Zarządzanie zdrowiem populacji dla opieki zdrowotnej

Azure Data Factory
Azure Databricks
Azure
Power BI
Azure 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

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

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 usługa Azure IoT Hub. Ten ujście może być autonomiczną usługą 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 usługi IoMT FHIR Połączenie or dla platformy Azure, gdzie są znormalizowane, pogrupowane, przekształcone i utrwalone w interfejsie API platformy Azure dla standardu FHIR.

  3. Źródła danych, takie jak systemy elektronicznej dokumentacji medycznej, systemy administracyjne 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 korzysta z komunikatów HL7 za pośrednictwem MLLP i bezpiecznie przesyła je na platformę Azure za pośrednictwem HL7overHTTPS. Dane ląduje w magazynie obiektów blob, co powoduje wygenerowanie zdarzenia w usłudze 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. Zadania usługi Azure Data Factory 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 modelu pobytu pacjenta.

  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 Edukacja na potrzeby 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.

Elementy

  • Usługa Azure IoT Połączenie or for FHIR to opcjonalna funkcja interfejsu API platformy Azure for FHIR, która zapewnia możliwość pozyskiwania danych z urządzeń Internetu rzeczy medycznych (IoMT). Alternatywnie każdy, kto chce mieć większą kontrolę i elastyczność dzięki Połączenie or IoT, IoMT FHIR Połączenie or dla platformy Azure jest projektem open source do pozyskiwania danych z urządzeń IoMT i utrwalania danych na serwerze FHIR®.

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

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

  • Usługa Azure Data Lake Storage to wysoce skalowalna, bezpieczna funkcja magazynu data lake oparta na usłudze Azure Blob Storage.

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

  • Usługa Azure Machine Edukacja 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 Edukacja dla platformy MLflow do rejestrowania eksperymentów, przechowywania modeli i wdrażania modeli.

  • Usługa Power BI to zestaw narzędzi do analizy biznesowej, które zapewniają wgląd w szczegółowe informacje w całej organizacji. Połączenie do setek źródeł danych, uprościć przygotowywanie danych i prowadzić interaktywną analizę. Twórz piękne raporty, a następnie publikuj je, aby inne osoby w organizacji mogły skorzystać z nich w Internecie lub na swoich urządzeniach przenośnych.

Szczegóły scenariusza

Zarządzanie zdrowiem populacji jest ważnym narzędziem, które jest coraz częściej używane przez dostawców opieki zdrowotnej do zarządzania i kontrolowania eskalacji kosztów. 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 obniżaniu kosztów.

Jako przykład aplikacji uczenia maszynowego z zarządzaniem zdrowiem populacji model służy do przewidywania długości pobytu w szpitalu. Jest on kierowany do szpitali i dostawców opieki zdrowotnej, aby zarządzać i kontrolować wydatki na opiekę zdrowotną poprzez zapobieganie chorobom i zarządzanie nim. Informacje o używanych danych i modelu czasu pobytu w szpitalu możesz znaleźć w podręczniku wdrażania rozwiązania. Korzystając z tych wyników, szpitale mogą optymalizować systemy zarządzania opieką i kierować zasoby kliniczne do pacjentów z pilniejszymi potrzebami. Wiedza o obsługiwanych przez nie społecznościach uzyskana przez raportowanie stanu zdrowia populacji może ułatwić szpitalom przejście od płatności za usługę do opieki opartej na wartości, przy jednoczesnym zmniejszeniu kosztów i poprawieniu jakości obsługi.

Potencjalne przypadki użycia

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

  • Monitorowanie pacjentów
  • Klinicznych
  • Inteligentne kliniki

Wdrażanie tego scenariusza

Poniżej 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 (Raport dotyczący kondycji populacji na żywo z przewidywaniem długości pobytu) trenuje model przy użyciu rekordów na poziomie spotkania dla miliona 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 ponowne trenowanie modelu 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 zastosować je do nowo przyjętych pacjentów, model musi być wytrenowany przy użyciu tylko cech, które są dostępne dla każdego pacjenta w momencie przyjęcia.

  2. Specyficzne dla pacjenta przewidywanie i interwencja readmisji dla opieki zdrowotnej używa zestawu danych cukrzycy pierwotnie opracowanego na sympozjum AAI Spring Sympozjum na temat sztucznej inteligencji w medycynie, obecnie hojnie udostępniane przez dr Michaela Kahna na repozytorium UCI Machine Edukacja.

Współautorzy

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

Główny autor:

Następne kroki

  • Ciągłe monitorowanie pacjentów udostępnia szablon aplikacji, który może tworzyć rozwiązanie do ciągłego monitorowania pacjentów.
  • Medical Imaging Server for DICOM to implementacja narzędzia DICOMweb™ platformy .NET Core, którą można uruchomić na platformie Azure.
  • OpenHack for FHIR to kolekcja samouczków opartych na platformie OpenHack, które mogą służyć do poznawania usług związanych z platformą FHIR na platformie Azure.

Dokumentacja produktu: