Edytuj

Udostępnij za pośrednictwem

Przewidywanie długości pobytu i przepływu pacjentów

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

To rozwiązanie platformy Azure pomaga administratorom szpitali wykorzystywać moc uczenia maszynowego do przewidywania długości pobytu pacjentów przyjmowanych do szpitali w celu usprawnienia planowania obłożenia i wykorzystania zasobów. Główny specjalista ds. informacji medycznych może użyć modelu predykcyjnego, aby określić, które obiekty są nadmiernie zatłoczone i które zasoby mają wzmocnić w tych obiektach. Menedżer linii opieki może użyć modelu, aby określić, czy istnieją odpowiednie zasoby personelu do obsługi zwolnienia pacjenta.

Architektura

Diagram przedstawiający architekturę monitorowania pacjentów zdalnych przy użyciu urządzeń opieki zdrowotnej i usług platformy Azure.

Pobierz plik programu Visio z tą architekturą.

Przepływ danych

Poniższy przepływ danych odpowiada powyższemu diagramowi:

  1. Anonimowe dane zdrowotne z elektronicznych dokumentacji zdrowia (EHR) i elektronicznej dokumentacji medycznej (EMR) są wyodrębniane przy użyciu usługi Azure Data Factory z odpowiednim środowiskiem uruchomieniowym (na przykład: Azure, Self-hosted). W tym scenariuszu zakładamy, że anonimowe dane są dostępne do wyodrębniania wsadowego przy użyciu jednego z łączników usługi Azure Data Factory, takich jak ODBC, Oracle, SQL. Inne źródła danych, takie jak dane FHIR, mogą wymagać włączenia pośredniej usługi pozyskiwania, takiej jak Azure Functions.

  2. Dane usługi Azure Data Factory przepływają przez usługę Data Factory do usługi Azure Data Lake Storage (gen 2). Podczas tego procesu żadne dane nie są przechowywane w usłudze Azure Data Factory, a błędy, takie jak porzucone połączenia, mogą być obsługiwane/ponawiane w tym kroku.

  3. Usługa Azure Machine Learning służy do stosowania algorytmów/potoków uczenia maszynowego do danych pozyskanych w kroku 2. Algorytmy można stosować na podstawie zdarzeń, zaplanowanych lub ręcznie w zależności od wymagań. W szczególności obejmuje to:

    3.1 Trenowanie — pozyskane dane służą do trenowania modelu uczenia maszynowego przy użyciu kombinacji algorytmów, takich jak regresja liniowa i drzewo decyzyjne wzmocnione gradientem. Te algorytmy są udostępniane za pośrednictwem różnych struktur (na przykład biblioteki scikit-learn) zwykle w potoku i mogą obejmować kroki potoku przetwarzania wstępnego/końcowego. Na przykład czynniki kondycji pacjenta, takie jak typ przyjęcia pochodzący z istniejącego wstępnie przetworzonego (na przykład upuszczania wierszy o wartości null) dane EMR/EHR, mogą służyć do trenowania modelu regresji, takiego jak regresja liniowa. Następnie model będzie w stanie przewidzieć nową długość pobytu pacjenta.

    3.2 Zweryfikuj — wydajność modelu jest porównywana z istniejącymi modelami/danymi testowymi, a także względem wszelkich celów użycia podrzędnego, takich jak interfejsy API (Application Programming Interfaces).

    3.3 Wdrażanie — model jest spakowany przy użyciu kontenera do użycia w różnych środowiskach docelowych.

    3.4 Monitorowanie — przewidywania modelu są zbierane i monitorowane w celu zapewnienia, że wydajność nie spada wraz z upływem czasu. Alerty można wysyłać do wyzwalania ręcznego lub zautomatyzowanego ponownego trenowania/aktualizacji modelu zgodnie z potrzebami przy użyciu tych danych monitorowania. Należy pamiętać, że mogą być potrzebne dodatkowe usługi, takie jak Azure Monitor, w zależności od typu wyodrębnionych danych monitorowania.

  4. Przepływy danych wyjściowych usługi Azure Machine Learning do usługi Azure Synapse Analytics. Dane wyjściowe modelu (przewidywana długość pobytu pacjentów) są łączone z istniejącymi danymi pacjentów w skalowalnej warstwie obsługującej, np. dedykowaną pulę SQL do użycia podrzędnego. W tym momencie można wykonywać dodatkowe analizy, takie jak średnia długość pobytu na szpital za pośrednictwem usługi Synapse Analytics.

  5. Usługa Azure Synapse Analytics udostępnia dane usłudze Power BI. W szczególności usługa Power BI łączy się z warstwą obsługi w kroku (4), aby wyodrębnić dane i zastosować dodatkowe wymagane modelowanie semantyczne.

  6. Usługa Power BI jest używana do analizy przez menedżera linii opieki i koordynatora zasobów szpitala.

Składniki

  • Usługa Azure Data Factory (ADF) zapewnia w pełni zarządzaną, bezserwerową integrację danych i usługę orkiestracji, która umożliwia wizualną integrację źródeł danych z ponad 90 wbudowanymi łącznikami bez konserwacji bez dodatkowych kosztów. W tym scenariuszu usługa ADF służy do pozyskiwania danych i organizowania przepływów danych.

  • Usługa Azure Data Lake (ADLS) udostępnia skalowalne bezpieczne magazyny danych typu data lake na potrzeby analizy o wysokiej wydajności. W tym scenariuszu usługa ADLS jest używana jako skalowalna, ekonomiczna warstwa magazynu danych.

  • Usługi Azure Machine Learning (AML) przyspieszają kompleksowe przewidywanie los cyklu życia uczenia maszynowego przez:

    • Zwiększanie możliwości analityków danych i deweloperów dzięki szerokiej gamie wydajnych środowisk do tworzenia, trenowania i wdrażania modeli uczenia maszynowego oraz wspierania współpracy zespołowej.
    • Skracanie czasu obrotu za pomocą wiodącej w branży metodyki MLOps — operacji uczenia maszynowego lub metodyki DevOps na potrzeby uczenia maszynowego.
    • Wprowadzanie innowacji na bezpiecznej, zaufanej platformie zaprojektowanej pod kątem odpowiedzialnego uczenia maszynowego.

    W tym scenariuszu usługa AML jest usługą używaną do tworzenia modelu używanego do przewidywania długości pobytu pacjenta i zarządzania cyklem życia kompleksowego modelu.

  • Azure Synapse Analytics: nieograniczona usługa analizy, która łączy integrację danych, magazynowanie danych przedsiębiorstwa i analizę danych big data. W tym scenariuszu usługa Synapse służy do dołączania przewidywań modelu do istniejącego modelu danych, a także do zapewnienia warstwy obsługującej dużą szybkość na potrzeby użycia podrzędnego.

  • Usługa Power BI zapewnia samoobsługową analizę w skali przedsiębiorstwa, umożliwiając:

    • Utwórz kulturę opartą na danych z analizą biznesową dla wszystkich.
    • Zapewnij bezpieczeństwo danych dzięki wiodącym w branży funkcjom zabezpieczeń danych, w tym etykietowaniu poufności, kompleksowemu szyfrowaniu i monitorowaniu dostępu w czasie rzeczywistym.

    W tym scenariuszu usługa Power BI służy do tworzenia pulpitów nawigacyjnych użytkowników końcowych i stosowania wszelkich semantycznych modelowania wymaganych na tych pulpitach nawigacyjnych.

Alternatywy

  • Usługi Spark, takie jak Azure Synapse Analytics Spark i Azure Databricks , mogą służyć jako alternatywa do wykonywania uczenia maszynowego, w zależności od skali danych i zestawu umiejętności zespołu nauki o danych.
  • Platforma MLFlow może służyć do zarządzania cyklem życia kompleksowego jako alternatywy dla usługi Azure Machine Learning w zależności od zestawu umiejętności/środowiska klienta.
  • Potoki usługi Azure Synapse Analytics mogą być używane jako alternatywa dla usługi Azure Data Factory w większości przypadków, w zależności od konkretnego środowiska klienta.

Szczegóły scenariusza

Dla osób prowadzących placówkę opieki zdrowotnej, długość pobytu (LOS) — liczba dni od przyjęcia pacjenta do zwolnienia — ma znaczenie. Jednak ta liczba może się różnić w różnych placówkach i w różnych warunkach chorobowych i specjalizacjach, nawet w ramach tego samego systemu opieki zdrowotnej, co utrudnia śledzenie przepływu i planowania odpowiednio pacjentów.

To rozwiązanie umożliwia model predykcyjny LOS dla przyjęć w szpitalu. LOS jest definiowana w ciągu kilku dni od początkowej daty przyjęcia do daty zwolnienia pacjenta z dowolnego placówki szpitalnej. Może istnieć znaczna zmienność LOS w różnych placówkach, warunkach chorobowych i specjalizacjach, nawet w tym samym systemie opieki zdrowotnej.

Badania, takie jak Czy długość pobytu pacjenta związane z jakością opieki? wykazały, że dłuższy skorygowany ryzyko LOS jest skorelowany z niższą jakością opieki. Zaawansowane przewidywanie LOS w momencie przyjęcia może zwiększyć jakość opieki nad pacjentem, dając dostawcom oczekiwany LOS, którego mogą używać jako metryki do porównania z bieżącym pacjentem LOS. Może to pomóc w zapewnieniu, że pacjenci z dłuższym niż oczekiwano LOS otrzymają odpowiednią uwagę. Przewidywanie LOS pomaga również w dokładnym planowaniu zrzutów, co powoduje obniżenie różnych innych środków jakościowych, takich jak readmisje.

Potencjalne przypadki użycia

Istnieją dwóch różnych użytkowników biznesowych w zarządzaniu szpitalem, którzy mogą spodziewać się skorzystać z bardziej wiarygodnych przewidywań długości pobytu, a także rodzin pacjentów:

  • Główny specjalista ds. informacji medycznych (CMIO), który dzieli między informatykami/technologiami i pracownikami służby zdrowia w organizacji opieki zdrowotnej. Do jego obowiązków zwykle należy analizowanie, czy zasoby są odpowiednio przydzielane w sieci szpitali. CmIO musi być w stanie określić, które obiekty są nadmiernie zatłoczone, a w szczególności jakie zasoby w tych obiektach mogą być wzmocnione, aby zrównomyślić takie zasoby z zapotrzebowaniem.
  • Kierownik linii opieki, który jest bezpośrednio zaangażowany w opiekę nad pacjentami. Ta rola wymaga monitorowania stanu poszczególnych pacjentów i zapewnienia, że personel jest dostępny w celu spełnienia określonych wymagań dotyczących opieki nad pacjentami. Menedżer linii opieki może podejmować dokładne decyzje medyczne i odpowiednio dopasować odpowiednie zasoby z wyprzedzeniem. Na przykład możliwość przewidywania losu:
    • jako wstępna ocena ryzyka pacjentów ma kluczowe znaczenie dla lepszego planowania i alokacji zasobów, zwłaszcza gdy zasoby są ograniczone, jak w jednostkach ICU.
    • umożliwia menedżerom linii opieki ustalenie, czy zasoby personelu będą odpowiednie do obsługi zwolnienia pacjenta.
  • Przewidywanie LOS w ICU jest również korzystne dla pacjentów i ich rodzin, a także firm ubezpieczeniowych. Oczekiwana data wypisu ze szpitala pomaga pacjentom i ich rodzinom zrozumieć i oszacować koszty leczenia. Daje to również rodzinom pomysł na szybkość odzyskiwania pacjenta i pomaga im zaplanować zwolnienie i zarządzanie budżetami.

Kwestie wymagające rozważenia

Te zagadnienia implementują filary struktury Azure Well-Architected Framework, która jest zestawem wytycznych, które mogą służyć do poprawy jakości obciążenia. Aby uzyskać więcej informacji, zobacz Microsoft Azure Well-Architected Framework.

Optymalizacja kosztów

Optymalizacja kosztów dotyczy sposobów zmniejszenia niepotrzebnych wydatków i poprawy wydajności operacyjnej. Aby uzyskać więcej informacji, zobacz Omówienie filaru optymalizacji kosztów.

Najdroższym składnikiem tego rozwiązania jest obliczenia i istnieje kilka sposobów efektywnego skalowania zasobów obliczeniowych przy użyciu ilości danych. Przykładem może być użycie usługi Spark, takiej jak Azure Synapse Analytics Spark lub Azure Databricks do pracy inżynieryjnej danych, w przeciwieństwie do rozwiązania z jednym węzłem. Platforma Spark skaluje się w poziomie i jest bardziej opłacalna w porównaniu z dużymi, skalowalnymi w pionie rozwiązaniami z jednym węzłem.

Cennik wszystkich składników platformy Azure skonfigurowanych w tej architekturze można znaleźć w tym kalkulatorze cen platformy Azure zapisanym oszacowaniem. To oszacowanie jest skonfigurowane do wyświetlania szacowanych kosztów z góry i miesięcznych, dla podstawowej implementacji, która działa od 9:00 do 15:00 w poniedziałek do piątku.

Doskonałość operacyjna

Doskonałość operacyjna obejmuje procesy operacyjne, które wdrażają aplikację i działają w środowisku produkcyjnym. Aby uzyskać więcej informacji, zobacz Omówienie filaru doskonałości operacyjnej.

Ciągła praktyka operacji uczenia maszynowego (MLOps) i implementacja odgrywa kluczową rolę w produkcji tego typu rozwiązania. Aby uzyskać więcej informacji, zobacz Operacje uczenia maszynowego (MLOps).

Efektywność wydajności

Efektywność wydajności to możliwość skalowania obciążenia w celu zaspokojenia zapotrzebowania użytkowników w wydajny sposób. Aby uzyskać więcej informacji, zobacz Omówienie filaru wydajności.

W tym scenariuszu przetwarzanie wstępne danych jest wykonywane w usłudze Azure Machine Learning. Chociaż ten projekt będzie działać w przypadku małych i średnich woluminów danych, duże ilości danych lub scenariusze z umowami SLA niemal w czasie rzeczywistym mogą mieć trudności z punktu widzenia wydajności. Jednym ze sposobów rozwiązania tego typu problemu jest użycie usługi Spark, takiej jak Azure Synapse Analytics Spark lub Azure Databricks na potrzeby inżynierii danych lub obciążeń nauki o danych. Platforma Spark skaluje się w poziomie i jest dystrybuowana zgodnie z projektem, co pozwala na bardzo efektywne przetwarzanie dużych zestawów danych.

Zabezpieczenia

Zabezpieczenia zapewniają ochronę przed celowymi atakami i nadużyciami cennych danych i systemów. Aby uzyskać więcej informacji, zobacz Omówienie filaru zabezpieczeń.

Ważne

Ta architektura będzie działać zarówno z anonimowymi, jak i nieonimizowanymi danymi kondycji. Jednak ze względu na bezpieczną implementację zalecamy, aby dane dotyczące kondycji pochodziły w postaci anonimowej ze źródeł EHR i EMR.

Aby uzyskać więcej informacji na temat funkcji zabezpieczeń i ładu dostępnych dla usługi Azure Machine Learning, zobacz Zabezpieczenia i ład przedsiębiorstwa dla usługi Azure Machine Learning

Współautorzy

Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następujących współautorów.

Autorzy zabezpieczeń:

Aby wyświetlić niepubalne profile serwisu LinkedIn, zaloguj się do serwisu LinkedIn.

Następne kroki

Technologie i zasoby związane z implementacją tej architektury:

Zobacz dodatkową zawartość centrum architektury platformy Azure powiązaną z tą architekturą: