Population Health Management för sjukvårdssektorn

Data Factory
Databricks
API för FHIR
Event Hubs
Stream Analytics
Power BI

Lösningsidé

Om du vill att vi utökar den här artikeln med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du berätta för GitHub Feedback!

Population Health Management är ett viktigt verktyg som i allt större utsträckning används av vårdgivare för att hantera och kontrollera de eskalerande kostnaderna. Kärnan i populationens hälsohantering är att använda data för att förbättra hälsoresultat. Spårning, övervakning och markering av markeringar är de tre skyddsplatserna för hantering av populationens hälsotillstånd, som syftar till att förbättra de kliniska och hälsoutfallen och samtidigt hantera och minska kostnaderna.

I den här lösningen använder vi de kliniska och diagnostiska patientdata som genereras av sjukhus för rapportering av populationens hälsotillstånd. Som ett exempel på ett maskininlärningsprogram med hantering av populationens hälsotillstånd används en modell för att förutsäga längden på sjukhusbesöket. Den är inriktad på sjukhus och hälsovårdsleverantörer för att hantera och kontrollera hälsovårdsutgifterna via förebyggande och hantering av sjukdomar. Du kan lära dig mer om de data som används och längden på sjukhuslängden i den manuella distributionsguiden för lösningen. Sjukhus kan använda dessa resultat för att optimera vårdhanteringssystem och fokusera sina kliniska resurser på patienter med mer brådskande behov. Att förstå de grupper som de betjänar via hälsorapportering kan hjälpa sjukhus att övergå från avgifts-till-tjänstbetalningar till värdebaserad vård samtidigt som kostnaderna minskar och ger bättre vård.

Exempel

  • Patientövervakning

  • Kliniska studier

  • Smart Clinics

Arkitektur

Arkitekturdiagram Ladda ned en SVG för den här arkitekturen.

Dataflöde

  1. Realtidsdata som genererar enheter (IoMT) överför data till en mottagare för inmatning av strömmande data med enhetsautentisering, till exempel IoT Hub. Den här mottagaren kan vara en fristående Azure IoT Hub eller inkluderas i en fullständigt hanterad programplattform som Azure IOT Central med lösningsacceleratorer, till exempel en mall för kontinuerlig patientövervakning.

  2. Enhetsdata tas sedan emot i IoMT FHIR Connector för Azure, där de normaliseras, grupperas, transformeras och bevaras i Azure API for FHIR.

  3. Datakällor som elektroniska medicinska journalsystem, patientadministrationssystem eller labbsystem kan generera andra meddelandeformat, till exempel HL7-meddelanden som konverteras via ett arbetsflöde för hl7-inmatning och konvertering. HL7-inmatningsplattformen förbrukar HL7-meddelanden via MLLP och överför dem på ett säkert sätt till Azure via HL7overHTTPS. Data hamnar i Blob Storage, vilket genererar en händelse på Azure Service Bus för bearbetning. HL7-konverteringen är ett Azure Logic App-baserat arbetsflöde som utför ordnad konvertering från HL7 till FHIR via FHIR-konverteraren, bevarar meddelandet i en Azure API for FHIR Server-instans

  4. Data exporteras från Azure FHIR-tjänsten till Azure Data Lake Gen2 med hjälp av massexportfunktionen. Känsliga data kan anonymiseras som en del av exportfunktionen.

  5. Azure Data Factory jobb schemaläggs för att kopiera andra datakällor från lokala eller alternativa källor till Azure Data Lake Gen 2.

  6. Använd Azure Databricks att rensa och transformera de strukturlösa datauppsättningarna och kombinera dem med strukturerade data från driftdatabaser eller informationslager. Använd skalbara maskininlärnings-/djupinlärningstekniker för att härleda djupare insikter från dessa data med hjälp av Python, R eller Scala, med inbyggda notebook-upplevelser i Azure Databricks. I den här lösningen använder vi Databricks för att samla relaterade, men skilda datauppsättningar för användning i patientlängden för kvarvarsmodellen.

  7. Experimentering och modellutveckling sker i Azure Databricks. Integrering med Azure ML genom mlflow möjliggör snabb modellexperimentering med spårning, modelllagringsplats och distribution.

  8. Publicera tränade modeller med Azure Machine Learning-tjänsten för batchbedömning via Azure Databricks slutpunkter , eller som en realtidsslutpunktmed hjälp av en Azure Container Instance eller Azure Kubernetes Service.

Komponenter

  • Azure IoT Connector for FHIR är en valfri funktion i Azure API for FHIR som ger möjlighet att mata in data från IoMT-enheter (Internet of Medical Things). Alternativt kan alla som vill ha mer kontroll och flexibilitet med IoT Connector, IoMT FHIR Connector för Azure är ett projekt med öppen källkod för att mata in data från IoMT-enheter och spara data i en FHIR®-server. En förenklad distributionsmall finns här.

  • Azure Data Factory är en integreringstjänst för hybriddata som gör att du kan skapa, schemalägga och orkestrera dina ETL/ELT-arbetsflöden.

  • Azure API for FHIR är en fullständigt hanterad tjänst i företagsklass för hälsodata i FHIR-format.

  • Azure Data Lake Storage är mycket skalbara och säkra datasjöfunktioner som bygger på Azure Blob Storage.

  • Azure Databricks är en snabb, enkel och Apache Spark plattform för dataanalys.

  • Azure Machine Learning är en molntjänst för utbildning, bedömning, distribution och hantering av maskininlärningsmodeller i stor skala. Den här arkitekturen använder Azure Machine Learning tjänstens inbyggda stöd för MLflow för att logga experiment, lagra modeller och distribuera modeller.

  • Power BI är en uppsättning affärsanalysverktyg som ger insikter i hela organisationen. Anslut till hundratals datakällor, förenkla dataförberedelser och driva interaktiv analys. Skapa snygga rapporter och publicera dem sedan så att din organisation kan använda dem på webben och på mobila enheter.

Description

Två exempelprojekt beskrivs här som kan importeras till Azure Databricks. Obs! Standardklusterläget måste användas på notebook-datorer för förutsägande längd på tillstånd på grund av användning av R-kod.

  1. Live Population Health Report med längd på stay-förutsägelser tränar en modell med hjälp av poster på på encounter-nivå för en miljon patienter. Schemat för data matchar SID-data (State Inpatient Databases) från Healthcare Cost and Utilization Project(HCUP) för att underlätta lösningens användning med verkliga HCUP-data. Den är lämplig för liknande patientpopulationer, men vi rekommenderar att sjukhusen omtränar modellen med sina egna historiska patientdata för bästa resultat. Lösningen simulerar 610 kliniska och demografiska funktioner, inklusive ålder, kön, postnummer, diagnoser, procedurer, avgifter osv. för cirka en miljon patienter över 23 sjukhus. För att kunna tillämpas på nyligen tilltagna patienter måste modellen tränas med endast funktioner som är tillgängliga för varje patient vid tidpunkten för antagningen.

  2. Patientspecifik förutsägelse och intervention för hälsovård använder en diabetesdatamängd som ursprungligen skapades för AAI Spring Symposium on Artificial Intelligence in Medicine från 1994, som nu delas av dr Michael Kahn på UCI Machine Learning Repository.

Nästa steg

  • Azure Health-arkitekturer från Microsoft Health Cloud & Data Architectural Engineering-teamet innehåller många referensarkitekturer som erhållits genom att samarbeta nära kunder, partner och medarbetare i domänen Hälsa.
  • Kontinuerlig övervakning av patienter tillhandahåller en appmall som kan skapa en lösning för kontinuerlig patientövervakning.
  • Medical Imaging Server för DICOM är en .NET Core-implementering av DICOMweb™ som kan köras i Azure.
  • OpenHack for FHIR är en samling OpenHack-baserade självstudier som kan användas för att lära dig mer om FHIR-relaterade tjänster i Azure.