Geleneksel ve otomatik makine öğrenmesi tekniklerini kullanarak hastane geri kabullerini tahmin etmek

Machine Learning
Synapse Analytics
Data Factory

Sağlık ve yaşam bilimi kuruluşları, hastalar ve karüler için daha kişiselleştirilmiş bir deneyim sunmak üzere çalışır ve ilgili, doğru ve zamanında, tahmine dayalı içgörüler sağlamak için eski sistemlerden veri kullanmaları istenir. Veri toplama geleneksel işletim sistemleri ve elektronik sistem durumu kayıtlarının (EHRs) ötesinde ve tüketici sistem durumu uygulamalarından, uygunluk wearables ve akıllı tıp cihazlarından yapılandırılmamış formlara giderek daha fazla taşınmış. Kuruluşların bu verileri hızla merkezileştirmesini ve veri bilimi ve makine öğrenimini, müşterileri ile ilgili kalmalarına olanak sağlamak için gücünü sağlama olanağı vardır.

Bu hedeflere ulaşmak için sağlık hizmetleri ve yaşam bilimi kuruluşları şunları hedeflemelidir:

  • Tahmine dayalı analizler tarafından sağlık sağlayıcılarına, barındırma yöneticilerine, ilaç üreticilerine ve diğerlerine gerçek zamanlı değer sağlayabileceği bir veri kaynağı oluşturun.
  • Veri bilimi ve makine öğrenimi becerileri olmayan sektör konusu uzmanları (SMEs) ile uyum sağlayabilirsiniz.
  • veri bilimi ve makine öğrenimine (ML), tahmine dayalı modeller oluşturup, doğru şekilde ve uygun ölçekte dağıtmak için ihtiyaç duydukları esnek araçları öğreniyor.

Bu mimari, model geliştirme, dağıtım ve tüketim yolunu hızlandırmak için bulutta tahmine dayalı bir sistem durumu analizi çerçevesi sağlar.

Olası kullanım örnekleri

  • Hospstanreadmissions tahmin edin
  • ML destekli görüntüleme aracılığıyla hasta tanısı hızlandırma
  • Doktor notları üzerinde metin analizi gerçekleştirme
  • Tıbbi nesnelerin Interneti (ıomt) üzerinden uzaktan hasta izleme verilerini çözümleyerek olumsuz olayları tahmin edin

Mimari

Bu mimari, diabetes hastalarını tahmin etmek için bir örnek uçtan uca iş akışını temsil eder. Bu, 130 ABD hastaneler adresinden 1999 ila 2008 arasında genel kullanıma sunulan verileri kullanır. İlk olarak, tahmine dayalı güç için bir ikili sınıflandırma algoritmasını değerlendirir ve otomatik makine öğrenimi kullanılarak oluşturulan tahmine dayalı modellerle kıyaslamalar. Otomatik makine öğrenimi 'nin imdengelenmiş verileriçin düzeltemediği durumlarda alternatif tekniklerin uygulanması gerekir. Dağıtım ve tüketim için son bir model seçilir.

Bu çerçeve, veri alımı, depolama, veri işleme, analiz ve model dağıtımı için yerel Azure Analytics hizmetlerini kullanır.

Çok katmanlı bir uygulamanın mimarisi.

Mimari, katılımcıların rollerinin hükümlerinde açıklanmıştır.

  1. Veri mühendisi: Verileri kaynak sistemlerden almak ve verileri kaynaktan hedefe taşımak için veri işlem hatlarını düzenlemek için sorumludur. Ham verilerde veri dönüştürmeleri gerçekleştirmekten de sorumlu olabilir.

    • bu senaryoda geçmiş hospstanreadmissions verileri, şirket içi SQL Server veritabanında depolanır.
    • Beklenen çıktı, bulut tabanlı bir depolama hesabında depolanan readmissions verileri.

  2. Veri bilimcisi: Hedef depolama katmanındaki veriler üzerinde, model tahmine hazırlanmak için çeşitli görevleri gerçekleştirmekten sorumludur. Görevler Temizleme, özellik Mühendisliği ve veri standartlaştırma içerir.

    • Temizleme: Verileri ön işleme, null değerleri kaldırma, gereksiz sütunları bırakma vb. Bu senaryoda sütunları çok fazla eksik değere bırakın.
    • Özellik Mühendisliği:
      1. İstenen çıktıyı tahmin etmek için gereken girişleri saptayın.
      2. Belki de doktorlarla ve nur'ler gibi profesyonellerle konuşarak readmittans için olası tahminleri saptayın. Örneğin, gerçek dünyada kanıt, büyük ağırlığa sahip olan diabetik hasta 'in hospstanreadgörev için bir tahmin olup olmadığı önerebilir.
    • Veri standartlaştırmayı:
      1. Makine öğrenimi görevleri için hazırlamak üzere verilerin konumunu ve değişkenlik düzeyini ayırdetmek. Karaktermeler veri dağıtımı, çarpıklık ve basıklık içermelidir.
        • Çarpıklık soruya yanıt veriyor: dağıtımın şekli nedir?
        • Basıklık, soruya yanıt veriyor: dağılımın kalınlığı veya heaviness ölçüsü nedir?
      2. Veri kümesindeki bozuklukları belirleyip düzeltin — tahmin modeli, normal bir dağıtıma sahip bir veri kümesi üzerinde gerçekleştirilmelidir.
      3. Beklenen çıkış şu eğitim veri kümeleridir:
        • Bir tane, dağıtıma hazırlamış olan tatmin edici bir tahmin modeli oluşturmak için kullanılır.
        • Otomatik model tahmini (otomatik ml) için Vatandaşlık veri Bilimcı 'na verilen bir.

  3. Vatandaşlık veri bilimcisi: Veri Bilimcinden eğitim verilerini temel alan bir tahmin modeli oluşturmaktan sorumludur. Büyük olasılıkla vatandaşlık veri Bilimcı, tahmin modelleri oluşturmak için ağır kodlama becerileri gerektirmeyen bir oto ml özelliği kullanır.

    Beklenen çıktı, dağıtıma hazırlamış olan tatmin edici bir tahmin modelidir.

  4. Iş zekası (BI) analist: Veri mühendisinin ürettiği ham verilerde işletimsel analizler gerçekleştirmekten sorumludur. bı analistleri yapılandırılmamış verilerden ilişkisel veri oluşturma, SQL betikleri yazma ve panolar oluşturma konusunda bulunabilir.

    Beklenen çıktı ilişkisel sorgular, bı raporları ve panolardır.

  5. Mlops mühendisi: Veri Bilimccisi veya vatandaşlık veri Bilimconu tarafından sağlanan modellerden sorumlu olan modelleri üretim açısından sorumludur.

    Beklenen çıktı, üretime ve tekrarlanabilir hale hazırlanmaya yönelik modellerdir.

Bu liste, iş akışında herhangi bir noktada sağlık verileriyle etkileşim kurabilecek tüm olası rollerin kapsamlı bir görünümünü sağlar, ancak gerektiğinde roller birleştirilebilir veya Genişletilebilir.

Bileşenler

  • Azure Data Factory , diğer Azure veri hizmetleriyle çalışmak için şirket Içi sistemlerden Azure 'a veri taşıyasağlayan bir Orchestration hizmetidir. Pipelines veri taşıma için kullanılır ve veri akışlarını eşleme, ayıklama, dönüştürme, yükleme (ETL) ve ayıklama, yükleme, dönüştürme (ELT) gibi çeşitli dönüştürme görevlerini gerçekleştirmek için kullanılır. bu mimaride veri mühendisi, geçmiş barındırım readgörev verilerini şirket içi SQL Server bulut depolamaya kopyalayan bir işlem hattı çalıştırmak için Data Factory kullanır.
  • Azure Databricks , veri mühendisliği ve ML iş yükleri için kullanılan Spark tabanlı bir analiz ve makine öğrenimi hizmetidir. Bu mimaride veri mühendisi, Databricks Not defteri çalıştırmak için bir Data Factory işlem hattı çağırmak üzere Databricks kullanır. Not defteri, ilk veri temizleme ve özellik mühendisliği görevlerini işlemek için veri bilimcisi tarafından geliştirilmiştir. Veri Bilimconu, verileri standartlaştırmak ve tahmin modellerini derlemek ve dağıtmak için ek not defterlerine kod yazabilir.
  • Azure Data Lake Storage yüksek performanslı analiz iş yükleri için yüksek düzeyde ölçeklenebilir ve güvenli bir depolama hizmetidir. bu mimaride veri mühendisi, Azure 'a yüklenen şirket içi verilerin ilk giriş bölgesini ve eğitim verileri için son giriş bölgesini tanımlamak üzere veri lakes Depolama kullanır. Ham veya son biçimdeki veriler, çeşitli aşağı akış sistemleri tarafından tüketimine hazırlanmaya yöneliktir.
  • Azure Machine Learning , makine öğrenimi modellerini eğmek, dağıtmak, otomatikleştirmek, yönetmek ve izlemek için kullanılan işbirliğine dayalı bir ortamdır. otomatik makine öğrenimi (otomatikml), ML modeli geliştirmede yer alan zaman alan ve yinelemeli görevleri otomatikleştiren bir özelliktir. veri bilimcu, databricks 'ten ML çalıştırmalarını izlemek için Machine Learning kullanır ve veri bilimi 'nin ML modelleriyle ilgili bir performans kıyaslaması olarak kullanılacak olan oto ML modelleri oluşturabilir. Vatandaşlık veri Bilimcu bu hizmeti kullanarak, makine öğrenimi algoritmalarından daha ayrıntılı bir bilgi sahibi olmadan model oluşturmak üzere hızlı bir şekilde eğitim verileri çalıştırmak için bu hizmeti kullanır.
  • Azure SYNAPSE Analytics , veri tümleştirmesini, kurumsal veri depolama ve büyük veri analizlerini birleştiren bir analiz hizmetidir. Kullanıcılar sunucusuz veya adanmış kaynakları kullanarak veri sorgulama özgürlüğü sunar. Bu mimaride:
    • Veri mühendisi, Veri Gölü verilerden işletimsel analizler için temel olmak üzere ilişkisel tabloları kolayca oluşturmak için SYNAPSE Analytics 'i kullanır.
    • Veri Bilimconu, Veri Gölü verileri hızlıca sorgulamak ve Spark not defterlerini kullanarak tahmin modelleri geliştirmek için onu kullanır.
    • bı analist bunu tanıdık SQL sözdizimini kullanarak sorguları çalıştırmak için kullanır.
  • Microsoft Power BI , ilişkisiz veri kaynaklarını tutarlı, görsel olarak derinlikli ve etkileşimli öngörüler 'e dönüştürmek için birlikte çalışan yazılım hizmetleri, uygulamalar ve bağlayıcılar koleksiyonudur. bı analist, her bir hasta 'in giriş konumunun ve en yakın hastanın haritası gibi verilerden görselleştirmeler geliştirmek için Power BI kullanır.
  • Azure Active Directory (Azure AD) , bulut tabanlı bir kimlik ve erişim yönetimi hizmetidir. Bu mimaride, Azure hizmetlerine erişimi denetler.
  • Azure Key Vault anahtarlar, parolalar ve sertifikalar gibi gizli dizileri için güvenli bir depo sağlayan bir bulut hizmetidir. Key Vault, Databricks 'in Data Lake 'e yazma erişimi kazanmak için kullandığı gizli dizileri barındırır.
  • Bulut Için Microsoft Defender , veri merkezlerinin güvenlik duruşunu güçlendirir ve bulutta ve Şirket içindeki karma iş yükleri genelinde gelişmiş tehdit koruması sağlayan Birleşik bir altyapı güvenliği yönetim sistemidir. Azure ortamında güvenlik tehditlerini izlemek için bu uygulamayı kullanabilirsiniz.
  • Azure Kubernetes hizmeti (AKS) Kapsayıcılı uygulamaları dağıtmak ve yönetmek için tam olarak yönetilen bir Kubernetes hizmetidir. AKS, Azure 'da işlem yükünü boşaltarak Azure 'da yönetilen bir AKS kümesinin dağıtımını basitleştirir.

Alternatifler

  • Veri taşıma: Databricks kullanarak, şirket içi bir sistemden veri Gölü verileri kopyalayabilirsiniz. Genellikle, Databricks, bir tıbbi cihazdan telemetri gibi bir akış veya gerçek zamanlı gereksinime sahip veriler için uygundur.

  • Machine Learning: H2O.ai, datarobot, dataıku ve diğer satıcılar, Machine Learning otomatik ml 'ye benzer otomatik makine öğrenimi özellikleri sağlar. Bu tür platformları, Azure veri Mühendisliği ve makine öğrenimi etkinliklerini tamamlamak için kullanabilirsiniz.

Dikkat edilmesi gerekenler

yüksek oranda kullanılabilir ve güvenli bir sistem için Microsoft Azure Well-Architected çerçevesini aşağıdaki şekilde ekleyin:

Kullanılabilirlik

Birçok sağlık kurumlarında gerçek zamanlı klinik veriler ve Öngörüler sağlanması önemlidir. Kapalı kalma süresini en aza indirme ve verileri güvenli tutma yolları aşağıda verilmiştir:

Performans

Kendi Data Factory tümleştirme çalışma zamanı, yüksek kullanılabilirlik ve ölçeklenebilirlik için ölçeklendirebilir.

Güvenlik

Sağlık verileri genellikle hassas korumalı sağlık bilgilerini (PHI) ve kişisel bilgileri içerir. Bu verilerin güvenliğini sağlamak için aşağıdaki kaynaklar kullanılabilir:

  • Data Lake Depolama, erişim denetimi modeli oluşturmak için Azure rol tabanlı erişim denetimi (RBAC) ve erişim denetim listeleri (ACL) kullanır.
  • Synapse Analytics veritabanı, sütun ve satır düzeylerinde bir dizi erişim ve güvenlik denetimi sağlar. Veriler hücre düzeyinde ve veri şifrelemesi aracılığıyla da korunabilirsiniz.
  • Data Factory hem hibrit hem de bulut senaryolarında veri taşıma için temel bir güvenlik altyapısı sağlar.

Fiyatlandırma

Bu çözümün fiyatlandırması şu şekildedir:

  • Kullanılan Azure hizmetleri.
  • Veri hacmi.
  • Kapasite ve aktarım hızı gereksinimleri.
  • Gereken ETL/ELT dönüşümleri.
  • Makine öğrenmesi görevlerini gerçekleştirmek için gereken işlem kaynakları.

Azure fiyatlandırma hesaplayıcısını kullanarak maliyetleri tahmin edebilirsiniz.

Sonraki adımlar

Azure hizmetleri

Sağlık çözümleri