda a projetar, testar, colocar em operação e gerenciar soluções de análise preditiva na nuvem.

Próximas etapas