Editar

Gerenciamento de saúde populacional para serviços de saúde

Fábrica de dados do Azure
Azure Databricks
Azure
Power BI
Azure Machine Learning

Ideias de solução

Esse artigo é uma ideia de solução. Caso deseje que ampliemos o conteúdo com mais informações, como possíveis casos de uso, serviços alternativos, considerações sobre implementação ou diretrizes de preços, fale conosco enviando seus comentários no GitHub.

Nesta solução, usaremos os dados ambulatoriais clínicos e socioeconômicos gerados pelos hospitais para relatórios de saúde da população.

Arquitetura

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

Baixe um Arquivo Visio dessa arquitetura.

Fluxo de dados

  1. Os dados de geração de dados em tempo real (IoMT) transferem os dados para um coletor de ingestão de dados de streaming com autenticação de dispositivo, como o Hub IoT do Azure. Esse coletor pode ser um Hub IoT do Azure autônomo ou pode ser incluído em uma plataforma de aplicativo totalmente gerenciada, como o Azure IOT Central com aceleradores de solução, como um modelo de monitoramento contínuo de pacientes.

  2. Os dados do dispositivo são recebidos no Conector IoMT FHIR para Azure, em que são normalizados, agrupados, transformados e persistidos na API do Azure para FHIR.

  3. Fontes de dados, como sistemas de Registro Médico Eletrônico, sistemas de administração de pacientes ou sistemas de laboratório, podem gerar outros formatos de mensagem, como mensagens HL7 convertidas por meio de um fluxo de trabalho de conversão e ingestão HL7. A plataforma de ingestão HL7 consome mensagens HL7 por meio de MLLP e as transfere com segurança para o Azure por meio de HL7overHTTPS. Os dados chegam ao armazenamento de blobs, o que produz um evento no Barramento de Serviço do Azure para processamento. A conversão HL7 é um fluxo de trabalho baseado no Aplicativo Lógico do Azure que executa a conversão de forma ordenada de HL7 para FHIR por meio do Conversor FHIR, que persiste a mensagem em uma API do Azure para Instância do Servidor FHIR

  4. Os dados são exportados do Serviço FHIR do Azure para o Azure Data Lake Gen2 usando o recurso Exportação em Massa. Os dados confidenciais podem ser anônimos como parte da função de exportação.

  5. Os trabalhos do Azure Data Factory estão agendados para copiar outras fontes de dados de fontes locais ou alternativas para o Azure Data Lake Gen 2.

  6. Use o Azure Databricks para limpar e transformar os conjuntos de dados sem estrutura e combiná-los com dados estruturados dos bancos de dados operacionais ou data warehouses. Use técnicas escalonáveis de aprendizado de máquina/aprendizado profundo para derivar insights mais profundos destes dados usando Python, R ou Scala, com experiências de notebook embutidas no Azure Databricks. Nesta solução, usamos o Databricks para reunir conjuntos de dados relacionados, mas diferentes, para uso no modelo de tempo de internação do paciente.

  7. A experimentação e o desenvolvimento de modelos ocorrem no Azure Databricks. A integração com o Azure ML por meio do MLflow permite a experimentação rápida de modelos com acompanhamento, repositório de modelos e implantação.

  8. Publique modelos treinados usando o Serviço do Azure Machine Learning para pontuação em lote por meio dos pontos de extremidade do Azure Databricks ou como um ponto de extremidade em tempo real usando uma Instância de Contêiner do Azure ou um Serviço de Kubernetes do Azure.

Componentes

  • O Conector IoT do Azure para FHIR é um recurso opcional da API do Azure para FHIR que fornece a capacidade de ingerir dados de dispositivos IoMT (Internet das Coisas Médicas). Como alternativa, qualquer pessoa que deseje ter mais controle e flexibilidade com o Conector IoT, o Conector IoMT FHIR para Azure é um projeto de software livre para ingerir dados de dispositivos IoMT e persistir os dados em um servidor FHIR®.

  • O Azure Data Factory é um serviço de integração de dados híbrido que permite criar, agendar e orquestrar fluxos de trabalho de ETL/ELT.

  • A API do Azure para FHIR é um serviço de nível empresarial totalmente gerenciado para dados de integridade no formato FHIR.

  • O Azure Data Lake Storage é um recurso de data lake seguro e amplamente escalonável criado no Armazenamento de Blobs do Azure.

  • O Azure Databricks é uma plataforma de análise de dados baseada no Apache Spark, rápida, fácil e colaborativa.

  • Machine Learning é um serviço de nuvem para treinamento, pontuação, implantação e gerenciamento de modelos de aprendizado de máquina em escala. Essa arquitetura usa o suporte nativo do Serviço do Azure Machine Learning para MLflow para registrar experimentos, armazenar modelos e implantar modelos.

  • O Power BI é um pacote de ferramentas de análise de negócios que fornece insights a toda a organização. Conecte-se a centenas de fontes de dados, simplifique a preparação de dados e conduza análises interativas. Produza belos relatórios e, em seguida, publique-os para que sua organização consuma na Web e em dispositivos móveis.

Detalhes do cenário

O gerenciamento da saúde da população é uma ferramenta importante que está sendo usada cada vez mais por provedores de atendimento médico para gerenciar e controlar os custos crescentes. O aspecto fundamental do gerenciamento da saúde da população é usar dados para aprimorar resultados relacionados à saúde. O acompanhamento, o monitoramento e o benchmarking são os três bastiões do gerenciamento da saúde da população, com a finalidade de aprimorar resultados clínicos e de saúde enquanto gerencia e reduz custos.

Como exemplo de um aplicativo de aprendizado de máquina com gerenciamento da saúde da população, um modelo é usado para prever o tempo de internação. É voltado para hospitais e profissionais da saúde para gerenciar e controlar os gastos com a saúde por meio da prevenção e tratamento de doenças. Você pode saber mais sobre os dados usados e o modelo de permanência em hospital no guia de implantação manual da solução. Os hospitais podem usar esses resultados para otimizar sistemas de gerenciamento de saúde e concentrar os recursos clínicos nos pacientes com necessidades mais urgentes. A compreensão sobre as comunidades atendidas por meio de relatórios de saúde populacional pode ajudar hospitais a migrar dos pagamentos por serviço para o cuidado baseado em valor, reduzindo custos e oferecendo melhores cuidados.

Possíveis casos de uso

Essa solução é ideal para o setor de saúde. Ela pode ser usada nos seguintes cenários:

  • Monitoramento de pacientes
  • Estudos clínicos
  • Clínicas inteligentes

Implantar este cenário

Dois projetos de exemplo são detalhados aqui que podem ser importados para o Azure Databricks. O Modo de Cluster Padrão deve ser usado nos notebooks de Previsão da Duração do Estado, devido ao uso do código R. Você pode implantar a solução nos seguintes exemplos:

  1. O Live Population Health Report com previsões do Tempo de Internação treina um modelo usando registros de nível de encontro para um milhão de pacientes ou mais. O esquema de dados corresponde aos dados do SID (Bancos de Dados de Internação do Estado) do HCUP (Healthcare Cost and Utilization Project) para viabilizar o uso da solução com dados reais do HCUP. É adequado para uso em populações de pacientes semelhantes, embora recomendemos que os hospitais retreinem o modelo usando seus próprios dados históricos de pacientes para obter melhores resultados. A solução simula 610 recursos clínicos e demográficos, inclusive idade, gênero, CEP, diagnósticos, procedimentos, encargos etc., para cerca de um milhão de pacientes em 23 hospitais. Para ser aplicado a pacientes recém-internados, o modelo deve ser treinado usando apenas recursos disponíveis para cada paciente no momento da internação.

  2. A Previsão de Reinternação Específica do Paciente e a Intervenção para Tratamento de Saúde usa um conjunto de dados de diabetes originalmente produzido para o 1994 AAI Spring Symposium on Artificial Intelligence in Medicine, agora generosamente compartilhado pelo Dr. Michael Kahn no UCI Machine Learning Repository.

Colaboradores

Esse artigo é mantido pela Microsoft. Ele foi originalmente escrito pelos colaboradores a seguir.

Autor principal:

Próximas etapas

Documentação do produto: