A beteg tartózkodásának és áramlásának előrejelzése

Data Factory
Data Lake Storage Gen2
Machine Learning
Synapse Analytics
Power BI

Ez az Azure-megoldás segít a kórházi rendszergazdáknak a gépi tanulás segítségével előrejelezni a kórházi beutazások időtartamát a kapacitástervezés és az erőforrás-kihasználtság javítása érdekében. A tiszti főorvos egy prediktív modellt használhat annak meghatározására, hogy mely létesítményeket kell túladóztetni, és mely erőforrásokat kell támogatni az adott létesítményeken belül. Az ellátósor-kezelők modellel határozhatják meg, hogy vannak-e megfelelő személyzeti erőforrások a beteg kiadásának kezeléséhez.

Architektúra

A távoli betegfigyelési architektúra ábrája egészségügyi eszközök és Azure-szolgáltatások használatával.

Töltse le az architektúra PowerPoint-fájlját .

Adatfolyam

A következő adatfolyam a fenti diagramnak felel meg:

  1. Az elektronikus egészségügyi rekordokból (EHR) és az elektronikus egészségügyi rekordokból (EMR) származó anonimizált egészségügyi adatokat a rendszer a megfelelő futtatókörnyezettel rendelkező Azure Data Factory (például: Azure, saját üzemeltetésű) használatával nyeri ki. Ebben a forgatókönyvben feltételezzük, hogy az anonimizált adatok elérhetők kötegelt kinyeréshez az egyik Azure Data Factory összekötő használatával, például ODBC, Oracle, SQL. Más adatforrások, például az FHIR-adatok, megkövetelhetik egy közvetítő betöltési szolgáltatás, például a Azure Functions felvételét.

  2. Azure Data Factory adat a Data Factoryn keresztül Azure Data Lake Storage (gen 2)-be áramlik. A folyamat során a rendszer nem tárol adatokat Azure Data Factory, és az olyan hibák, mint az megszakadt kapcsolatok, kezelhetők/újrapróbálkozhatók ebben a lépésben.

  3. Az Azure Machine Learning használatával gépi tanulási algoritmusokat/folyamatokat alkalmazhat a 2. lépésben betöltött adatokra. Az algoritmusok a követelményektől függően eseményalapúan, ütemezetten vagy manuálisan alkalmazhatók. Konkrétan ez a következőket foglalja magában:

    3.1 Betanítás – A betöltött adatok egy gépi tanulási modell betanítására szolgálnak olyan algoritmusok kombinációjával, mint a lineáris regresszió és a színátmenettel növelt döntési fa. Ezek az algoritmusok különböző keretrendszereken (például scikit-learn) keresztül érhetők el általában egy folyamaton belül, és tartalmazhatnak feldolgozási folyamat előtti/utáni lépéseket is. Példaként a betegállapoti tényezőket, például a meglévő előre feldolgozott (például null sorokat elvető) EMR-/EHR-adatokból származó betegállapoti tényezőket fel lehet használni egy regressziós modell, például a lineáris regresszió betanítására. A modell ezután képes lesz előrejelezni egy új beteg tartózkodási hosszát.

    3.2 Ellenőrzés – A modell teljesítményét összehasonlítjuk a meglévő modellekkel/tesztadatokkal, valamint az alárendelt felhasználású célokkal, például az alkalmazásprogramozási felületekkel (API-kkal).

    3.3 Üzembe helyezés – A modell egy tárolóval van csomagolva különböző célkörnyezetekben való használatra.

    3.4 Monitor – A rendszer összegyűjti és figyeli a modell előrejelzéseit, hogy a teljesítmény ne csökkenjen az idő múlásával. Riasztások küldhetők a modell manuális vagy automatikus újratanításának/frissítésének aktiválásához, ha szükséges, a figyelési adatok használatával. Vegye figyelembe, hogy további szolgáltatásokra, például az Azure Monitorra lehet szükség a kinyert monitorozási adatok típusától függően.

  4. Az Azure Machine Learning kimeneti folyamatai Azure Synapse Analyticsbe. A modell kimenete (az előrejelzett beteghossz) skálázható, a dedikált SQL-készlethez hasonló rétegben, skálázható, skálázható módon van kombinálva a meglévő betegadatokkal. A Synapse Analytics ezen a ponton további elemzéseket is végezhet, például a kórházi tartózkodás átlagos hosszát.

  5. Azure Synapse Analytics adatokat biztosít a Power BI-nak. Pontosabban a Power BI a (4) lépésben csatlakozik a kiszolgáló réteghez az adatok kinyeréséhez és további szemantikai modellezés alkalmazásához.

  6. A Power BI-t az ellátási vonal kezelője és a kórházi erőforrás-koordinátor elemzi.

Összetevők

  • A Azure Data Factory (ADF) teljes körűen felügyelt, kiszolgáló nélküli adatintegrációs és vezénylési szolgáltatást biztosít, amely képes vizuálisan integrálni az adatforrásokat több mint 90 beépített, karbantartásmentes összekötővel, hozzáadott költség nélkül. Ebben a forgatókönyvben az ADF az adatok betöltésére és az adatfolyamok vezénylésére szolgál.

  • Az Azure Data Lake (ADLS) skálázható biztonságos data lake-t biztosít a nagy teljesítményű elemzésekhez. Ebben a forgatókönyvben az ADLS skálázható, költséghatékony adattárolási rétegként használatos.

  • Az Azure Machine Learning(AML) szolgáltatásai a következő lépésekkel gyorsítják fel a teljes körű LOS előrejelzési gépi tanulási életciklust:

    • Az adattudósok és a fejlesztők számára számos hatékony tapasztalatot kínál a gépi tanulási modellek készítéséhez, betanításához és üzembe helyezéséhez, valamint a csapatmunkához.
    • A piacvezető MLOps– gépi tanulási műveletek vagy a gépi tanuláshoz készült DevOps – piacra jutásának felgyorsítása.
    • Innováció egy biztonságos, megbízható platformon, amely felelős gépi tanulásra lett tervezve.

    Ebben a forgatókönyvben az AML az a szolgáltatás, amely a beteg tartózkodásának előrejelzéséhez és a teljes modell életciklusának kezeléséhez használt modellt hozza létre.

  • Azure Synapse Analytics: egy korlátlan elemzési szolgáltatás, amely egyesíti az adatintegrációt, a vállalati adattárházakat és a big data-elemzéseket. Ebben a forgatókönyvben a Synapse-t arra használják, hogy a modell előrejelzéseit beépítse a meglévő adatmodellbe, és nagy sebességű kiszolgálóréteget biztosítson az alsóbb rétegbeli felhasználáshoz.

  • A Power BI nagyvállalati szintű önkiszolgáló elemzést biztosít, amely lehetővé teszi a következő lehetőségeket:

    • Hozzon létre egy adatvezérelt kultúrát az üzleti intelligenciával mindenki számára.
    • Az adatok biztonságának megőrzése iparágvezető adatbiztonsági képességekkel, beleértve a bizalmassági címkézést, a végpontok közötti titkosítást és a valós idejű hozzáférés-monitorozást.

    Ebben a forgatókönyvben a Power BI használatával végfelhasználói irányítópultokat hozhat létre, és bármilyen szemantikai modellezést alkalmazhat ezekben az irányítópultokon.

Alternatív megoldások

  • Az olyan Spark-szolgáltatások, mint a Azure Synapse Analytics Spark és az Azure Databricks, alternatívaként használhatók a gépi tanulás végrehajtásához az adatelemzési csapat adatskálájától és képességcsoportjától függően.
  • Az MLFlow az ügyfél képességkészletétől/környezetétől függően az Azure Machine Learning alternatívájaként a teljes életciklus kezelésére használható.
  • Azure Synapse Analytics-folyamatok a legtöbb esetben a Azure Data Factory alternatívaként használhatók, nagyrészt az adott ügyfélkörnyezettől függően.

Forgatókönyv részletei

Az egészségügyi intézményt működtető személyek számára a tartózkodás hossza (LOS) – a betegfelvételtől a mentesítésig tartó napok száma – számít. Ez a szám azonban a különböző létesítményekben és betegségi körülmények között és különlegességekben is változhat, még ugyanabban az egészségügyi rendszerben is, ami megnehezíti a betegek áramlásának nyomon követését és ennek megfelelően történő tervezését.

Ez a megoldás lehetővé teszi a los prediktív modellt a kórházi beutazásokhoz. A LOS-t a kezdeti beengedés dátumától a beteg adott kórházi intézményből való kivezetésének időpontjáig számított napok száma határozza meg. A LOS-nak jelentős eltérése lehet a különböző létesítményekben, betegségekben és különlegességekben, még ugyanabban az egészségügyi rendszerben is.

Az olyan vizsgálatok, mint a beteg tartózkodásának hossza kapcsolódik az ellátás minőségéhez? kimutatták, hogy a hosszabb kockázattal korrigált LOS korrelál az alacsonyabb ellátásminőséggel. A speciális LOS-előrejelzés a beléptetéskor javíthatja a betegek ellátásának minőségét, ha a szolgáltatóknak egy várt LOS-t adnak, amelyet metrikaként használhatnak az aktuális beteg LOS-hoz való összehasonlításához. Ez segíthet biztosítani, hogy a vártnál hosszabb LOS betegek megfelelő figyelmet kapjanak. A LOS-előrejelzés segít a kibocsátás pontos tervezésében is, ami a különböző egyéb minőségi intézkedések, például a visszafogadások csökkenését eredményezi.

Lehetséges használati esetek

Két különböző üzleti felhasználó van a kórházvezetésben, akik várhatóan megbízhatóbb előrejelzéseket kaphatnak a tartózkodás időtartamáról, valamint a betegek családjairól:

  • A tiszti főorvos (CMIO), aki áthidalja a szakadékot az informatika/technológia és az egészségügyi szakemberek között egy egészségügyi szervezetnél. Feladatuk általában az elemzések használata annak megállapítására, hogy az erőforrások megfelelően vannak-e lefoglalva egy kórházi hálózatban. A CMIO-nak képesnek kell lennie meghatározni, hogy mely létesítményeket kell túladóztatásra használni, és konkrétan milyen erőforrásokat kell támogatni az ilyen erőforrások igény szerinti újraelosztásához.
  • Az ellátási vonal vezetője, aki közvetlenül részt vesz a betegek ellátásában. Ehhez a szerepkörhöz szükség van az egyes betegek állapotának monitorozására és annak biztosítására, hogy a személyzet rendelkezésre álljon a betegeik speciális ápolási követelményeinek való megfelelés érdekében. Az ápolási vonal vezetője pontos orvosi döntéseket hozhat, és előre igazíthatja a megfelelő erőforrásokat. Például a LOS előrejelzésének képessége:
    • mivel a betegek kockázatának kezdeti értékelése kritikus fontosságú a jobb erőforrás-tervezés és -kiosztás szempontjából, különösen akkor, ha az erőforrások korlátozottak, mint az ICU-k esetében.
    • lehetővé teszi az ellátási vonal vezetői számára annak megállapítását, hogy a személyzet erőforrásai megfelelőek-e a beteg kiadásának kezeléséhez.
  • A los in ICU előrejelzése a betegek és családjaik, valamint a biztosítótársaságok számára is előnyös. A kórházból való mentesítés várható időpontja segít a betegeknek és családtagjaiknak megérteni és megbecsülni az orvosi költségeket. Ez a családok számára is képet ad a beteg gyógyulási sebességéről, és segít nekik megtervezni a mentesítést és kezelni a költségvetésüket.

Megfontolandó szempontok

Ezek a szempontok implementálják az Azure Well-Architected-keretrendszer alappilléreit, amelyek a számítási feladatok minőségének javítására használható vezérelvek. További információ: Microsoft Azure Well-Architected Framework.

Költségoptimalizálás

A költségoptimalizálás a felesleges költségek csökkentésének és a működési hatékonyság javításának módjait ismerteti. További információ: A költségoptimalizálási pillér áttekintése.

Ennek a megoldásnak a legdrágább összetevője a számítás, és többféleképpen is skálázhatja a számítást költséghatékonyan az adatmennyiséggel. Ilyen például egy Spark-szolgáltatás, például a Azure Synapse Analytics Spark vagy az Azure Databricks használata az adatmérnöki munkához, nem pedig egyetlen csomópontos megoldás. A Spark horizontálisan skálázható, és költséghatékonyabb a nagyméretű, függőlegesen skálázott egycsomópontos megoldásokhoz képest.

Az architektúrában konfigurált összes Azure-összetevő díjszabása ebben az Azure-díjkalkulátor által mentett becslésben található. Ez a becslés úgy van konfigurálva, hogy a hétfőtől péntekig 9:00 és 17:00 óra között futó alapszintű implementáció becsült előzetes és havi költségeit mutassa.

Működésbeli kiválóság

A működési kiválóság magában foglalja az alkalmazás üzembe helyezését és éles üzemben tartását. További információ: Az operatív kiválósági pillér áttekintése.

A szilárd Machine Learning-műveletek (MLOps) gyakorlata és implementációja kritikus szerepet játszik az ilyen típusú megoldások élesítésében. További információ: Gépi tanulási műveletek (MLOps).

Teljesítménybeli hatékonyság

A teljesítménybeli hatékonyság lehetővé teszi, hogy a számítási feladatok hatékonyan méretezhetők legyenek a felhasználók igényei szerint. További információ: Teljesítményhatékonysági pillér áttekintése.

Ebben a forgatókönyvben az adatok előfeldolgozása az Azure Machine Learningben történik. Bár ez a kialakítás kis és közepes adatmennyiségek esetén is működik, a nagy adatmennyiségek vagy a közel valós idejű SLA-k használata teljesítmény szempontjából nehézkes lehet. Az ilyen típusú problémák megoldásának egyik módja, ha olyan Spark-szolgáltatást használ, mint a Azure Synapse Analytics Spark vagy az Azure Databricks adatmérnöki vagy adatelemzési számítási feladatokhoz. A Spark horizontálisan skálázható, és a tervezés szerint van elosztva, így nagyon hatékonyan dolgozhatja fel a nagy adathalmazokat.

Biztonság

A biztonság biztosítékot nyújt a szándékos támadások és az értékes adatokkal és rendszerekkel való visszaélés ellen. További információ: A biztonsági pillér áttekintése.

Fontos

Ez az architektúra anonimizált és nem anonimizált állapotadatokkal is használható. A biztonságos megvalósítás érdekében azonban azt javasoljuk, hogy az egészségügyi adatok EHR- és EMR-forrásokból származnak anonyizált formában.

Az Azure Machine Learninghez elérhető biztonsági és irányítási funkciókkal kapcsolatos további információkért lásd: Enterprise security and governance for Azure Machine Learning (Vállalati biztonság és irányítás az Azure Machine Learninghez)

Közreműködők

Ezt a cikket Microsoft tartja fenn. Eredetileg a következő közreműködők írták.

Fő szerzők:

A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.

Következő lépések

Az architektúra megvalósításához kapcsolódó technológiák és erőforrások:

Tekintse meg az architektúrához kapcsolódó további Azure Architecture Center-tartalmakat: