Förutsägelser kring längd på sjukhusvistelser

Data Science Virtual Machine
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!

Den här lösningen möjliggör en förutsägelsemodell för längd på sjukhusbesök. Längden på stay (LOS) definieras i antalet dagar från det första inskrivningsdatumet till det datum då patienten fördes bort från en viss sjukhusavdelning.

Arkitektur

Arkitekturdiagram – Ladda ned en SVG för den här arkitekturen.

Distribution

Distributionsinstruktioner och mer information om den tekniska implementeringen finns i Predicting Length of Stay in Sjukhus (Förutsäga längden på sjukhusen GitHub lagringsplatsen).

Översikt

Den här lösningen möjliggör en förutsägelsemodell för längd på sjukhusbesök. Längden på stay (LOS) definieras i antalet dagar från det första inskrivningsdatumet till det datum då patienten fördes bort från en viss sjukhusavdelning. Det kan finnas betydande variation av LOS mellan olika anläggningar och över sjukdomstillstånd och härdning även inom samma sjukvårdssystem. Avancerad LOS-förutsägelse vid tidpunkten för antagning kan förbättra vårdkvaliteten och effektiviteten i driftsarbetsbelastningen och hjälpa till med korrekt planering för tömning, vilket resulterar i att andra kvalitetsmått, till exempel återtagningar, sänks.

Affärsperspektiv

Det finns två olika företagsanvändare inom sjukhushantering som kan förvänta sig att dra nytta av mer tillförlitliga förutsägelser om längden på stanna. Dessa är:

  • Chiefs Medical Information Officer (CMIO), som skiljer sig åt mellan information/teknik och hälsovårdspersonal i en sjukvårdsorganisation. Deras uppgifter omfattar vanligtvis att använda analys för att avgöra om resurser allokeras på rätt sätt i ett sjukhusnätverk. Som en del av detta måste CMIO kunna avgöra vilka anläggningar som överbeskattas, och mer specifikt vilka resurser i dessa anläggningar som kan behöva förstärkas för att justera sådana resurser med efterfrågan.
  • Care Line Manager, som är direkt inblandad i patientomsorgen. Den här rollen kräver övervakning av statusen för enskilda patienter samt säkerställa att personalen är tillgänglig för att uppfylla patienternas specifika vårdbehov. En vårdlinjeansvarig måste också hantera patienternas utmatning. Möjligheten att förutsäga LOS för en patient gör det möjligt för vårdansvariga att avgöra om personalens resurser är tillräckliga för att hantera utlösningen av en patient.

Dataforskare perspektiv

SQL Server Machine Learning Services är en funktion i SQL Server som ger möjlighet att köra R-skript med relationsdata. Du kan använda paket med öppen källkod och ramverk samt Microsoft R-paket för förutsägelseanalys och maskininlärning. Skripten körs i databasen utan att data flyttas utanför SQL Server eller över nätverket.

Den här lösningen går igenom de steg som krävs för att skapa och förfina data, träna R-modellerna och utföra bedömning på SQL Server datorn. Den slutliga poängade databastabellen i SQL Server ger förutsagd LOS för varje patient. Dessa data visualiseras sedan i Power BI. (Simulerade data används i den här mallen för att illustrera funktionen.)

Dataexperter som testar och utvecklar lösningar kan arbeta smidigt från den önskade R IDE:en på den lokala datorn, samtidigt som de push-testar SQL Server. De slutförda lösningarna distribueras till SQL Server genom att bädda in anrop till R i lagrade procedurer. Dessa lösningar kan sedan automatiseras ytterligare med SQL Server Integration Services och SQL Server agent.

Den här lösningen innehåller den R-kod som behövs av en dataexpert i R-mappen. Den visar lagrade procedurer (.sql-filer) som kan distribueras i SQLR-mappen. Klicka på knappen Distribuera till Azure för att testa automatiseringen så blir hela lösningen tillgänglig i din Azure-prenumeration.

Prissättning

Din Azure-prenumeration som används för distributionen medför förbrukningsavgifter för de tjänster som används i den här lösningen. Prisinformation finns på sidan med priser för Azure.

Komponenter

Nästa steg