Edit

Bagikan melalui

Memprediksi lama tinggal dan alur pasien

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

Solusi Azure ini membantu administrator rumah sakit menggunakan kekuatan pembelajaran mesin untuk memprediksi lama tinggal di rumah sakit, untuk meningkatkan perencanaan kapasitas dan pemanfaatan sumber daya. Kepala petugas informasi medis mungkin menggunakan model prediktif untuk menentukan fasilitas mana yang dilapisi dan sumber daya mana yang akan di-guling dalam fasilitas tersebut. Manajer lini perawatan mungkin menggunakan model untuk menentukan apakah ada sumber daya staf yang memadai untuk menangani rilis pasien.

Sistem

Diagram arsitektur pemantauan pasien jarak jauh menggunakan perangkat layanan kesehatan dan layanan Azure.

Unduh file Visio arsitektur ini.

Aliran data

Aliran data berikut sesuai dengan diagram di atas:

  1. Data kesehatan anonim dari catatan kesehatan elektronik (EHR) dan catatan medis elektronik (EMR) diekstrak menggunakan Azure Data Factory dengan runtime yang sesuai (misalnya: Azure, Dihost sendiri). Dalam skenario ini, kami menganggap data anonim dapat diakses untuk ekstraksi batch menggunakan salah satu konektor Azure Data Factory, seperti ODBC, Oracle, SQL. Sumber data lain seperti data FHIR, mungkin memerlukan penyertaan layanan penyerapan perantara seperti Azure Functions.

  2. Data Azure Data Factory mengalir melalui Data Factory ke Azure Data Lake Storage (gen 2). Tidak ada data yang disimpan di Azure Data Factory selama proses ini, dan kegagalan seperti koneksi yang terputus dapat ditangani/dicoba kembali selama langkah ini.

  3. Azure Pembelajaran Mesin digunakan untuk menerapkan algoritma/alur pembelajaran mesin ke data yang diserap di langkah 2. Algoritma dapat diterapkan berdasarkan peristiwa, terjadwal, atau secara manual tergantung pada persyaratan. Secara khusus, ini termasuk:

    3.1 Melatih - Data yang diserap digunakan untuk melatih model pembelajaran mesin menggunakan kombinasi algoritma seperti regresi Linier dan Pohon Keputusan yang Ditingkatkan Gradien. Algoritma ini disediakan melalui berbagai kerangka kerja (misalnya, scikit-learn) biasanya dalam alur, dan dapat mencakup langkah-langkah alur pra/pasca-pemrosesan. Sebagai contoh, faktor kesehatan pasien seperti jenis penerimaan yang berasal dari data EMR/EHR yang telah diproses sebelumnya (misalnya, menjatuhkan baris null) dapat digunakan untuk melatih model regresi seperti Regresi Linier. Model ini kemudian akan mampu memprediksi lama tinggal pasien baru.

    3.2 Validasi - Performa model dibandingkan dengan model/data pengujian yang ada, dan juga terhadap target konsumsi hilir seperti Application Programming Interfaces (API).

    3.3 Deploy - Model dimas menggunakan kontainer untuk digunakan di lingkungan target yang berbeda.

    3.4 Monitor - Prediksi model dikumpulkan dan dipantau untuk memastikan performa tidak menurun dari waktu ke waktu. Pemberitahuan dapat dikirim untuk memicu pelatihan ulang/pembaruan manual atau otomatis ke model sesuai kebutuhan menggunakan data pemantauan ini. Perhatikan bahwa layanan tambahan seperti Azure Monitor mungkin diperlukan, tergantung pada jenis data pemantauan yang diekstrak.

  4. Output Azure Pembelajaran Mesin mengalir ke Azure Synapse Analytics. Output model (perkiraan lama tinggal pasien) dikombinasikan dengan data pasien yang ada dalam lapisan penyajian yang dapat diskalakan seperti kumpulan SQL khusus untuk konsumsi hilir. Analitik tambahan seperti lama tinggal rata-rata per rumah sakit dapat dilakukan melalui Synapse Analytics pada saat ini.

  5. Azure Synapse Analytics menyediakan data ke Power BI. Secara khusus, Power BI tersambung ke lapisan penyajian dalam langkah (4) untuk mengekstrak data dan menerapkan pemodelan semantik tambahan yang diperlukan.

  6. Power BI digunakan untuk analisis oleh manajer lini perawatan dan koordinator sumber daya rumah sakit.

Komponen

  • Azure Data Factory (ADF) menyediakan layanan integrasi dan orkestrasi data tanpa server yang dikelola sepenuhnya yang mampu mengintegrasikan sumber data secara visual dengan lebih dari 90+ konektor bawaan dan bebas pemeliharaan tanpa biaya tambahan. Dalam skenario ini ADF digunakan untuk menyerap data dan mengatur aliran data.

  • Azure Data Lake (ADLS) menyediakan data lake aman yang dapat diskalakan untuk analitik berkinerja tinggi. Dalam skenario ini ADLS digunakan sebagai lapisan penyimpanan data yang dapat diskalakan dan hemat biaya.

  • Layanan Azure Pembelajaran Mesin (AML) mempercepat siklus hidup pembelajaran mesin prediksi LOS end-to-end dengan:

    • Memberdayakan ilmuwan dan pengembang data dengan berbagai pengalaman produktif untuk membangun, melatih, dan menyebarkan model pembelajaran mesin dan mendorong kolaborasi tim.
    • Mempercepat waktu untuk memasarkan dengan MLOps terkemuka di industri—operasi pembelajaran mesin, atau DevOps untuk pembelajaran mesin.
    • Berinovasi pada platform tepercaya yang aman, dirancang untuk pembelajaran mesin yang bertanggung jawab.

    Dalam skenario ini, AML adalah layanan yang digunakan untuk menghasilkan model yang digunakan untuk memprediksi lama tinggal pasien, dan untuk mengelola siklus hidup model end-to-end.

  • Azure Synapse Analytics: layanan analitik tak terbatas yang menyatukan integrasi data, pergudangan data perusahaan, dan analitik big data. Dalam skenario ini, Synapse digunakan untuk menggabungkan prediksi model ke dalam model data yang ada dan juga untuk menyediakan lapisan penyajian berkecepatan tinggi untuk konsumsi hilir.

  • Power BI menyediakan analitik layanan mandiri dalam skala perusahaan, memungkinkan Anda untuk:

    • Buat budaya berbasis data dengan kecerdasan bisnis untuk semua.
    • Jaga keamanan data Anda dengan kemampuan keamanan data terdepan di industri termasuk pelabelan sensitivitas, enkripsi end-to-end, dan pemantauan akses real time.

    Dalam skenario ini, Power BI digunakan untuk membuat dasbor pengguna akhir dan menerapkan pemodelan semantik apa pun yang diperlukan di dasbor tersebut.

Alternatif

  • Layanan Spark seperti Azure Synapse Analytics Spark dan Azure Databricks dapat digunakan sebagai alternatif untuk melakukan pembelajaran mesin, tergantung pada skala data dan kumpulan keterampilan tim ilmu data.
  • MLFlow dapat digunakan untuk mengelola siklus hidup end-to-end sebagai alternatif untuk Azure Pembelajaran Mesin tergantung pada set keterampilan/lingkungan pelanggan.
  • Alur Azure Synapse Analytics dapat digunakan sebagai alternatif untuk Azure Data Factory dalam kebanyakan kasus, tergantung sebagian besar pada lingkungan pelanggan tertentu.

Detail skenario

Bagi orang-orang yang menjalankan fasilitas perawatan kesehatan, lama tinggal (LOS)—jumlah hari dari penerimaan pasien hingga pembuangan—penting. Namun, jumlah itu dapat bervariasi di seluruh fasilitas dan di seluruh kondisi penyakit dan spesialisasi, bahkan dalam sistem perawatan kesehatan yang sama, sehingga sulit untuk melacak aliran pasien dan merencanakan yang sesuai.

Solusi ini memungkinkan model prediktif untuk LOS untuk penerimaan di rumah sakit. LOS didefinisikan dalam jumlah hari dari tanggal akui awal hingga tanggal pasien dipulangkan dari fasilitas rumah sakit tertentu. Mungkin ada variasi LOS yang signifikan di berbagai fasilitas, kondisi penyakit, dan spesialisasi, bahkan dalam sistem perawatan kesehatan yang sama.

Studi seperti Apakah lama tinggal pasien terkait dengan kualitas perawatan? telah menunjukkan bahwa LOS yang lebih lama disesuaikan risiko berkorelasi dengan kualitas perawatan yang diterima lebih rendah. Prediksi LOS tingkat lanjut pada saat penerimaan dapat meningkatkan kualitas perawatan pasien, dengan memberikan penyedia LOS yang diharapkan yang dapat mereka gunakan sebagai metrik untuk dibandingkan dengan LOS pasien saat ini. Ini dapat membantu memastikan pasien dengan LOS yang lebih lama dari yang diharapkan menerima perhatian yang tepat. Prediksi LOS juga membantu perencanaan yang akurat untuk pelepasan yang mengakibatkan penurunan berbagai langkah kualitas lainnya seperti readmission.

Kemungkinan kasus penggunaan

Ada dua pengguna bisnis yang berbeda dalam manajemen rumah sakit yang dapat mengharapkan manfaat dari prediksi yang lebih andal dari lama tinggal, serta keluarga pasien:

  • Kepala petugas informasi medis (CMIO), yang membelah antara informatika/teknologi dan profesional layanan kesehatan dalam organisasi layanan kesehatan. Tugas mereka biasanya termasuk menggunakan analitik untuk menentukan apakah sumber daya dialokasikan dengan tepat dalam jaringan rumah sakit. CMIO harus dapat menentukan fasilitas mana yang dilapisi, dan khususnya sumber daya apa di fasilitas tersebut yang mungkin perlu di-bolster untuk mewujudkan sumber daya tersebut dengan permintaan.
  • Manajer lini perawatan, yang terlibat langsung dengan perawatan pasien. Peran ini memerlukan pemantauan status pasien individu dan memastikan bahwa staf tersedia untuk memenuhi persyaratan perawatan khusus pasien mereka. Manajer lini perawatan dapat membuat keputusan medis yang akurat dan menyelaraskan sumber daya yang tepat terlebih dahulu. Misalnya, kemampuan untuk memprediksi LOS:
    • sebagai penilaian awal risiko pasien sangat penting untuk perencanaan dan alokasi sumber daya yang lebih baik, terutama ketika sumber daya terbatas, seperti pada ICU.
    • memungkinkan manajer lini perawatan untuk menentukan apakah sumber daya staf akan memadai untuk menangani rilis pasien.
  • Memprediksi LOS di ICU juga bermanfaat bagi pasien dan keluarganya, serta perusahaan asuransi. Tanggal yang diharapkan untuk keluar dari rumah sakit membantu pasien dan keluarga mereka memahami dan memperkirakan biaya medis. Ini juga memberi keluarga ide tentang kecepatan pemulihan pasien, dan membantu mereka merencanakan pembuangan dan mengelola anggaran mereka.

Pertimbangan

Pertimbangan ini mengimplementasikan pilar Azure Well-Architected Framework, yang merupakan serangkaian tenet panduan yang dapat digunakan untuk meningkatkan kualitas beban kerja. Untuk informasi selengkapnya, lihat Microsoft Azure Well-Architected Framework.

Pengoptimalan biaya

Optimalisasi biaya adalah tentang mencari cara untuk mengurangi pengeluaran yang tidak perlu dan meningkatkan efisiensi operasional. Untuk informasi selengkapnya, lihat Gambaran umum pilar pengoptimalan biaya.

Komponen paling mahal dari solusi ini adalah komputasi dan ada beberapa cara untuk menskalakan komputasi hemat biaya dengan volume data. Salah satu contohnya adalah menggunakan layanan Spark seperti Azure Synapse Analytics Spark atau Azure Databricks untuk pekerjaan rekayasa data, dibandingkan dengan solusi simpul tunggal. Spark menskalakan secara horizontal dan lebih hemat biaya dibandingkan dengan solusi simpul tunggal besar yang diskalakan secara vertikal.

Harga untuk semua komponen Azure seperti yang dikonfigurasi dalam arsitektur ini dapat ditemukan dalam perkiraan tersimpan Kalkulator Harga Azure ini. Perkiraan ini dikonfigurasi untuk menunjukkan perkiraan biaya di muka dan bulanan, untuk implementasi dasar yang berjalan pukul 09.00-17.00 Senin hingga Jumat.

Keunggulan operasional

Keunggulan operasional mencakup proses operasi yang menyebarkan aplikasi dan membuatnya tetap berjalan dalam produksi. Untuk informasi selengkapnya, lihat Gambaran umum pilar keunggulan operasional.

Praktik dan implementasi operasi Pembelajaran Mesin yang solid (MLOps) memainkan peran penting dalam produksialisasi jenis solusi ini. Untuk informasi selengkapnya, lihat Operasi pembelajaran mesin (MLOps).

Efisiensi kinerja

Efisiensi performa adalah kemampuan beban kerja Anda untuk diskalakan agar memenuhi permintaan yang diberikan oleh pengguna dengan cara yang efisien. Untuk informasi selengkapnya, lihat Gambaran umum pilar efisiensi performa.

Dalam skenario ini, pra-pemrosesan data dilakukan di Azure Pembelajaran Mesin. Meskipun desain ini akan berfungsi untuk volume data kecil hingga menengah, volume atau skenario data besar dengan SLA yang hampir real-time dapat berjuang dari sudut performa. Salah satu cara untuk mengatasi jenis kekhawatiran ini adalah dengan menggunakan layanan Spark seperti Azure Synapse Analytics Spark atau Azure Databricks untuk beban kerja rekayasa data atau ilmu data. Spark menskalakan secara horizontal dan didistribusikan berdasarkan desain, memungkinkannya untuk memproses himpunan data besar dengan sangat efektif.

Keamanan

Keamanan memberikan jaminan terhadap serangan yang disukai dan penyalahgunaan data dan sistem berharga Anda. Untuk informasi selengkapnya, lihat Gambaran Umum pilar keamanan.

Penting

Arsitektur ini akan bekerja dengan data kesehatan anonim dan non-anonim. Namun, demi implementasi yang aman, sebaiknya data kesehatan bersumber dalam bentuk anonim dari sumber EHR dan EMR.

Untuk informasi selengkapnya tentang fitur keamanan dan tata kelola yang tersedia untuk Azure Pembelajaran Mesin, lihat Keamanan dan tata kelola perusahaan untuk Azure Pembelajaran Mesin

Kontributor

Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.

Penulis utama:

Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.

Langkah berikutnya

Teknologi dan sumber daya yang terkait dengan penerapan arsitektur ini:

Lihat konten Azure Architecture Center tambahan yang terkait dengan arsitektur ini: