Edytuj

Zarządzanie zdrowiem populacji dla opieki zdrowotnej

Data Factory
Databricks
Interfejs API dla standardu FHIR
Power BI
Usługa Machine Learning

Pomysły dotyczące rozwiązań

Ten artykuł jest pomysłem na rozwiązanie. Jeśli chcesz, abyśmy rozszerzyli zawartość o więcej informacji, takich jak potencjalne przypadki użycia, alternatywne usługi, zagadnienia dotyczące implementacji lub wskazówki dotyczące cen, daj nam znać, przekazując opinię w usłudze GitHub.

W tym rozwiązaniu użyjemy danych klinicznych i społeczno-ekonomicznych generowanych przez szpitale do raportowania zdrowia populacji.

Architektura

Diagram architektury przedstawia sposób pozyskiwania, przechowywania, przetwarzania danych za pośrednictwem uczenia maszynowego i publikowania.

Pobierz plik programu Visio z tą architekturą.

Przepływ danych

  1. Dane generowane w czasie rzeczywistym (IoMT) przesyłają dane do ujścia pozyskiwania danych przesyłanych strumieniowo przy użyciu uwierzytelniania urządzenia, takiego jak Azure IoT Hub. Ten ujście może być autonomicznym Azure IoT Hub lub może być dołączony do w pełni zarządzanej platformy aplikacji, takiej jak Usługa Azure IOT Central z akceleratorami rozwiązań, takimi jak szablon ciągłego monitorowania pacjentów.

  2. Dane urządzenia są następnie odbierane do łącznika IoMT FHIR dla platformy Azure, gdzie są znormalizowane, pogrupowane, przekształcone i utrwalone w usłudze Azure API for FHIR.

  3. Źródła danych, takie jak systemy elektronicznej dokumentacji medycznej, systemy administracji pacjentów lub systemy laboratoryjne, mogą generować inne formaty komunikatów, takie jak komunikaty HL7 konwertowane za pośrednictwem przepływu pracy pozyskiwania i konwersji HL7. Platforma pozyskiwania HL7 używa komunikatów HL7 za pośrednictwem mlLP i bezpiecznie przesyła je na platformę Azure za pośrednictwem protokołu HL7overHTTPS. Dane trafiają do magazynu obiektów blob, co generuje zdarzenie na Azure Service Bus na potrzeby przetwarzania. Konwersja HL7 to przepływ pracy oparty na aplikacji logiki platformy Azure , który wykonuje uporządkowaną konwersję z HL7 na FHIR za pośrednictwem konwertera FHIR, utrwala komunikat w wystąpieniu serwera usługi Azure API for FHIR

  4. Dane są eksportowane z usługi Azure FHIR Service do usługi Azure Data Lake Gen2 przy użyciu funkcji eksportu zbiorczego . Poufne dane mogą być anonimowe w ramach funkcji eksportu.

  5. Azure Data Factory zadania są zaplanowane do kopiowania innych źródeł danych ze źródeł lokalnych lub alternatywnych do usługi Azure Data Lake Gen 2.

  6. Usługa Azure Databricks umożliwia czyszczenie i przekształcanie bez struktury zestawów danych oraz łączenie ich ze strukturą z operacyjnych baz danych lub magazynów danych. Użyj skalowalnych technik uczenia maszynowego/uczenia głębokiego, aby uzyskać bardziej szczegółowe informacje na podstawie tych danych przy użyciu języka Python, R lub Scala z wbudowanymi środowiskami notesów w usłudze Azure Databricks. W tym rozwiązaniu używamy usługi Databricks do łączenia powiązanych, ale różnych zestawów danych do użycia w długości pacjenta modelu pobytu.

  7. Eksperymentowanie i opracowywanie modeli odbywa się w usłudze Azure Databricks. Integracja z usługą Azure ML za pośrednictwem platformy MLflow umożliwia szybkie eksperymentowanie modelu z śledzeniem, repozytorium modeli i wdrażaniem.

  8. Publikowanie wytrenowanych modeli przy użyciu usługi Azure Machine Learning Service w celu oceniania wsadowego za pośrednictwem punktów końcowych usługi Azure Databricks lub jako punktu końcowego w czasie rzeczywistym przy użyciu usługi Azure Container Instance lub Azure Kubernetes Service.

Składniki

  • Usługa Azure IoT Connector for FHIR to opcjonalna funkcja usługi Azure API for FHIR, która zapewnia możliwość pozyskiwania danych z urządzeń Internetu rzeczy medycznych (IoMT). Alternatywnie każdy, kto chce mieć większą kontrolę i elastyczność dzięki IoT Connector, łącznik IoMT FHIR dla platformy Azure to projekt typu open source do pozyskiwania danych z urządzeń IoMT i utrwalania danych na serwerze FHIR®. Uproszczony szablon wdrożenia jest dostępny tutaj.

  • Azure Data Factory to hybrydowa usługa integracji danych, która umożliwia tworzenie, planowanie i organizowanie przepływów pracy ETL/ELT.

  • Usługa Azure API for FHIR to w pełni zarządzana usługa klasy korporacyjnej dla danych dotyczących kondycji w formacie FHIR.

  • Azure Data Lake Storage to wysoce skalowalna, bezpieczna funkcja usługi Data Lake oparta na Azure Blob Storage.

  • Usługa Azure Databricks to szybka, łatwa i oparta na współpracy platforma analizy danych oparta na platformie Apache Spark.

  • Azure Machine Learning to usługa w chmurze służąca do trenowania, oceniania, wdrażania i zarządzania modelami uczenia maszynowego na dużą skalę. Ta architektura używa natywnej obsługi usługi Azure Machine Learning Service dla platformy MLflow do rejestrowania eksperymentów, przechowywania modeli i wdrażania modeli.

  • Usługa Power BI to zestaw narzędzi do analizy biznesowej, które dostarczają szczegółowe informacje w całej organizacji. Nawiąż połączenie z setkami źródeł danych, upraszczaj przygotowywanie danych i prowadzić interaktywną analizę. Twórz piękne raporty, a następnie publikuj je dla organizacji, aby korzystać z internetu i na różnych urządzeniach przenośnych.

Szczegóły scenariusza

Zarządzanie zdrowiem populacji jest ważnym narzędziem, które jest coraz częściej używane przez dostawców opieki zdrowotnej do zarządzania rosnącymi kosztami i kontrolowania ich. Celem zarządzania zdrowiem populacji jest wykorzystanie danych w celu poprawy wyników zdrowotnych. Śledzenie, monitorowanie i znakowanie ławki to trzy bastiony zarządzania zdrowiem populacji, mające na celu poprawę wyników klinicznych i zdrowotnych przy jednoczesnym zarządzaniu i zmniejszaniu kosztów.

Jako przykład aplikacji uczenia maszynowego z zarządzaniem zdrowiem populacji model jest używany do przewidywania długości pobytu w szpitalu. Jest on skierowany do szpitali i dostawców opieki zdrowotnej, aby zarządzać i kontrolować wydatki na opiekę zdrowotną poprzez zapobieganie chorobom i zarządzanie nim. Informacje na temat używanych danych i długości modelu pobytu w szpitalu można uzyskać w podręczniku wdrażania ręcznego rozwiązania. Szpitale mogą wykorzystać te wyniki do optymalizacji systemów zarządzania opieką i skoncentrować swoje zasoby kliniczne na pacjentach z większą pilną potrzebą. Zrozumienie społeczności, które służą za pośrednictwem raportowania zdrowia ludności, może pomóc szpitalom przejść z płatności opłat za usługi do opieki opartej na wartości, jednocześnie zmniejszając koszty i zapewniając lepszą opiekę.

Potencjalne przypadki użycia

To rozwiązanie jest idealne dla branży opieki zdrowotnej. Można go używać w następujących scenariuszach:

  • Monitorowanie pacjentów
  • Klinicznych
  • Inteligentne kliniki

Wdrażanie tego scenariusza

W tym miejscu opisano dwa przykładowe projekty, które można zaimportować do usługi Azure Databricks. Tryb klastra standardowego musi być używany w notesach Predicting Length of State ze względu na użycie kodu języka R. Rozwiązanie można wdrożyć w następujących przykładach:

  1. Live Population Health Report with Length of Stay predictions train a model using encounter-level records for a million or so pacjentów. Schemat danych jest zgodny z danymi bazy danych stanowych (SID) z projektu Healthcare Cost and Utilization Project (HCUP) w celu ułatwienia użycia rozwiązania z rzeczywistymi danymi HCUP. Jest ona odpowiednia do użycia w podobnych populacjach pacjentów, chociaż zalecamy, aby szpitale ponownie trenowały model przy użyciu własnych danych historycznych pacjentów w celu uzyskania najlepszych wyników. Rozwiązanie symuluje 610 cech klinicznych i demograficznych, w tym wiek, płeć, kod pocztowy, diagnozy, procedury, opłaty itp. dla około miliona pacjentów w 23 szpitalach. Aby móc stosować się do nowo przyjętych pacjentów, model musi zostać wytrenowany przy użyciu tylko funkcji, które są dostępne dla każdego pacjenta w momencie przyjęcia.

  2. Predykcje readmisji i interwencji pacjentów dla opieki zdrowotnej korzystają z zestawu danych cukrzycy pierwotnie utworzonego na sympozjum AAI Spring na temat sztucznej inteligencji w medycynie, teraz hojnie udostępnione przez dr Michaela Kahna w repozytorium UCI Machine Learning.

Współautorzy

Ten artykuł jest obsługiwany przez firmę Microsoft. Został pierwotnie napisany przez następujących współautorów.

Główny autor:

Następne kroki

  • Ciągłe monitorowanie pacjentów udostępnia szablon aplikacji, który może utworzyć rozwiązanie do ciągłego monitorowania pacjentów.
  • Medical Imaging Server for DICOM to implementacja diCOMweb™ platformy .NET Core, którą można uruchomić na platformie Azure.
  • OpenHack for FHIR to kolekcja samouczków opartych na platformie OpenHack, których można użyć do poznania usług związanych z standardem FHIR na platformie Azure.

Dokumentacja produktu: