Layanan MedTech dan Azure Machine Learning Service

Penting

Mulai 26/2/2025, layanan MedTech tidak akan lagi tersedia di wilayah berikut: UK Barat, UAE Utara, Afrika Selatan Utara, Qatar Tengah.

Dalam artikel ini, pelajari tentang menggunakan layanan MedTech dan Azure Machine Learning Service.

Layanan MedTech dan arsitektur referensi Azure Machine Learning Service

Layanan MedTech memungkinkan perangkat IoT untuk berintegrasi dengan mulus dengan layanan FHIR®. Arsitektur referensi ini dirancang untuk mempercepat adopsi proyek Internet of Things (IoT). Solusi ini menggunakan Azure Databricks untuk komputasi Pembelajaran Mesin (ML). Namun, Azure Machine Learning Services dengan Kubernetes atau solusi ML mitra dapat masuk ke dalam Lingkungan Penilaian Pembelajaran Mesin.

Empat warna garis menunjukkan berbagai bagian perjalanan data.

• Blue = data IoT untuk layanan FHIR.
• Green = jalur data untuk menilai data IoT
• Red = Hot path untuk data guna menginformasikan kepada dokter tentang risiko pasien. Tujuan jalur panas adalah sedekat mungkin dengan waktu nyata.
• Orange = Jalur hangat untuk data. Masih mendukung dokter dalam perawatan pasien. Permintaan data biasanya dipicu secara manual atau pada jadwal refresh.

Penyerapan data: Langkah 1 - 5

1. Data dari perangkat IoT atau melalui gateway perangkat dikirim ke Azure IoT Hub/Azure IoT Edge.
2. Data dari Azure IoT Edge dikirim ke Azure IoT Hub.
3. Salinan data perangkat IoT mentah yang dikirim ke lingkungan penyimpanan yang aman untuk administrasi perangkat.
4. Payload IoT berpindah dari Azure IoT Hub ke layanan MedTech. Ikon layanan MedTech mewakili beberapa layanan Azure.
5. Tiga bagian ke nomor lima:
   1. Layanan MedTech meminta sumber daya Pasien dari layanan FHIR.
   2. Layanan FHIR mengirim sumber daya Pasien kembali ke layanan MedTech.
   3. Observasi Pasien IoT dicatat dalam sistem layanan FHIR.

Pembelajaran Mesin dan Rute Data AI: Langkah 6 - 11

6. Aliran data ternormalisasi yang tidak dikelompokkan dikirim ke Azure Function (Input ML).
7. Azure Function (ML Input) mengajukan permintaan sumber daya Pasien untuk digabungkan dengan payload IoT.
8. Payload IoT dikirim ke hub acara untuk didistribusikan ke komputasi dan penyimpanan Machine Learning.
9. Payload IoT dikirim ke Azure Data Lake Storage Gen 2 untuk pengamatan penilaian selama jendela waktu yang lebih lama.
10. Payload IoT dikirim ke Azure Databricks untuk pengaturan interval waktu, pencocokan data, dan pemeringkatan data.
11. Azure Databricks meminta lebih banyak data pasien dari data lake sesuai kebutuhan.
    1. Azure Databricks juga mengirim salinan data yang dinilai ke data lake.

Koordinasi Pemberitahuan dan Perawatan: Langkah 12 - 18

Hot path

12. Azure Databricks mengirimkan payload ke Azure Function (ML Output).
13. RiskAssessment dan/atau Menandai sumber daya yang dikirimkan kepada layanan FHIR.
    1. Untuk setiap jendela pengamatan, sumber daya RiskAssessment dikirimkan ke layanan FHIR.
    2. Untuk periode pengamatan di mana RiskAssessment berada di luar rentang yang dapat diterima, sumber daya penanda juga harus dikirimkan ke layanan FHIR.
14. Data yang sudah dinilai dikirim ke repositori data untuk penyaluran ke tim perawatan yang sesuai. Azure SQL Server adalah repositori data yang digunakan dalam desain ini karena interaksi aslinya dengan Power BI.
15. Dasbor Power BI diperbarui dengan output RiskAssessment dalam waktu kurang dari 15 menit.

jalur hangat

16. Power BI memperbarui dasbor sesuai dengan jadwal penyegaran data. Biasanya, lebih dari 15 menit di antara refresh.
17. Isi aplikasi Tim Perawatan dengan data saat ini.
18. Koordinasi Perawatan melalui Aplikasi Pasien Microsoft Teams for Healthcare.

Langkah berikutnya

Apa itu layanan MedTech?

Memahami tahapan pemrosesan data perangkat layanan MedTech

Pilih metode penyebaran untuk layanan MedTech

Nota

FHIR® adalah merek dagang terdaftar HL7 dan digunakan dengan izin HL7.