Bu Azure çözümü, hastane yöneticilerinin makine öğrenimi teknolojisinden yararlanarak yatılı hastalar için kalma süresini tahmin etmesine ve bu sayede kapasite planlama süreci ile kaynak kullanımını geliştirmesine yardımcı olur. Bir baş tıbbi bilgi yetkilisi, hangi tesislerin üzerine eklendiğini ve bu tesisler içinde hangi kaynakların güçlendirileceğini belirlemek için tahmine dayalı bir model kullanabilir. Bakım hattı yöneticisi, bir hastanın yayınını işlemek için yeterli personel kaynağı olup olmadığını belirlemek için bir model kullanabilir.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
Veri akışı
Aşağıdaki veri akışı yukarıdaki diyagrama karşılık gelir:
Elektronik sağlık kayıtlarından (EHR) ve elektronik tıbbi kayıtlardan (EMR) anonimleştirilmiş sistem durumu verileri uygun çalışma zamanıyla (örneğin: Azure, Şirket içinde barındırılan) Azure Data Factory kullanılarak ayıklanır. Bu senaryoda, ODBC, Oracle, SQL gibi Azure Data Factory bağlayıcılarından birini kullanarak toplu ayıklama için anonimleştirilmiş verilere erişilebildiğini varsayıyoruz. FHIR verileri gibi diğer veri kaynakları, Azure İşlevleri gibi bir aracı veri alımı hizmetinin eklenmesini gerektirebilir.
Azure Data Factory verileri Data Factory aracılığıyla Azure Data Lake Depolama(2. nesil) içine akar. Bu işlem sırasında Azure Data Factory'de veri depolanmaz ve bırakılan bağlantılar gibi hatalar bu adım sırasında işlenebilir/yeniden denenebilir.
Azure Machine Learning, 2. adımda alınan verilere makine öğrenmesi algoritmaları/işlem hatları uygulamak için kullanılır. Algoritmalar, gereksinimlere bağlı olarak olay temelinde, zamanlanmış veya el ile uygulanabilir. Bu özellikle şunları içerir:
3.1 Eğitme - Alınan veriler, Doğrusal regresyon ve Gradyan Artırılmış Karar Ağacı gibi algoritmaların bir bileşimi kullanılarak makine öğrenmesi modelini eğitmek için kullanılır. Bu algoritmalar genellikle bir işlem hattında çeşitli çerçeveler (örneğin, scikit-learn) aracılığıyla sağlanır ve işlem öncesi/sonrası işlem hattı adımlarını içerebilir. Örneğin, doğrusal regresyon gibi bir regresyon modelini eğitmek için önceden işlenmiş mevcut EMR/EHR verilerinden gelen kabul türü gibi hasta durumu faktörleri kullanılabilir. Model daha sonra yeni bir hasta süresiyle ilgili tahminde bulunabilir.
3.2 Doğrulama - Model performansı mevcut modellerle/test verileriyle ve ayrıca Uygulama Programlama Arabirimleri (API' ler) gibi aşağı akış tüketim hedefleriyle karşılaştırılır.
3.3 Dağıtma - Model, farklı hedef ortamlarda kullanılmak üzere bir kapsayıcı kullanılarak paketlenmiş.
3.4 İzleyici - Zaman içinde performansın azalmamasını sağlamak için model tahminleri toplanır ve izlenir. Uyarılar, bu izleme verileri kullanılarak modelde el ile veya otomatik yeniden eğitme/güncelleştirmeleri tetikleme amacıyla gönderilebilir. Ayıklanan izleme verilerinin türüne bağlı olarak Azure İzleyici gibi ek hizmetlere ihtiyaç duyulabileceğini unutmayın.
Azure Machine Learning çıkış akışları Azure Synapse Analytics'e akar. Model çıkışı (tahmini hasta kalma süresi), mevcut hasta verileriyle ölçeklenebilir bir şekilde birleştirilir ve aşağı akış tüketimi için ayrılmış SQL havuzu gibi bir katman sağlar. Bu noktada Synapse Analytics aracılığıyla hastane başına ortalama kalış süresi gibi ek analizler yapılabilir.
Azure Synapse Analytics, Power BI'a veri sağlar. Özellikle Power BI, verileri ayıklamak ve ek anlamsal modelleme uygulamak için 4. adımda sunum katmanına bağlanır.
Power BI, bakım hattı yöneticisi ve hastane kaynak koordinatörü tarafından analiz için kullanılır.
Bileşenler
Azure Data Factory (ADF), veri kaynaklarını ek ücret ödemeden 90'dan fazla yerleşik, bakım gerektirmeden bağlayıcılarla görsel olarak tümleştirebilen, tam olarak yönetilen, sunucusuz veri tümleştirmesi ve düzenleme hizmeti sağlar. Bu senaryoda ADF, verileri almak ve veri akışlarını yönetmek için kullanılır.
Azure Data Lake (ADLS), yüksek performanslı analiz için ölçeklenebilir bir güvenli veri gölü sağlar. Bu senaryoda ADLS ölçeklenebilir, uygun maliyetli bir veri depolama katmanı olarak kullanılır.
Azure Machine Learning (AML) hizmetleri uçtan uca LOS tahmin makine öğrenmesi yaşam döngüsünü şu şekilde hızlandırır:
- Veri bilimciler ve geliştiricileri makine öğrenmesi modelleri oluşturmak, eğitmek ve dağıtmak ve ekip işbirliğini teşvik etmek için çok çeşitli üretken deneyimlerle güçlendirin.
- Sektör lideri MLOps(makine öğrenmesi işlemleri veya makine öğrenmesi için DevOps) ile pazara çıkış süresini hızlandırma.
- Sorumlu makine öğrenmesi için tasarlanmış güvenli, güvenilir bir platformda yenilik.
Bu senaryoda AML, hasta kalma süresini tahmin etmek ve uçtan uca model yaşam döngüsünü yönetmek için kullanılan modeli oluşturmak için kullanılan hizmettir.
Azure Synapse Analytics: Veri tümleştirmesi, kurumsal veri ambarı ve büyük veri analizini bir araya getiren sınırsız analiz hizmeti. Bu senaryoda Synapse, model tahminlerini mevcut veri modeline dahil etmek ve ayrıca aşağı akış tüketimi için yüksek hızlı bir sunum katmanı sağlamak için kullanılır.
Power BI , kurumsal ölçekte self servis analiz sağlayarak şunları yapmanızı sağlar:
- Herkes için iş zekası ile veri odaklı bir kültür oluşturun.
- Duyarlılık etiketleme, uçtan uca şifreleme ve gerçek zamanlı erişim izleme gibi sektör lideri veri güvenliği özellikleriyle verilerinizin güvenliğini sağlayın.
Bu senaryoda Power BI, son kullanıcı panoları oluşturmak ve bu panolarda gerekli tüm anlamsal modellemeleri uygulamak için kullanılır.
Alternatifler
- Azure Synapse Analytics Spark ve Azure Databricks gibi Spark hizmetleri, veri bilimi ekibinin veri ölçeğine ve beceri kümesine bağlı olarak makine öğrenmesini gerçekleştirmek için alternatif olarak kullanılabilir.
- MLFlow , müşteri beceri kümesine/ortamına bağlı olarak Azure Machine Learning'e alternatif olarak uçtan uca yaşam döngüsünü yönetmek için kullanılabilir.
- Azure Synapse Analytics işlem hatları , büyük ölçüde belirli müşteri ortamına bağlı olarak çoğu durumda Azure Data Factory'ye alternatif olarak kullanılabilir.
Senaryo ayrıntıları
Sağlık tesisini çalıştıran kişiler için kalış süresi (LOS) (hastanın taburcu olmasına kadar olan gün sayısı) önemlidir. Ancak bu sayı, aynı sağlık sistemi içinde bile tesisler ve hastalık koşulları ve uzmanlık alanları arasında farklılık gösterebilir ve bu da hasta akışının izlenmesini ve buna göre plan yapmasını zorlaştırabilir.
Bu çözüm, hastaneye kabul için LOS için tahmine dayalı bir model sağlar. LOS, ilk kabul tarihinden hastanın herhangi bir hastane tesisinden taburcu edildiği tarihe kadar olan gün sayısı içinde tanımlanır. Aynı sağlık sistemi içinde bile çeşitli tesisler, hastalık koşulları ve uzmanlık alanları arasında LOS'nin önemli bir varyasyonu olabilir.
Hasta kalış süresi bakım kalitesiyle ilgili mi? gibi çalışmalar, daha uzun bir risk ayarlı LOS'nin daha düşük alınan bakım kalitesiyle bağıntılı olduğunu göstermiştir. Kabul sırasında gelişmiş LOS tahmini, sağlayıcılara mevcut hasta LOS ile karşılaştırmak için ölçüm olarak kullanabilecekleri beklenen bir LOS vererek hasta bakım kalitesini artırabilir. Bu, beklenenden daha uzun LOS'ye sahip hastaların uygun dikkati almasını sağlamaya yardımcı olabilir. LOS tahmini, deşarjların doğru şekilde planlanmasında da yardımcı olur ve bu da geri almalar gibi diğer kalite önlemlerinin düşürülmesiyle sonuçlanır.
Olası kullanım örnekleri
Hastane yönetiminde, hastaların ailelerinin yanı sıra kalış süresiyle ilgili daha güvenilir tahminlerden yararlanmayı bekleyebilen iki farklı iş kullanıcısı vardır:
- Bir sağlık kuruluşundaki bilişim/teknoloji ve sağlık uzmanları arasında ayrım yapan baş tıbbi bilgi sorumlusu (CMIO). Görevleri genelde, bir hastane ağında kaynakların uygun şekilde ayrılıp ayrılmadığını belirlemek için analizleri kullanmayı içerir. CMIO'nun hangi tesislerin kapsandığını ve özellikle bu tesislerdeki hangi kaynakların taleple yeniden hizalanması gerektiğini belirleyebilmesi gerekir.
- Hastaların bakımıyla doğrudan ilgilenen bakım hattı yöneticisi. Bu rol, bireysel hastaların durumunun izlenmesini ve personelin hastalarının özel bakım gereksinimlerini karşılamak için uygun olduğundan emin olmayı gerektirir. Bakım hattı yöneticisi doğru tıbbi kararlar alabilir ve doğru kaynakları önceden iyi hizalayabilir. Örneğin, LOS'yi tahmin etme özelliği:
- özellikle ICU'larda olduğu gibi kaynakların sınırlı olduğu durumlarda, hastaların riskinin ilk değerlendirmesi daha iyi kaynak planlama ve ayırma için kritik öneme sahiptir.
- bakım hattı yöneticilerinin personel kaynaklarının hastanın serbest bırakılmasını idare etmek için yeterli olup olmadığını belirlemesini sağlar.
- Yoğun bakımda LOS'yi tahmin etmek, hastalar ve aileleri ile sigorta şirketleri için de faydalıdır. Hastaneden taburcu olması beklenen bir tarih, hastaların ve ailelerinin tıbbi maliyetleri anlamasına ve tahminlerine yardımcı olur. Bu ayrıca ailelere hastanın iyileşme hızı hakkında bir fikir verir ve taburcu olup bütçelerini yönetmelerine yardımcı olur.
Dikkat edilmesi gereken noktalar
Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanılabilecek bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.
Maliyet iyileştirme
Maliyet iyileştirmesi, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri iyileştirmenin yollarını aramaktır. Daha fazla bilgi için bkz . Maliyet iyileştirme sütununa genel bakış.
Bu çözümün en pahalı bileşeni işlemdir ve veri hacmiyle işlemi uygun maliyetli bir şekilde ölçeklendirmenin çeşitli yolları vardır. Tek düğümlü çözümün aksine, veri mühendisliği çalışması için Azure Synapse Analytics Spark veya Azure Databricks gibi bir Spark hizmeti kullanmak buna bir örnektir. Spark yatay olarak ölçeklendirilir ve büyük, dikey olarak ölçeklendirilmiş tek düğümlü çözümlere kıyasla daha uygun maliyetlidir.
Bu mimaride yapılandırılan tüm Azure bileşenlerinin fiyatlandırması bu Azure Fiyatlandırma Hesaplayıcısı kayıtlı tahmininde bulunabilir. Bu tahmin, Pazartesi ile Cuma günleri arasında 09:00-17:00 arası çalışan temel bir uygulama için tahmini peşin ve aylık maliyetleri gösterecek şekilde yapılandırılmıştır.
Operasyonel mükemmellik
Operasyonel mükemmellik, bir uygulamayı dağıtan ve üretimde çalışır durumda tutan operasyon süreçlerini kapsar. Daha fazla bilgi için bkz . Operasyonel mükemmellik sütununa genel bakış.
Sağlam bir Machine Learning işlemleri (MLOps) uygulaması ve uygulaması, bu tür bir çözümün üretime alınmasında kritik bir rol oynar. Daha fazla bilgi için bkz . Makine öğrenmesi işlemleri (MLOps).
Performans verimliliği
Performans verimliliği, kullanıcılar tarafından anlamlı bir şekilde yerleştirilen talepleri karşılamak amacıyla iş yükünüzü ölçeklendirme becerisidir. Daha fazla bilgi için bkz . Performans verimliliği sütununa genel bakış.
Bu senaryoda Azure Machine Learning'de veri ön işleme gerçekleştirilir. Bu tasarım küçük ve orta ölçekli veri hacimleri için işe yarasa da, büyük veri hacimleri veya gerçek zamanlıya yakın SLA'lara sahip senaryolar performans açısından zorlanabilir. Bu tür bir sorunu gidermenin bir yolu, veri mühendisliği veya veri bilimi iş yükleri için Azure Synapse Analytics Spark veya Azure Databricks gibi bir Spark hizmetini kullanmaktır. Spark yatay olarak ölçeklendirilir ve tasarım gereği dağıtılır ve büyük veri kümelerini çok etkili bir şekilde işlemesine olanak sağlar.
Güvenlik
Güvenlik, kasıtlı saldırılara ve değerli verilerinizin ve sistemlerinizin kötüye kullanılmasına karşı güvence sağlar. Daha fazla bilgi için bkz . Güvenlik sütununa genel bakış.
Önemli
Bu mimari hem anonimleştirilmiş hem de anonimleştirilmiş olmayan sistem durumu verileriyle çalışır. Ancak, güvenli bir uygulama için sistem durumu verilerinin EHR ve EMR kaynaklarından anonimleştirilmiş biçimde oluşturulmasını öneririz.
Azure Machine Learning'de kullanılabilen güvenlik ve idare özellikleri hakkında daha fazla bilgi için bkz . Azure Machine Learning için kurumsal güvenlik ve idare
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazarlar:
- Dhanshri Diğer | Ana Bulut Çözümü Mimarı
- DJ Dean | Ana Bulut Çözümü Mimarı
Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.
Sonraki adımlar
Bu mimarinin uygulanmasıyla ilgili teknolojiler ve kaynaklar:
- Bu mimaride bahsedilen Azure hizmetleri için kullanılabilir hızlı başlangıçları ve öğreticileri deneyin:
- Sağlık hizmetleri için Microsoft Bulut kaynakları:
- Veri yönetimiyle ilgili dikkat edilmesi gerekenler hakkında bilgi edinin
- Microsoft Bulut Çözüm Merkezi'nde bulunan veri yönetimi çözümlerinden birini deneyin
- Sağlık verilerinin özellikleri de dahil olmak üzere kullanılabilir başvuru mimarilerini gözden geçirin
İlgili kaynaklar
Bu mimariyle ilgili ek Azure Mimari Merkezi içeriğine bakın: