Förutsäg vistelselängd och patientflöde

Machine Learning
Power BI
SQL Server

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!

För de personer som kör en sjukvårdsanläggning gäller längden på antalet dagar från patientantagning till vårdärenden. Det antalet kan dock variera mellan anläggningar och mellan sjukdomstillstånd och sjukdomstillstånd, även inom samma sjukvårdssystem, vilket gör det svårare att spåra patientflödet och planera därefter.

Den här Azure-lösningen hjälper sjukhusadministratörer att använda maskininlärning för att förutsäga längden på antagning till sjukhus, för att förbättra kapacitetsplaneringen och resursutnyttjandet. En chief Medical Information Officer kan använda en förutsägelsemodell för att avgöra vilka anläggningar som är överbemannade och vilka resurser som ska användas i dessa anläggningar, och en vårdansvarig kan använda den för att avgöra om det finns tillräckligt med personalresurser för att hantera utlösningen av en patient.

Att kunna förutsäga längden på antagning hjälper sjukhusen att tillhandahålla vård av högre kvalitet och effektivisera sin operativa arbetsbelastning. Den hjälper också till att korrekt planera för tömning, vilket sänker andra kvalitetsmått, till exempel återtagningar.

Arkitektur

Arkitekturdiagram – Ladda ned en SVG för den här arkitekturen.

Komponenter

  • SQL Server Machine Learning:Lagrar patient- och sjukhusdata. Ger träning och förutsagda modeller och förutsagda resultat för förbrukning med hjälp av R.
  • Power BI en interaktiv instrumentpanel med visualisering som använder data som lagras i SQL Server för att fatta beslut om förutsägelserna.
  • Azure Machine Learning:Machine Learning hjälper dig att utforma, testa, operationalisera och hantera prediktiva analyslösningar i molnet.

Nästa steg