Population Health Management для организаций в сфере здравоохранения

Фабрика данных
Databricks
API для FHIR
Центры событий
Stream Analytics
Power BI

Концепция решения

если вы хотите узнать больше о том, как получить дополнительные сведения о возможных вариантах использования, альтернативных службах, рекомендациях по реализации или ценах, сообщите нам о GitHub.

Управление работоспособностью населения — это важное средство, которое все чаще используется поставщиками услуг здравоохранения для управления и контроля за укрупнением затрат. Основополагающей управления работоспособностью населения — использование данных для улучшения результатов работоспособности. Отметка отслеживания, мониторинг и оценка — это три бастионами управления работоспособностью населения, нацеленные на улучшение клинической практике и результатов работоспособности при управлении и сокращении затрат.

В этом решении мы будем использовать данные клинической практике и социально-экономическими в состоянии пациента, созданные больницы для создания отчетов о работоспособности населения. В качестве примера приложения машинного обучения с управлением работоспособностью Генеральной совокупности модель используется для прогнозирования длительности больницы. Она нацелена на поставщиков услуг больницы и здравоохранения для управления расходами на здравоохранение и управления ими с помощью предотвращения и управления болезни. Сведения об используемых данных и продолжительности больницы остаются в руководстве по ручному развертыванию решения. Больницы может использовать эти результаты для оптимизации работы с системами управления питанием и сосредоточиться на клинической практикеных ресурсах на пациентов с более срочной потребностью. Основные сведения о сообществах, которые они обслуживают с помощью отчетов о работоспособности населения, помогут больницы переход от платных выплат к обслуживанию на основе ценности, одновременно уменьшая расходы и предоставляя более высокую осторожность.

Примеры

  • Мониторинг пациента

  • Клинической практикеные пробные версии

  • Интеллектуальные семинары

Architecture

Схема архитектуры . Скачайте SVG этой архитектуры.

Поток данных

  1. Данные, создаваемые устройствами в режиме реального времени (Иомт), передаются приемнику приема данных потоковой передачи с проверкой подлинности устройства, например центром Интернета вещей. Этот приемник может быть автономным центром Интернета вещей Azure, или его можно добавить в полностью управляемую платформу приложений, такую как Azure IOT Central , с помощью ускорителей решений, таких как шаблон мониторинга непрерывного пациента.

  2. Затем данные устройства поступают в соединитель Иомт FHIR для Azure, где они нормализованы, группируются, преобразуются и сохраняются в API Azure для FHIR.

  3. Источники данных, такие как электронные системы медицинских заработок, системы администрирования пациента или лабораторные системы, могут создавать другие форматы сообщений, такие как сообщения HL7, преобразованные с помощью рабочего процесса приема и преобразования HL7. HL7 принимающая платформа использует сообщения HL7 через МЛЛП и безопасно передает их в Azure через HL7overHTTPS. объемы данных в хранилище blob-объектов, которые создают событие в служебная шина Azure для обработки. HL7 Convert — это рабочий процесс на основе приложения логики Azure, который выполняет упорядоченное преобразование из HL7 в FHIR через преобразователь FHIR, сохраняет сообщение в API Azure для экземпляра сервера FHIR.

  4. Данные экспортируются из службы FHIR Azure в Azure Data Lake Gen2 с помощью функции полного экспорта . Конфиденциальные данные могут быть анонимно включены в функцию экспорта.

  5. Для заданий фабрики данных Azure запланировано копирование других источников данных из локальных или альтернативных источников в Azure Data Lake Gen 2.

  6. Используйте Azure Databricks для очистки и преобразования наборов данных без структуры и объединения их с структурированными данными из рабочих баз данных или хранилищ данных. Используйте масштабируемые методики машинного обучения и глубокого обучения, чтобы получить более подробную информацию из этих данных с помощью Python, R или Scala, а также встроенных возможностей ноутбука в Azure Databricks. В этом решении мы используем модуль данных для объединения связанных, но разнородных наборов данных для использования в длительности пациента.

  7. Эксперименты и разработка моделей выполняются в Azure Databricks. интеграция с Azure ML с помощью млфлов обеспечивает быстрое экспериментирование модели с отслеживанием, хранилищем моделей и развертыванием.

  8. опубликуйте обученные модели с помощью службы Машинное обучение Azure для пакетной оценки через конечные точки Azure Databricksили в качестве конечной точки в режиме реального времени с помощью экземпляра контейнера azure или службы Kubernetes azure.

Компоненты

  • IoT Connector azure для FHIR — это необязательная функция API azure для FHIR, которая предоставляет возможность приема данных из интернета на устройствах медицинских вещей (иомт). кроме того, каждый, кто хочет иметь больший контроль и гибкость с IoT Connector, соединитель иомт FHIR для Azure — это проект с открытым исходным кодом для приема данных с иомт устройств и сохранения данных на® сервере FHIR. Упрощенный шаблон развертывания доступен здесь.

  • Фабрика данных Azure — это гибридная служба интеграции данных, которая позволяет создавать, планировать и координировать рабочие процессы ETL/ELT.

  • API Azure для FHIR — это полностью управляемая служба корпоративного класса для данных о работоспособности в формате FHIR.

  • Azure Data Lake Storage обеспечивает массовую масштабируемость, безопасную функциональность Data Lake, основанную на служба хранилища больших двоичных объектов Azure.

  • Azure Databricks — это быстрая, простая и совместная работающая платформа для анализа данных на основе Apache Spark.

  • Машинное обучение Azure — это облачная служба для обучения, оценки, развертывания и управления моделями машинного обучения в масштабе. в этой архитектуре Машинное обучение Azure используется собственная поддержка млфлов службы для экспериментов с журналами, хранения моделей и развертывания моделей.

  • Power BI — это набор инструментов бизнес-аналитики, которые обеспечивают целостное представление обо всей вашей организации. Подключение к сотням источников данных, упрощению подготовки данных и интерактивному анализу. Создание привлекательных отчетов, а затем публикация их в Организации для использования в Интернете и на мобильных устройствах.

Описание

Здесь подробно описаны два примера проекта, которые можно импортировать в Azure Databricks. Примечание. Этот режим Кластер (цен. категория "Стандартный") должен использоваться для прогнозирования длины записных книжек в соответствии с использованием кода R.

  1. Отчет о работоспособности Live Population с длительностью непрерывных прогнозов проводит обучение модели, используя записи уровня встреча в течение миллиона или пациентов. схема данных соответствует данным о состоянии недорогого использования(SID) от затрат на здравоохранение и Project (хкуп) для упрощения использования решения с реальными данными хкуп. Он подходит для использования в аналогичном заполнении пациента, но мы рекомендуем больницы повторное обучение модели с помощью собственных данных о пациентах, чтобы получить лучшие результаты. Решение имитирует 610 клинической практике и демографические функции, в том числе возраст, пол, ZipCode, диагностика, процедуры, расходы и т. д. для около миллиона пациентов в 23 больницы. Чтобы применить к вновь допущенным пациентов, модель должна быть обучена с использованием только тех функций, которые доступны для каждого пациента во время их допуска.

  2. в соответствии с прогнозированием и вмешательством в отношении здравоохранения в отношении контроля работоспособности используется набор данных диабета 1994, который изначально был создан для ааи Symposium весны на искусственном интеллекте в медицина, теперь женераусли совместно с Dr. Michael кахн в репозитории UCI Машинное обучение.

Дальнейшие действия

  • архитектуры работоспособности Azure из группы проектирования архитектуры данных Microsoft Health Cloud &, включают в себя множество эталонных архитектур, полученных тесно работающими клиентами, партнерами и коллегами в домене работоспособности.
  • Мониторинг непрерывного пациента предоставляет шаблон приложения, который может создавать решение для мониторинга непрерывного пациента.
  • Сервер медицинских изображений для DICOM — это реализация дикомвеб™ .NET Core, которая может быть запущена в Azure.
  • Опенхакк for FHIR — это коллекция руководств на основе опенхакк, которые можно использовать для получения сведений о службах, связанных с FHIR в Azure.