Layanan MedTech dan Azure Machine Learning Service
Catatan
Fast Healthcare Interoperability Resources (FHIR®) adalah spesifikasi layanan kesehatan terbuka.
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 sesuai dengan Lingkungan Penilaian Pembelajaran Mesin.
Empat warna garis menunjukkan berbagai bagian perjalanan data.
- Biru = Data IoT ke layanan FHIR.
- Hijau = jalur data untuk menilai data IoT
- Red = Hot path untuk data untuk menginformasikan dokter risiko pasien. Tujuan dari jalur panas adalah sedekat mungkin dengan real-time.
- Oranye = 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
- Data dari perangkat IoT atau melalui gateway perangkat yang dikirim ke Azure IoT Hub/Azure IoT Edge.
- Data dari Azure IoT Edge dikirim ke Azure IoT Hub.
- Salinan data perangkat IoT mentah yang dikirim ke lingkungan penyimpanan yang aman untuk administrasi perangkat.
- Payload IoT berpindah dari Azure IoT Hub ke layanan MedTech. Ikon layanan MedTech mewakili beberapa layanan Azure.
- Tiga bagian ke nomor lima:
- Layanan MedTech meminta sumber daya Pasien dari layanan FHIR.
- Layanan FHIR mengirim sumber daya Pasien kembali ke layanan MedTech.
- Pengamatan Pasien IoT dicatat dalam layanan FHIR.
Pembelajaran Mesin dan Rute Data AI: Langkah 6 - 11
- Aliran data yang tidak disusupi yang dinormalisasi dikirim ke Azure Function (Input ML).
- Azure Function (Input ML) meminta sumber daya Pasien untuk digabungkan dengan payload IoT.
- Payload IoT dikirim ke pusat aktivitas untuk didistribusikan ke komputasi dan penyimpanan Azure Machine Learning.
- Payload IoT dikirim ke Azure Data Lake Storage Gen 2 untuk pengamatan penilaian selama jendela waktu yang lebih lama.
- Payload IoT dikirim ke Azure Databricks untuk windowing, data fitting, dan penilaian data.
- Azure Databricks meminta lebih banyak data pasien dari data lake sesuai kebutuhan.
- Azure Databricks juga mengirim salinan data yang dinilai ke data lake.
Koordinasi Pemberitahuan dan Perawatan: Langkah 12 - 18
Jalur panas
- Azure Databricks mengirimkan payload ke Azure Function (Output ML).
- RiskAssessment dan/atau Bendera sumber daya yang dikirimkan ke layanan FHIR.
- Untuk setiap jendela pengamatan, sumber daya RiskAssessment dikirimkan ke layanan FHIR.
- Untuk jendela pengamatan di mana penilaian risiko berada di luar rentang sumber daya Bendera yang dapat diterima juga harus dikirimkan ke layanan FHIR.
- Data skor dikirim ke repositori data untuk perutean ke tim perawatan yang sesuai. Azure SQL Server adalah repositori data yang digunakan dalam desain ini karena interaksi aslinya dengan Power BI.
- Dasbor Power BI diperbarui dengan output Penilaian Risiko dalam waktu kurang dari 15 menit.
Jalur hangat
- Power BI merefresh dasbor pada jadwal refresh data. Biasanya, lebih dari 15 menit di antara refresh.
- Isi aplikasi Tim Perawatan dengan data saat ini.
- Koordinasi Perawatan melalui Aplikasi Pasien Microsoft Teams for Healthcare.
Langkah berikutnya
Dalam artikel ini, Anda mempelajari tentang layanan MedTech dan integrasi layanan Azure Machine Learning.
Untuk gambaran umum layanan MedTech, lihat
Untuk mempelajari tentang transformasi data pesan perangkat layanan MedTech, lihat
Untuk mempelajari tentang metode untuk menyebarkan layanan MedTech, lihat
FHIR® adalah merek dagang terdaftar dari Health Level Seven International, terdaftar di Kantor Merek Dagang AS dan digunakan dengan izin mereka.