Sağlık Hizmetleri için Nüfus Sağlık Yönetimi

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

Çözüm Fikri

Olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma kılavuzu gibi daha fazla bilgiyle bu makaleyi genişletmemizi görmek için Geri Bildirim ile GitHub!

Nüfus Sağlık Yönetimi, artan maliyetleri yönetmek ve kontrol etmek için sağlık hizmeti sağlayıcıları tarafından giderek daha fazla kullanılan önemli bir araçtır. Popülasyon Sağlık Yönetimi'nin en önemli durumu, sağlık sonuçlarını geliştirmek için verileri kullanmaktır. İzleme, izleme ve bench işaretlemesi, Nüfus Sağlık Yönetimi'nin üç baskisidir ve hem klinik hem de sağlık sonuçlarını iyileştirmeyi ve maliyeti yönetmeyi ve azaltmayı hedeflemektedir.

Bu çözümde, hastaneler tarafından popülasyon sağlık raporlaması için oluşturulan klinik ve sosyal hasta-hasta verileri kullanılır. Popülasyon sağlık yönetimine sahip bir makine öğrenmesi uygulaması örneği olarak, hastanelerde kalma süresini tahmin etmek için bir model kullanılır. Hasta önleme ve yönetim aracılığıyla sağlık harcamalarını yönetmek ve kontrol etmek için hastanelere ve sağlık hizmeti sağlayıcılarına yöneliktir. Çözüm için el ile dağıtım kılavuzunda, kullanılan veriler ve hastanelerde kalma süresi modeli hakkında bilgi edinebilirsiniz. Hastaneler bu sonuçları kullanarak bakım yönetim sistemlerini iyi hale getirmek ve klinik kaynaklarını daha acil ihtiyacı olan hastalara odaklar. Popülasyon sağlık raporları aracılığıyla hizmet veren toplulukları anlamak, hastanelerin hizmet ücreti ödemelerinden değer tabanlı bakıma geçiş yaparken maliyetleri azaltmalarına ve daha iyi bakım sağlamalarına yardımcı olabilir.

Örnekler

  • Hasta izleme

  • Klinik

  • Akıllı Klinikler

Mimari

Mimari diyagramı Bu mimarinin SVG'lerini indirin.

Veri akışı

  1. Gerçek zamanlı veri üreten cihazlar (IoMT), veri akışı verisi alımı havuza veri aktarma gibi cihaz kimlik doğrulaması IoT Hub. Bu havuz tek başına bir Azure IoT Hub veya sürekli hasta izleme şablonu gibi çözüm hızlandırıcıları ile Azure IOT Central gibi tam olarak yönetilen bir uygulama platformuna dahil olabilir.

  2. Cihaz verileri daha sonra Azure için IoMT FHIR Bağlayıcısı'nda alınarak normalleştirilmiş, gruplaştırılmış, dönüştürülmüş ve azure FHIR için Azure API.

  3. Elektronik Tıbbi Kayıt sistemleri, hasta yönetim sistemleri veya laboratuvar sistemleri gibi veri kaynakları, HL7 alınan ve dönüştürme iş akışı aracılığıyla dönüştürülen HL7 iletileri gibi başka ileti biçimleri de üretilebilir. HL7 alma platformu MLLP aracılığıyla HL7 İletilerini tüketir ve HL7overHTTPS aracılığıyla güvenli bir şekilde Azure'a iletir. Veriler blob depolama alanına inerek azure depolama alanında iş için Service Bus üretir. HL7 dönüştürmesi, FHIR Dönüştürücüsü aracılığıyla HL7'den FHIR'ye doğru sıra dönüştürme gerçekleştiren Azure Logic App tabanlı bir iş akışıdır ve iletiyi FHIR için Azure API Sunucu Örneğinde kalıcıdır

  4. Veriler, Toplu Dışarı Aktarma özelliği kullanılarak Azure FHIR Hizmeti'nden Azure Data Lake 2. Nesil'e dışarı aktarıldı. Hassas veriler, dışarı aktarma işlevinin bir parçası olarak anonim hale getirilmiş olabilir.

  5. Azure Data Factory işleri, şirket içi veya alternatif kaynaklardan Azure Data Lake 2. Nesil'e diğer veri kaynaklarını kopyalamak üzere zamanlandı.

  6. Yapı Azure Databricks kümelerini temizlemek, dönüştürmek ve bunları işletimsel veritabanlarından veya veri ambarlarından yapılandırılmış verilerle birleştirmek için veri kümelerini kullanın. Python, R veya Scala kullanarak bu verilerden daha derin içgörüler elde etmek için ölçeklenebilir makine öğrenmesi/derin öğrenme tekniklerini kullanın ve bu verilerde bulunan Azure Databricks. Bu çözümde Databricks'i kullanarak hasta süresi modeliyle ilgili ancak birbirinden ayrı veri kümelerini bir araya getireceğiz.

  7. Deneme ve model geliştirme, Azure Databricks. Mlflow aracılığıyla Azure ML, izleme, model deposu ve dağıtım ile hızlı model denemesi sağlar.

  8. Azure Databricks uç noktaları aracılığıyla toplu puanlama için Azure Machine Learninghizmetini kullanarak ya da Azure Container Instance veya Azure Kubernetes Service kullanarak eğitilmiş modelleri yayımlayın.

Bileşenler

  • FHIR IoT Connector Azure FHIR için Azure API, Tıbbi Şeyler İnterneti (IoMT) cihazlarından veri alama özelliği sağlayan isteğe bağlı bir FHIR için Azure API özelliğidir. Alternatif olarak, IoT Connector ile daha fazla denetim ve esnekliğe sahip olmak isteyen herkes azure için IoMT FHIR Bağlayıcısı, IoMT cihazlarından veri alan ve verileri bir FHIR® sunucusunda kalıcı hale ® açık kaynak bir projedir. Burada basitleştirilmiş bir dağıtım şablonu mevcuttur.

  • Azure Data Factory, ETL/ELT iş akışlarınızı oluşturmanıza, zamanlamanıza ve düzenlemenize olanak sağlayan bir karma veri tümleştirme hizmetidir.

  • FHIR için Azure API, FHIR biçimindeki sağlık verileri için tam olarak yönetilen, kurumsal sınıf bir hizmettir.

  • Azure Data Lake Depolama, Azure Blob Depolama'da yerleşik olarak yüksek düzeyde ölçeklenebilir, güvenli Depolama.

  • Azure Databricks, hızlı, kolay ve işbirliğine dayalı Apache Spark tabanlı bir veri analizi platformudur.

  • Azure Machine Learning, makine öğrenmesi modellerini büyük ölçekte eğiten, puanlandıran, dağıtan ve yöneten bir bulut hizmetidir. Bu mimaride denemeleri günlüğe Azure Machine Learning modelleri depolamak ve modelleri dağıtmak için Azure Machine Learning hizmetinin MLflow yerel desteği edilmiştir.

  • Power BI, kuruluş genelinde içgörüler sunan bir iş analizi araçları paketidir. Bağlan veri kaynağına erişim sağlar, veri hazırlığı basitleştirir ve etkileşimli analiz sağlar. Güzel raporlar üretin, sonra bunları web'de ve mobil cihazlardan tüketmesi için yayımlayın.

Açıklama

Burada iki örnek proje ayrıntılı olarak ayrıntılı olarak Azure Databricks. Not: R kodunun kullanımı nedeniyle Durum not defterlerinin Uzunluğunu Tahmin Etmek için Standart Küme Modu kullanılmalıdır.

  1. Bir veya daha fazla hasta için karşılaşma düzeyinde kayıtlar kullanarak Bir modeli Eğiten, Uzun Kalma Tahminlerine sahip Canlı Popülasyon Durumu Raporu. Verilerin şeması, çözümün gerçek HCUP verileriyle kullanımını kolaylaştırmak için HealthcareCost and Use Project (HCUP) verilerine sahip State Inpatient Databases (SID) verileriyle eşler. Benzer hasta popülasyonlarında kullanım için uygundur, ancak hastanelerin en iyi sonuçlar elde etmek için modeli kendi geçmiş hasta verilerini kullanarak yeniden eğitmalarını öneririz. Çözüm yaş, cinsiyet, posta kodu, tanılar, yordamlar, ücretler gibi 23 hastanenin yaklaşık bir milyon hastasıyla ilgili 610 klinik ve demografik özelliğin simülasyonunu yapar. Yeni başvuran hastalara uygulanması için modelin yalnızca kabul zamanında her hasta için kullanılabilen özellikler kullanılarak eğitilmiş olması gerekir.

  2. Sağlık Hizmetleri için Hastaya Özgü Geri Kabul Tahmini ve Müdahalesi, ilk olarak 1994 AAI Spring Symposium on Artificial Intelligence in Medicine için üretilen bir diyabet veri kümesi kullanır, artık dr. Michael Kahn tarafından UCI Machine Learning Repository üzerinde paylaşılmaktadır.

Sonraki adımlar

  • Microsoft Health Cloud & Veri Mimarisi Mühendisliği ekibinden alınan Azure Sağlık Mimarileri, Health etki alanında yakın müşteriler, iş ortakları ve iş arkadaşları tarafından elde edilen birçok başvuru mimarisini içerir.
  • Sürekli hasta izleme, sürekli hasta izleme çözümü oluşturmak için bir uygulama şablonu sağlar.
  • DICOM için Medical Imaging Server, DICOMweb'in Azure'da ™ bir .NET Core uygulamasıdır.
  • FHIR için OpenSole, Azure'daki FHIR ile ilgili hizmetler hakkında bilgi edinmek için kullanılmaktadır.