يساعد حل Azure هذا مسؤولي المستشفيات على استخدام قوة التعلم الآلي للتنبؤ بطول الإقامة لدخول المستشفى، لتحسين تخطيط السعة واستخدام الموارد. وقد يستخدم رئيس قسم المعلومات الطبية نموذجا تنبؤيا لتحديد المرافق التي لها علاقة زائدة والموارد التي يجب تعزيزها داخل تلك المرافق. قد يستخدم مدير خط الرعاية نموذجا لتحديد ما إذا كانت هناك موارد كافية من الموظفين للتعامل مع إطلاق سراح المريض.
بناء الأنظمة
قم بتنزيل ملف Visio لهذه البنية.
تدفق البيانات
يتوافق تدفق البيانات التالي مع الرسم التخطيطي أعلاه:
يتم استخراج البيانات الصحية مجهولة المصدر من السجلات الصحية الإلكترونية (EHR) والسجلات الطبية الإلكترونية (EMR) باستخدام Azure Data Factory مع وقت التشغيل المناسب (على سبيل المثال: Azure، المستضاف ذاتيا). في هذا السيناريو، نفترض أن البيانات مجهولة المصدر يمكن الوصول إليها لاستخراج الدفعات باستخدام أحد موصلات Azure Data Factory، مثل ODBC وOracle وSQL. قد تتطلب مصادر البيانات الأخرى مثل بيانات FHIR تضمين خدمة استيعاب وسيطة مثل Azure Functions.
تتدفق بيانات Azure Data Factory عبر Data Factory إلى Azure Data Lake Storage (gen 2). لا يتم تخزين أي بيانات في Azure Data Factory أثناء هذه العملية، ويمكن معالجة/إعادة محاولة حالات الفشل مثل الاتصالات التي تم إسقاطها أثناء هذه الخطوة.
يتم استخدام Azure التعلم الآلي لتطبيق خوارزميات/مسارات التعلم الآلي على البيانات التي تم تناولها في الخطوة 2. يمكن تطبيق الخوارزميات على أساس الحدث أو جدولتها أو يدويا اعتمادا على المتطلبات. على وجه التحديد، يتضمن ذلك:
3.1 تدريب - يتم استخدام البيانات التي تم استيعابها لتدريب نموذج التعلم الآلي باستخدام مجموعة من الخوارزميات مثل الانحدار الخطي وشجرة القرار المعزز المتدرج. يتم توفير هذه الخوارزميات عبر أطر عمل مختلفة (على سبيل المثال، scikit-learn) عادة في البنية الأساسية لبرنامج ربط العمليات التجارية، وقد تتضمن خطوات مسار المعالجة المسبقة/اللاحقة. على سبيل المثال، يمكن استخدام عوامل صحة المريض مثل نوع القبول الواردة من المعالجة المسبقة الحالية (على سبيل المثال، إسقاط صفوف فارغة) بيانات EMR/EHR لتدريب نموذج انحدار مثل الانحدار الخطي. سيكون النموذج بعد ذلك قادرا على التنبؤ بمدة بقاء المريض الجديدة.
3.2 التحقق من الصحة - تتم مقارنة أداء النموذج بالنماذج الحالية/بيانات الاختبار، وأيضا مقابل أي أهداف استهلاك انتقال البيانات من الخادم مثل واجهات برمجة التطبيقات (APIs).
3.3 التوزيع - يتم حزم النموذج باستخدام حاوية للاستخدام في بيئات مستهدفة مختلفة.
3.4 مراقبة - يتم جمع تنبؤات النموذج ومراقبتها لضمان عدم انخفاض الأداء بمرور الوقت. يمكن إرسال التنبيهات لتشغيل إعادة التدريب/التحديثات اليدوية أو التلقائية للنموذج حسب الحاجة باستخدام بيانات المراقبة هذه. لاحظ أنه قد تكون هناك حاجة إلى خدمات إضافية مثل Azure Monitor، اعتمادا على نوع بيانات المراقبة المستخرجة.
يتدفق إخراج Azure التعلم الآلي إلى Azure Synapse Analytics. يتم دمج إخراج النموذج (مدة بقاء المريض المتوقعة) مع بيانات المريض الحالية في طبقة قابلة للتطوير، تخدم مثل تجمع SQL المخصص لاستهلاك انتقال البيانات من الخادم. يمكن إجراء تحليلات إضافية مثل متوسط طول الإقامة لكل مستشفى عبر Synapse Analytics في هذه المرحلة.
يوفر Azure Synapse Analytics بيانات إلى Power BI. على وجه التحديد، يتصل Power BI بطبقة العرض في الخطوة (4) لاستخراج البيانات وتطبيق النمذجة الدلالية الإضافية المطلوبة.
يستخدم Power BI للتحليل من قبل مدير خط الرعاية ومنسق موارد المستشفى.
المكونات
يوفر Azure Data Factory (ADF) تكامل بيانات بدون خادم بالكامل وخدمة تنسيق قادرة على دمج مصادر البيانات بصريا مع أكثر من 90 موصلا مدمجا وخالية من الصيانة دون أي تكلفة إضافية. في هذا السيناريو يتم استخدام ADF لاستيعاب البيانات وتنسيق تدفقات البيانات.
يوفر Azure Data Lake (ADLS) مستودع بيانات آمنا قابلا للتطوير لتحليلات عالية الأداء. في هذا السيناريو يتم استخدام ADLS كطبقة تخزين بيانات قابلة للتطوير وفعالة من حيث التكلفة.
تقوم خدمات Azure التعلم الآلي (AML) بتسريع دورة حياة التعلم الآلي للتنبؤ من لوس الشاملة من خلال:
- تمكين علماء ومطوري البيانات من خلال مجموعة واسعة من التجارب الإنتاجية لبناء نماذج التعلم الآلي وتدريبها ونشرها وتعزيز تعاون الفريق.
- تسريع الوقت للتسويق باستخدام MLOps الرائدة في الصناعة - عمليات التعلم الآلي أو DevOps للتعلم الآلي.
- الابتكار على منصة آمنة وموثوق بها، مصممة للتعلم الآلي المسؤول.
في هذا السيناريو، التعلم الآلي هو الخدمة المستخدمة لإنتاج النموذج المستخدم للتنبؤ بطول مدة بقاء المريض، وإدارة دورة حياة النموذج من طرف إلى طرف.
Azure Synapse Analytics: خدمة تحليلات لا حدود لها تجمع بين تكامل البيانات وتخزين بيانات المؤسسة وتحليلات البيانات الضخمة. في هذا السيناريو، يتم استخدام Synapse لدمج تنبؤات النموذج في نموذج البيانات الحالي وأيضا لتوفير طبقة خدمة عالية السرعة لاستهلاك انتقال البيانات من الخادم.
يوفر Power BI تحليلات الخدمة الذاتية على نطاق المؤسسة، ما يسمح لك بما يلي:
- إنشاء ثقافة تستند إلى البيانات باستخدام المعلومات المهنية للجميع.
- حافظ على أمان بياناتك من خلال قدرات أمان البيانات الرائدة في الصناعة بما في ذلك وصف الحساسية والتشفير الشامل ومراقبة الوصول في الوقت الفعلي.
في هذا السيناريو، يتم استخدام Power BI لإنشاء لوحات معلومات المستخدم النهائي وتطبيق أي نمذجة دلالية مطلوبة في لوحات المعلومات هذه.
البدائل
- يمكن استخدام خدمات Spark مثل Azure Synapse Analytics Spark وAzure Databricks كبديل لأداء التعلم الآلي، اعتمادا على مقياس البيانات ومجموعة المهارات لفريق علوم البيانات.
- يمكن استخدام MLFlow لإدارة دورة الحياة الشاملة كبديل ل Azure التعلم الآلي اعتمادا على مجموعة مهارات العميل/البيئة.
- يمكن استخدام مسارات Azure Synapse Analytics كبديل ل Azure Data Factory في معظم الحالات، اعتمادا إلى حد كبير على بيئة العميل المحددة.
تفاصيل السيناريو
بالنسبة للأشخاص الذين يديرون منشأة رعاية صحية، فإن طول مدة الإقامة (لوس) - عدد الأيام من دخول المريض إلى الخروج - أمور مهمة. ومع ذلك، يمكن أن يختلف هذا العدد عبر المرافق وعبر حالات المرض والتخصصات، حتى داخل نفس نظام الرعاية الصحية، ما يجعل من الصعب تتبع تدفق المرضى والتخطيط وفقا لذلك.
يتيح هذا الحل نموذجا تنبؤيا ل لوس للقبول في المستشفى. يتم تحديد لوس في عدد من الأيام من تاريخ القبول الأولي إلى تاريخ خروج المريض من أي مرفق مستشفى معين. يمكن أن يكون هناك اختلاف كبير في لوس عبر مرافق مختلفة، وحالات المرض، والتخصصات، حتى داخل نفس نظام الرعاية الصحية.
وقد أظهرت دراسات مثل هل مدة بقاء المريض مرتبطة بجودة الرعاية؟ أن معدل مخاطرة أطول في لوس يرتبط بجودة الرعاية الأقل تلقيا. يمكن أن يعزز توقع لوس المتقدم في وقت القبول جودة رعاية المريض، من خلال منح مقدمي الخدمات لوس المتوقعة التي يمكنهم استخدامها كمقياس للمقارنة مع المريض الحالي لوس. وهذا يمكن أن يساعد على ضمان تلقي المرضى الذين يعانون من أطول من المتوقع لوس الاهتمام المناسب. يساعد توقع لوس أيضا في التخطيط الدقيق للتصريفات مما يؤدي إلى خفض مختلف تدابير الجودة الأخرى مثل الأذونات.
حالات الاستخدام المحتملة
هناك مستخدمان مختلفان للأعمال في إدارة المستشفيات يمكنهما أن يتوقعا الاستفادة من تنبؤات أكثر موثوقية لطول مدة الإقامة، بالإضافة إلى عائلات المرضى:
- رئيس قسم المعلومات الطبية (CMIO)، الذي يجتاز الفجوة بين المعلوماتية/التكنولوجيا ومحترفي الرعاية الصحية في مؤسسة رعاية صحية. وتشمل واجباتهم عادة استخدام التحليلات لتحديد ما إذا كان يتم تخصيص الموارد بشكل مناسب في شبكة المستشفى. وينبغي أن يكون مركز إدارة المشاريع قادرا على تحديد المرافق التي يجري الإفراط في تحملها، وتحديد الموارد في تلك المرافق التي قد تحتاج إلى تعزيز لإعادة تنظيم هذه الموارد مع الطلب.
- مدير خط الرعاية، الذي يشارك مباشرة في رعاية المرضى. يتطلب هذا الدور مراقبة حالة المرضى الفرديين والتأكد من توفر الموظفين لتلبية متطلبات الرعاية المحددة لمرضاهم. يمكن لمدير خط الرعاية اتخاذ قرارات طبية دقيقة ومواءمة الموارد المناسبة مسبقا. على سبيل المثال، القدرة على التنبؤ ب لوس:
- كما أن التقييم الأولي لمخاطر المرضى أمر بالغ الأهمية لتحسين تخطيط الموارد وتخصيصها، خاصة عندما تكون الموارد محدودة، كما هو الحال في وحدات ICUs.
- تمكين مديري خدمات الرعاية من تحديد ما إذا كانت موارد الموظفين ستكون كافية للتعامل مع إطلاق سراح المريض.
- يعد التنبؤ ب لوس في ICU مفيدا أيضا للمرضى وأسرهم، بالإضافة إلى شركات التأمين. يساعد التاريخ المتوقع للتصريف من المستشفى المرضى وأسرهم على فهم التكاليف الطبية وتقديرها. وهذا يعطي الأسر أيضا فكرة عن سرعة المريض في التعافي، ويساعدهم على التخطيط لتصريف المرضى وإدارة ميزانياتهم.
الاعتبارات
تنفذ هذه الاعتبارات ركائز Azure Well-Architected Framework، وهو عبارة عن مجموعة من المبادئ التوجيهية التي يمكن استخدامها لتحسين جودة حمل العمل. لمزيد من المعلومات، يرجى مراجعةMicrosoft Azure Well-Architected Framework.
تحسين التكلفة
يركز تحسين التكلفة على البحث عن طرق للحد من النفقات غير الضرورية وتحسين الكفاءة التشغيلية. لمزيد من المعلومات، راجع نظرة عامة على ركيزة تحسين التكلفة.
المكون الأغلى من هذا الحل هو الحساب وهناك عدة طرق لتوسيع نطاق الحساب بفعالية من حيث التكلفة مع حجم البيانات. أحد الأمثلة على ذلك هو استخدام خدمة Spark مثل Azure Synapse Analytics Spark أو Azure Databricks لعمل هندسة البيانات، بدلا من حل عقدة واحدة. يتوسع Spark أفقيا وهو أكثر فعالية من حيث التكلفة مقارنة بحلول العقدة الفردية الكبيرة والمتدرجة عموديا.
يمكن العثور على أسعار جميع مكونات Azure كما تم تكوينها في هذه البنية في تقدير Azure Pricing Calculator المحفوظ. تم تكوين هذا التقدير لإظهار التكاليف المقدمة والشهرية المقدرة، لتنفيذ أساسي يعمل من الساعة 9 صباحا إلى 5 مساء من الاثنين إلى الجمعة.
التميز التشغيلي
يغطي التميز التشغيلي عمليات التشغيل التي تحافظ على تشغيل التطبيق في الإنتاج. لمزيد من المعلومات، يرجى مراجعةنظرة عامة على ركيزة التميز التشغيلي.
تلعب ممارسة وتنفيذ عمليات التعلم الآلي الصلبة (MLOps) دورا حاسما في إنتاج هذا النوع من الحلول. لمزيد من المعلومات، راجع عمليات التعلم الآلي (MLOps).
كفاءة الأداء
كفاءة الأداء هي قدرة حمل عملك على تغيير الحجم لتلبية المطالب التي يضعها المستخدمون عليها بطريقة فعالة. لمزيد من المعلومات، يرجى مراجعةأنماط كفاءة الأداء.
في هذا السيناريو، يتم تنفيذ المعالجة المسبقة للبيانات في Azure التعلم الآلي. في حين أن هذا التصميم سيعمل مع وحدات تخزين البيانات الصغيرة والمتوسطة، قد تواجه وحدات تخزين البيانات الكبيرة أو السيناريوهات مع اتفاقيات مستوى الخدمة في الوقت الفعلي تقريبا صعوبة من وجهة نظر الأداء. تتمثل إحدى طرق معالجة هذا النوع من القلق في استخدام خدمة Spark مثل Azure Synapse Analytics Spark أو Azure Databricks لهندسة البيانات أو أحمال عمل علوم البيانات. يتوسع Spark أفقيا ويتم توزيعه حسب التصميم، ما يسمح له بمعالجة مجموعات البيانات الكبيرة بفعالية كبيرة.
الأمان
ويوفر عامل الأمان ضمانات للحماية من الهجمات المتعمدة واستغلال البيانات والأنظمة القيمة الخاصة بك. للمزيد من المعلومات، يرجى الرجوع إلى نظرة عامة على ركيزة الأمان.
هام
ستعمل هذه البنية مع كل من البيانات الصحية مجهولة المصدر وغير مجهولة المصدر. ومع ذلك، من أجل التنفيذ الآمن، نوصي بأن يتم الحصول على البيانات الصحية في شكل مجهول المصدر من مصادر EHR و EMR.
لمزيد من المعلومات حول ميزات الأمان والحوكمة المتوفرة ل Azure التعلم الآلي، راجع أمان المؤسسة وحوكمتها ل Azure التعلم الآلي
المساهمون
تحتفظ Microsoft بهذه المقالة. وهي مكتوبة في الأصل من قبل المساهمين التاليين.
الكتاب الرئيسيون:
- دهانسهري المزيد | مهندس حلول السحابة الأساسي
- DJ Dean | مهندس حلول السحابة الأساسي
لمشاهدة ملفات تعريف LinkedIn غير العامة، سجل الدخول إلى LinkedIn.
الخطوات التالية
التقنيات والموارد المتعلقة بتنفيذ هذه البنية:
- جرب البدايات السريعة والبرامج التعليمية المتوفرة لخدمات Azure المذكورة في هذه البنية:
- Microsoft Cloud لموارد الرعاية الصحية :
- التعرف على اعتبارات إدارة البيانات
- جرب أحد حلول إدارة البيانات المتوفرة في مركز حلول السحابة من Microsoft
- مراجعة البنى المرجعية المتاحة، بما في ذلك خصائص بيانات الرعاية الصحية
الموارد ذات الصلة
راجع محتوى Azure Architecture Center الإضافي المرتبط بهذه البنية: