Omówienie strategii dotyczącej zasobów danych
Integracja danych z dziedziny ochrony zdrowia i nauk biologicznych z różnych systemów i aplikacji było przedsięwzięciem kosztownym i czasochłonnym. Aby rozwiązać ten, klucz problem, kluczowe znaczenie ma wdrożenie strategii dotyczącej zasobów danych, ponieważ ustanawia ona jednolite standardy dla organizacji, umożliwiające efektywne zarządzanie wszystkimi danymi, niezależnie od miejsca ich przechowywania i formatu.
Strategia dotycząca zasobów danych odnosi się do kompleksowego i ustrukturyzowanego podejścia przyjętego przez organizacje w celu skutecznego zarządzania całym ekosystemem danych. Obejmuje ona opracowanie dobrze zdefiniowanego planu i zestawu wytycznych dotyczących pozyskiwania, przechowywania, przetwarzania, zabezpieczania i wykorzystywania danych z różnych źródeł, systemów i aplikacji w oraz na przestrzeni organizacji. Ponieważ instytucje nauk przyrodniczych i opieki zdrowotnej przetwarzają różnorodny zakres danych, w tym dane kliniczne, dane obrazowe, dane operacyjne i badawcze; efektywne zarządzanie danymi staje się kluczowe dla zachowania poufności, zgodności z przepisami i uzyskania przewagi konkurencyjnej, a także zapewnienia pacjentom skutecznej opieki.
Uwaga
Microsoft Fabric to kompleksowe rozwiązanie analityczne dla przedsiębiorstw, które obejmuje wszystko, od przenoszenia danych po analizę danych, analizę w czasie rzeczywistym i analizę biznesową. Oferuje kompleksowy pakiet usług, w tym magazyn danych typu data lake, inżynierię danych i integrację danych, wszystko w jednym miejscu. Rozwiązania w zakresie danych dotyczących opieki zdrowotnej Microsoft Fabric umożliwiają organizacjom opieki zdrowotnej rozbijanie silosów danych i harmonizowanie odmiennych danych dotyczących opieki zdrowotnej w jednym, ujednoliconym magazynie, w którym obciążenia analityczne i sztuczna inteligencja mogą działać na dużą skalę. Wykorzystując natywne możliwości platformy, organizacje zajmujące się opieką zdrowotną mogą tworzyć połączone doświadczenia w każdym punkcie opieki, wzmacniać pozycję swoich pracowników i odblokowywać wartość z danych klinicznych i operacyjnych. Rozwiązania dotyczące danych dla opieki zdrowotnej w Microsoft Fabric są obecnie w wersji zapoznawczej, a ta „dobrze zaprojektowana” dokumentacja zostanie zaktualizowana w przyszłej wersji w celu uwzględnienia rozwiązań w zakresie danych dla opieki zdrowotnej w Microsoft Fabric.
Zarządzanie danymi w ochronie zdrowia i naukach przyrodniczych
W miarę jak branża opieki zdrowotnej przechodzi na model opieki oparty na wartościach, z naciskiem na opiekę skoncentrowaną na pacjencie, ilość danych pacjentów generowanych w ramach immersyjnych doświadczeń znacznie wzrosła. Wykładniczy wzrost danych dotyczących opieki zdrowotnej w różnych punktach kontaktu wymaga solidnej strategii zarządzania danymi, aby skutecznie zarządzać nimi i wykorzystywać je w celu generowania praktycznych spostrzeżeń, które mogą poprawić ogólny stan zdrowia członków i pacjentów.
Wyzwania związane z zarządzaniem danymi
Sektory opieki zdrowotnej i nauk przyrodniczych to złożone i dynamiczne środowiska, które do skutecznego funkcjonowania wymagają wysokiego stopnia integracji i interoperacyjności. Jednym z głównych wyzwań stojących przed tą branżą jest jej tradycyjny podział na różnych dostawców i organizacje korzystające z różnych systemów i technologii. Brak integracji i interoperacyjności między tymi systemami i technologiami doprowadził do nieefektywności, błędów i braku ciągłości opieki nad pacjentami. Poniżej przedstawiono kilka typowych wyzwań związanych z zarządzaniem danymi:
- Silosy danych: brak udostępniania danych między różnymi systemami prowadzi do powstawania silosów danych. Świadczeniodawcy mają trudności z dostępem do danych pacjentów i ich udostępnianiem, co może prowadzić do braku ciągłości opieki.
- Brak standaryzacji: organizacje z zakresu opieki zdrowotnej i firmy z branży nauk przyrodniczych korzystają z różnych systemów i technologii, co utrudnia płynną komunikację i wymianę danych.
- Złożoność systemów: systemy opieki zdrowotnej i nauk przyrodniczych są coraz bardziej złożone, a skuteczna integracja i interoperacyjność danych stanowi wyzwanie, co prowadzi do wzrostu kosztów i opóźnień w świadczeniu opieki.
- Źle sformułowane lub brakujące dane: źle sformułowane lub brakujące dane zagrażają dokładności i wiarygodności wniosków uzyskanych na ich podstawie.
- Obawy dotyczące bezpieczeństwa i prywatności: bezpieczeństwo i prywatność danych pacjentów ma kluczowe znaczenie dla podmiotów świadczących opiekę zdrowotną i firm z branży nauk przyrodniczych. Udostępnianie danych pomiędzy różnymi systemami może zwiększyć ryzyko naruszenia bezpieczeństwa danych i zagrozić prywatności pacjentów.
- Regulacje branżowe: w branżach opieki zdrowotnej i nauk przyrodniczych obowiązują najbardziej rygorystyczne przepisy branżowe dotyczące przetwarzania danych, co utrudnia udostępnianie danych i dostęp do nich.
- Deidentyfikacja niejednorodnych danych: deidentyfikacja danych jest często wymagana przez prawo, co jest trudne i czasochłonne.
- Unikalne geograficznie zbiory danych: trudno jest przekształcić unikalne geograficznie zbiory danych do celów badawczych (tj. w dane dotyczące zdrowia populacji).
Etapy zarządzania danymi
Efektywne zarządzanie dużymi danymi składa się z różnych etapów, a każdy z nich jest równie ważny, jeśli chodzi o generowanie wysokiej jakości praktycznych spostrzeżeń przy użyciu danych bazowych.
Oto te istotne etapy:
Odnajdowanie
Odkrywanie danych w kontekście opieki zdrowotnej i nauk przyrodniczych odnosi się do procesu identyfikacji źródeł danych, formatu danych, takich jak dane ustrukturyzowane, nieustrukturyzowane, oraz dostępu do nich. Dane rzeczywiste i dowody rzeczywiste to kilka sposobów odkrywania danych. Dane rzeczywiste odnoszą się do danych, które są rutynowo zbierane z różnych źródeł poza tradycyjnymi badaniami klinicznymi, takich jak elektroniczna dokumentacja medyczna, roszczenia i działania rozliczeniowe, dane dotyczące recept, dane z urządzeń do noszenia oraz dane zebrane w drodze ankiet pacjentów lub innych informacji generowanych przez pacjentów. Poniższy obraz ilustruje najczęstsze dane dotyczące opieki zdrowotnej w oparciu o ich taksonomię i standardy danych.
Pozyskiwanie danych
Pozyskiwanie to proces łączenia, gromadzenia i kontrolowania przepływu informacji z różnych źródeł zidentyfikowanych na etapie odkrywania. Poniższe obrazy ilustrują różne opcje, takie jak Azure Functions, Logic Apps, Azure Data Factory itp. udostępniane przez firmę Microsoft w celu pozyskiwania różnych typów informacji.
- Poniższa ilustracja przedstawia potok pozyskiwania umożliwiający pozyskiwanie danych IoT z urządzeń medycznych, takich jak inteligentne urządzenia do noszenia.
- Poniższy obraz ilustruje założenie, że dane wygenerowane przez urządzenie medyczne mogą nie być w standardowym formacie, dlatego są najpierw normalizowane, a następnie przechowywane na serwerze FHIR jako zasób obserwacyjny FHIR. Kroki pokazane na schemacie są automatycznie wykonywane przez usługę MedTech w Azure Health Data Services.
- Poniższy obraz ilustruje potok pozyskiwania umożliwiający pracę z danymi klinicznymi, danymi DICOM, danymi nieustrukturyzowanymi i SDoH.
Trwałość
Bardzo ważne jest przechowywanie pozyskanych danych w trwałym magazynie. Dzięki temu inne aplikacje, takie jak potok Machine Learning, mogą wykorzystywać dane i generować wgląd w dane, a Power BI może wizualizować rozkład danych. Firma Microsoft udostępnia różne platformy trwałości, takie jak Azure Data Lake Storage, Azure Health Data Services i Microsoft Dataverse, do przechowywania Twoich danych dotyczących opieki zdrowotnej. Firma Microsoft udostępnia także interfejsy API, takie jak API usługi FHIR, usługa DICOM, usługa MedTech, interfejsy API opieki zdrowotnej usługi Dataverse do pobierania danych na dostarczoną platformę.
Integracja
Integracja odnosi się do procesu łączenia różnych systemów, technologii, źródeł danych i procesów w celu stworzenia spójnego doświadczenia dla pacjentów, świadczeniodawców i innych interesariuszy. Microsoft Cloud for Healthcare oferuje gotowe narzędzia do integracji repozytorium danych usługi Dataverse z różnymi źródłami danych dotyczących opieki zdrowotnej, takimi jak Azure Health Data Services, serwery FHIR firm innych niż Microsoft itp. Poniższy obraz ilustruje integrację danych FHIR z platformą Azure Databricks Delta Lake w Azure Health Data Services. Aby uzyskać więcej informacji, zobacz Łączenie danych FHIR z Delta Lake Azure Databricks w Azure Health Data Services
Analizy
Analiza odnosi się do procesu dodawania analizy do naszych danych w celu wyciągnięcia głębszych wniosków. Firma Microsoft udostępnia narzędzia takie jak Azure Machine Learning, usługi kognitywne, Azure Databricks, Azure Synapse Analytics itp., aby dodawać analizy do danych dotyczących opieki zdrowotnej.
Analiza
Analityka polega na analizowaniu danych dotyczących opieki zdrowotnej w celu odkrycia trendów i wzorców. Narzędzia takie jak Power BI można wykorzystać do wizualizacji trendów i wzorców w danych dotyczących opieki zdrowotnej, aby ulepszyć wsparcie decyzji klinicznych, a także zwiększyć skuteczność operacyjną.
Poniższy obraz przedstawia pełny cykl życia danych zdrowotnych:
Poniższy obraz ilustruje pełny cykl życia danych MedTech:
Rozwiązania do zarządzania danymi oferowane przez firmę Microsoft
Firma Microsoft oferuje szeroki zestaw narzędzi do obsługi i zarządzania danymi dotyczącymi opieki zdrowotnej. Poniższa tabela zawiera kompleksową listę narzędzi, których można używać do zarządzania danymi dotyczącymi opieki zdrowotnej. Aby uzyskać więcej informacji, kliknij łącze referencyjne odpowiadające każdemu narzędziu.
| Etap danych | Narzędzia | Podpis | Świadczenia | Link do informacji |
|---|---|---|---|---|
| Pozyskiwanie danych | Ładowanie zbiorcze FHIR i eksport | Rozwiązanie aplikacji Azure Function, które zapewnia pozyskiwanie i eksportowanie usług danych FHIR. | Ładowanie zbiorcze FHIR może importować setki tysięcy plików na godzinę. | microsoft/fhir-loader: program ładujący zbiorczo dane FHIR |
| Pozyskiwanie danych | Konwerter danych FHIR | Umożliwia konwersję danych zdrowotnych ze starszego standardu do standardu FHIR | Obsługuje następujące rodzaje konwersji: 1. HL7v2 do FHIR 2. C-CDA do FHIR 3. JSON do FHIR 4. FHIR STU3 do FHIR R4 | microsoft/FHIR-Converter: Narzędzie do konwersji umożliwiające tłumaczenie starszych formatów danych na format FHIR |
| Pozyskiwanie danych | Healthkit-on-FHIR | HealthKitOnFhir to biblioteka Swift, która automatyzuje eksport danych Apple HealthKit na serwer FHIR®. | Dane HealthKit można kierować przez IoMT FHIR Connector for Azure w celu grupowania danych o wysokiej częstotliwości w celu zmniejszenia liczby generowanych zasobów obserwacyjnych. Dane HealthKit można także eksportować bezpośrednio do serwera FHIR (odpowiednie dla danych o niskiej częstotliwości). | microsoft/healthkit-on-fhir: HealthKitOnFhir to biblioteka Swift, która automatyzuje eksport danych Apple HealthKit na serwer FHIR |
| Trwałość | Model danych usługi Microsoft Cloud for Healthcare | Modele danych w Microsoft Cloud for Healthcare są oparte na ramach standardów Fast Healthcare Interoperability Resources (FHIR), które można łatwo wdrożyć w środowisku Dataverse. | Ułatwia wdrażanie nowych przypadków użycia i przepływów pracy bez konieczności ponownego definiowania architektury danych opieki zdrowotnej. Modele oparte na FHIR sprawiają, że wdrożenia Dynamics 365 dla klientów z sektora ochrony zdrowia są łatwiejsze, szybsze i bardziej bezpieczne. | Omówienie modelu danych |
| Trwałość | Interfejsy Dataverse Healthcare APIs | Obsługuje zapisywanie danych FHIR do encji Dataverse i odczytywanie danych z encji Dataverse w formacie FHIR. | Transformacja danych FHIR do wspólnego modelu danych i odwrotnie jest obsługiwana automatycznie przez | Omówienie interfejsów Dataverse Healthcare API |
| Trwałość | Azure Health Data Services | Jest to zarządzana platforma jako usługa (PaaS), która zapewnia ujednoliconą platformę do przechowywania danych FHIR, DICOM i MedTech. | Umożliwia bezpieczniejsze i zgodne ścieżki pozyskiwania, utrwalania i łączenia danych dotyczących zdrowia w chmurze. | Rozpocznij pracę z Azure Health Data Services |
| Integracja | Zestaw narzędzi do integracji danych | Zapewnia obszerną kolekcję domyślnych map encji i map atrybutów zbudowanych zgodnie ze specyfikacją HL7 FHIR, które są wdrażane jako rekordy usługi Dataverse. | Jest wysoce konfigurowalny, aby dostosować się do różnych wymagań rozwiązania. | Przegląd zestawu narzędzi do integracji danych – Microsoft Cloud for Healthcare |
| Integracja | Wirtualne tabele danych zdrowotnych | Obsługuje wprowadzanie danych bezpośrednio z serwera FHIR do rozwiązania Microsoft Cloud for Healthcare bez trwałego przechowywania danych w encjach Dataverse. | Pozwala uniknąć powielania danych i oszczędza koszty przechowywania. | Przegląd wirtualnych tabeli danych zdrowotnych |
| Analizy | Text Analytics for Health | Jest to wstępnie wbudowana funkcja oferowana przez Azure AI Language. Jest to oparta na chmurze usługa API, która wykorzystuje inteligencję uczenia maszynowego do wyodrębniania i oznaczania odpowiednich informacji medycznych z różnych nieustrukturyzowanych tekstów, takich jak notatki lekarskie, streszczenia wypisów, dokumenty kliniczne i elektroniczna dokumentacja medyczna. | Text Analytics for Health wykonuje cztery kluczowe funkcje, takie jak rozpoznawanie jednostek, wyodrębnianie jednostek, łączenie jednostek i wykrywanie asercji, a wszystko to za pomocą jednego wywołania interfejsu API. | Co to jest Text Analytics for Health w Azure AI Language? - usługi Azure AI |
| Trwałość i analiza | Szablony baz danych w usłudze Healthcare | Szablony baz danych w Azure Synapse to specyficzne dla danej branży definicje schematów, które zapewniają szybką metodę tworzenia bazy danych (bazy danych typu lake), co może przyspieszyć budowanie aplikacji branżowych opartych na analityce. | Można używać tych schematów informacji do planowania, tworzenia architektury i projektowania rozwiązań w zakresie zarządzania danymi, raportowania, analityki biznesowej i zaawansowanej analityki. | Korzystaj z szablonów baz danych z usługą Microsoft Cloud for Healthcare |
| Analiza | FHIR Service Analytics z usługą Azure Databricks Delta Lake Analytics | Data Lakehouse to otwarta architektura danych, która łączy istniejące funkcje tradycyjnych repozytoriów data lake i magazynów danych. Delta Lake okazała się wiodącą platformą pamięci masowej, która umożliwia budowanie architektury lakehouse w oparciu o istniejące technologie repozytoriów data lake. Usługa Azure Health Data Services umożliwia korzystanie z architektur Lakehouse poprzez eksportowanie plików Parquet danych FHIR, które są dopasowane do otwartego standardu SQL na FHIR. | Budowa magazynu typu Lakehouse dla danych FHIR ma następujące zalety: 1. Łączenie danych FHIR z innymi zbiorami danych. 2. Posiadanie spójnej lokalizacji danych gotowych do zastosowania w przedsiębiorstwie, umożliwiającej większą samoobsługę w całej organizacji. 3. Zarządzanie metadanymi i wersjonowanie danych upraszczają często aktualizowane dane. | health-apis-samples/src/azuredatabricks-deltalake at main · Microsoft/healthcare-apis-samples |
| Testowanie | Synthea | Synthea to generator pacjentów syntetycznych, który modeluje historię medyczną syntetycznych pacjentów. Generuje wysokiej jakości syntetyczne, realistyczne, ale nie rzeczywiste dane pacjentów i powiązaną dokumentację medyczną, obejmującą każdy aspekt opieki zdrowotnej. | Uzyskane dane są wolne od ograniczeń związanych z kosztami, prywatnością i bezpieczeństwem. Można go używać bez ograniczeń do różnych zastosowań wtórnych w środowisku akademickim, badawczym, przemysłowym i rządowym. | Wiki synthetichealth/synthea |
Zobacz też
Istnieje kilka powszechnie używanych architektur do pracy z danymi dotyczącymi opieki zdrowotnej na platformie Microsoft Cloud for Healthcare. Można je wykorzystać jako odniesienie do dostosowania konkretnych rozwiązań potrzebnych do obsługi i zarządzania danymi dotyczącymi opieki zdrowotnej. Aby uzyskać więcej informacji, zobacz architekturę referencyjną Microsoft Cloud for Healthcare.
Dowiedz się więcej o Microsoft Fabric z kompleksowym scenariuszem:
- Kompleksowy scenariusz magazynu danych typu lakehouse w aplikacji Microsoft Fabric