Modifica

Population Health Management per il settore sanitario

Azure Data Factory
Azure Databricks
Azure
Power BI
Azure Machine Learning

Idee per le soluzioni

Questo articolo è un'idea di soluzione. Per espandere il contenuto con altre informazioni, ad esempio potenziali casi d'uso, servizi alternativi, considerazioni sull'implementazione o indicazioni sui prezzi, inviare commenti e suggerimenti su GitHub.

In questa soluzione si useranno i dati clinici e socioeconomici generati dagli ospedali per la segnalazione della salute della popolazione.

Architettura

Architecture diagram shows how data is ingested, stored, processed through machine learning and published.

Scaricare un file di Visio di questa architettura.

Flusso di dati

  1. Dati in tempo reale che generano dispositivi (IoMT) trasferisce i dati in un sink di inserimento dati di streaming con autenticazione del dispositivo, ad esempio hub IoT di Azure. Questo sink può essere un hub IoT di Azure autonomo oppure può essere incluso in una piattaforma di applicazioni completamente gestita come Azure IOT Central con acceleratori di soluzioni, ad esempio un modello di monitoraggio continuo dei pazienti.

  2. I dati del dispositivo vengono quindi ricevuti in IoMT FHIR Connessione or per Azure, in cui vengono normalizzati, raggruppati, trasformati e salvati in modo permanente nell'API di Azure per FHIR.

  3. Origini dati come sistemi di registrazione medica elettronica, sistemi di amministrazione dei pazienti o sistemi lab possono generare altri formati di messaggio, ad esempio messaggi HL7 convertiti tramite un flusso di lavoro di inserimento e conversione HL7. La piattaforma di inserimento HL7 usa messaggi HL7 tramite MLLP e li trasferisce in modo sicuro ad Azure tramite HL7overHTTPS. I dati vengono inseriti nell'archivio BLOB, che genera un evento in bus di servizio di Azure per l'elaborazione. La conversione HL7 è un flusso di lavoro basato su App per la logica di Azure che esegue la conversione ordinata da HL7 a FHIR tramite FHIR Converter, rende persistente il messaggio in un'istanza del server dell'API di Azure per FHIR

  4. I dati vengono esportati dal servizio Azure FHIR in Azure Data Lake Gen2 usando la funzionalità di esportazione in blocco. I dati sensibili possono essere resi anonimi come parte della funzione di esportazione.

  5. I processi di Azure Data Factory sono pianificati per copiare altre origini dati da origini locali o alternative ad Azure Data Lake Gen 2.

  6. Usare Azure Databricks per pulire e trasformare i set di dati senza struttura e combinarli con dati strutturati da database operativi o data warehouse. Usare tecniche scalabili di Machine Learning/Deep Learning per derivare informazioni più approfondite da questi dati usando Python, R o Scala, con esperienze predefinite per i notebook in Azure Databricks. In questa soluzione si usa Databricks per riunire set di dati correlati, ma diversi per l'uso nella durata del paziente del modello di permanenza.

  7. La sperimentazione e lo sviluppo di modelli si verifica in Azure Databricks. L'integrazione con Azure ML tramite MLflow consente una rapida sperimentazione di modelli con rilevamento, repository di modelli e distribuzione.

  8. Pubblicare modelli sottoposti a training usando il servizio Azure Machine Learning per l'assegnazione dei punteggi batch tramite endpoint di Azure Databricks o come endpoint in tempo reale usando un'istanza di Azure Container o servizio Azure Kubernetes.

Componenti

  • Azure IoT Connessione or per FHIR è una funzionalità facoltativa dell'API di Azure per FHIR che offre la possibilità di inserire dati da dispositivi IoMT (Internet of Medical Things). In alternativa, chiunque voglia avere maggiore controllo e flessibilità con il Connessione or IoT, il Connessione or IoMT FHIR per Azure è un progetto open source per l'inserimento di dati dai dispositivi IoMT e la persistenza dei dati in un server FHIR®.

  • Azure Data Factory è un servizio di integrazione dei dati ibrido che consente di creare, pianificare e orchestrare i flussi di lavoro ETL/ELT.

  • L'API di Azure per FHIR è un servizio di livello aziendale completamente gestito per i dati di integrità nel formato FHIR.

  • Azure Data Lake Archiviazione è una funzionalità data lake altamente scalabile e sicura basata su Archiviazione BLOB di Azure.

  • Azure Databricks è una piattaforma di analisi dei dati basata su Apache Spark veloce, semplice e collaborativa.

  • Azure Machine Learning è un servizio cloud per il training, l'assegnazione di punteggi, la distribuzione e la gestione di modelli di Machine Learning su larga scala. Questa architettura usa il supporto nativo del servizio Azure Machine Learning per MLflow per registrare esperimenti, archiviare modelli e distribuire modelli.

  • Power BI è un gruppo di strumenti di Analisi business che consente di distribuire informazioni dettagliate in tutta l'organizzazione. Connessione a centinaia di origini dati, semplificare la preparazione dei dati e guidare l'analisi interattiva. Crea report d'impatto e quindi pubblicali per consentire all'organizzazione di utilizzarli sul Web e su dispositivi mobili.

Dettagli dello scenario

La gestione della salute della popolazione è uno strumento importante che viene sempre più usato dai provider di assistenza sanitaria per gestire e controllare l'escalation dei costi. L'elemento cruciale della gestione della salute della popolazione consiste nell'usare i dati per migliorare i risultati sanitari. Il tracciamento, il monitoraggio e il contrassegno in panchina sono i tre bastioni della gestione della salute della popolazione, volti a migliorare i risultati clinici e sanitari, gestendo e riducendo i costi.

Come esempio di applicazione di Machine Learning con la gestione dell'integrità della popolazione, viene usato un modello per stimare la durata del soggiorno in ospedale. Si rivolge agli ospedali e ai fornitori di assistenza sanitaria per gestire e controllare le spese sanitarie attraverso la prevenzione e la gestione delle malattie. Puoi acquisire informazioni sui dati usati e sul modello di durata del ricovero ospedaliero nella guida alla distribuzione per la soluzione. Gli ospedali possono usare questi risultati per ottimizzare i sistemi di gestione delle cure e concentrare le risorse cliniche sui pazienti con necessità più urgenti. Le informazioni sulle comunità servite tramite i report sulla salute della popolazione permettono agli ospedali di passare da un modello di pagamento per servizio a un'assistenza basata sul valore, riducendo al contempo i costi e offrendo un servizio migliore.

Potenziali casi d'uso

Questa soluzione è ideale per il settore sanitario. Può essere usato per gli scenari seguenti:

  • Monitoraggio dei pazienti
  • Clinici
  • Cliniche intelligenti

Distribuire lo scenario

Due progetti di esempio sono descritti in dettaglio qui che possono essere importati in Azure Databricks. La modalità cluster standard deve essere usata nei notebook di stima della lunghezza dello stato, a causa dell'uso del codice R. È possibile distribuire la soluzione negli esempi seguenti:

  1. Live Population Health Report with Length of Stay predictions esegue il training di un modello usando record a livello di incontro per un milione o più pazienti. Lo schema dei dati corrisponde ai dati del SID (State Inpatient Databases) del progetto HCUP (Healthcare Cost and Utilization Project) per facilitare l'uso della soluzione con dati HCUP reali. È adatto per l'uso su popolazioni di pazienti simili, anche se si consiglia agli ospedali di ripetere il training del modello usando i propri dati cronologici dei pazienti per ottenere risultati ottimali. La soluzione simula 610 caratteristiche cliniche e demografiche, tra cui età, sesso, zipcode, diagnosi, procedure, addebiti e così via per circa un milione di pazienti in 23 ospedali. Per essere applicato ai pazienti appena ammessi, il modello deve essere addestrato usando solo le caratteristiche disponibili per ogni paziente al momento dell'ammissione.

  2. La stima della rimissione e l'intervento specifici del paziente per l'assistenza sanitaria usano un set di dati per il diabete originariamente prodotto per il Repository di Machine Learning UCI del 1994 AAI Spring Symposium on Artificial Intelligence in Medicine, ora generosamente condiviso dal dottor Michael Kahn nel repository uci di Machine Learning.

Collaboratori

Questo articolo viene gestito da Microsoft. Originariamente è stato scritto dai seguenti contributori.

Autore principale:

Passaggi successivi

  • Il monitoraggio continuo dei pazienti fornisce un modello di app che può creare una soluzione di monitoraggio continuo dei pazienti.
  • Medical Imaging Server per DICOM è un'implementazione .NET Core di DICOMweb™ che può essere eseguita in Azure.
  • OpenHack for FHIR è una raccolta di esercitazioni basate su OpenHack che possono essere usate per informazioni sui servizi correlati a FHIR in Azure.

Documentazione sui prodotti: