Editar

Prever a duração da estadia e do fluxo do paciente

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

Esta solução do Azure ajuda os administradores hospitalares a utilizar o poder da aprendizagem automática para prever a duração da estadia para internamentos hospitalares, para melhorar o planeamento de capacidade e a utilização de recursos. Um diretor de informação médica pode usar um modelo preditivo para determinar quais as instalações que estão sobrecarregadas e que recursos reforçar dentro dessas instalações. Um gestor de linha de cuidados pode utilizar um modelo para determinar se existem recursos de pessoal adequados para lidar com a libertação de um paciente.

Arquitetura

Diagrama da arquitetura de monitorização remota de pacientes com dispositivos de cuidados de saúde e serviços do Azure.

Transfira um ficheiro do Visio desta arquitetura.

Fluxo de dados

O fluxo de dados seguinte corresponde ao diagrama acima:

  1. Os dados de saúde anonimizados dos registos de saúde eletrónicos (EHR) e dos registos médicos eletrónicos (EMR) são extraídos através de Azure Data Factory com o runtime adequado (por exemplo: Azure, Autoalojado). Neste cenário, assumimos que os dados anonimizados estão acessíveis para extração de lotes através de um dos conectores Azure Data Factory, como ODBC, Oracle, SQL. Outras origens de dados, como dados FHIR, podem exigir a inclusão de um serviço de ingestão intermediário, como Funções do Azure.

  2. Azure Data Factory dados fluem através do Data Factory para Azure Data Lake Storage (geração 2). Não são armazenados dados em Azure Data Factory durante este processo e as falhas, como ligações perdidas, podem ser processadas/repetidas durante este passo.

  3. O Azure Machine Learning é utilizado para aplicar algoritmos/pipelines de machine learning aos dados ingeridos no passo 2. Os algoritmos podem ser aplicados numa base de eventos, agendada ou manualmente, consoante os requisitos. Especificamente, isto inclui:

    3.1 Preparar - Os dados ingeridos são utilizados para preparar um modelo de machine learning através de uma combinação de algoritmos como Regressão linear e Árvore de Decisões Com Gradação Aumentada. Estes algoritmos são fornecidos através de várias arquiteturas (por exemplo, scikit-learn) normalmente num pipeline e podem incluir passos de pipeline pré/pós-processamento. Por exemplo, os fatores de saúde do paciente, como o tipo de admissão, provenientes do pré-processado (por exemplo, remover linhas nulas), podem ser utilizados dados EMR/EHR para preparar um modelo de regressão, como a Regressão Linear. O modelo seria então capaz de prever uma nova duração de estadia do paciente.

    3.2 Validar – o desempenho do modelo é comparado com os modelos/dados de teste existentes e também com quaisquer destinos de consumo a jusante, como interfaces de programação de aplicações (APIs).

    3.3 Implementar – o modelo é empacotado com um contentor para utilização em ambientes de destino diferentes.

    3.4 Monitor – as predições do modelo são recolhidas e monitorizadas para garantir que o desempenho não se degrada ao longo do tempo. Os alertas podem ser enviados para acionar a nova preparação/atualizações manuais ou automatizadas para o modelo, conforme necessário, através destes dados de monitorização. Tenha em atenção que podem ser necessários serviços adicionais, como o Azure Monitor, consoante o tipo de dados de monitorização extraídos.

  4. A saída do Azure Machine Learning flui para o Azure Synapse Analytics. A saída do modelo (duração prevista da estadia do paciente) é combinada com os dados do paciente existentes numa camada dimensionável, que serve como o conjunto de SQL dedicado para consumo a jusante. A análise adicional, como a duração média da estadia por hospital, pode ser feita através do Synapse Analytics neste momento.

  5. Azure Synapse Analytics fornece dados ao Power BI. Especificamente, o Power BI liga-se à camada de fornecimento no passo (4) para extrair os dados e aplicar a modelação semântica adicional necessária.

  6. O Power BI é utilizado para análise pelo gestor de linha de cuidados e pelo coordenador de recursos hospitalares.

Componentes

  • Azure Data Factory (ADF) fornece um serviço de orquestração e integração de dados totalmente gerido e sem servidor capaz de integrar visualmente origens de dados com mais de 90 conectores incorporados e sem manutenção sem custos adicionais. Neste cenário, o ADF é utilizado para ingerir dados e orquestrar os fluxos de dados.

  • O Azure Data Lake (ADLS) fornece um data lake seguro dimensionável para análise de alto desempenho. Neste cenário, o ADLS é utilizado como uma camada de armazenamento de dados dimensionável e rentável.

  • Os serviços do Azure Machine Learning (AML) aceleram o ciclo de vida de machine learning de predição de LOS ponto a ponto ao:

    • Capacitar cientistas de dados e programadores com uma vasta gama de experiências produtivas para criar, preparar e implementar modelos de machine learning e promover a colaboração em equipa.
    • Acelerar o tempo de comercialização com MLOps líderes do setor: operações de machine learning ou DevOps para machine learning.
    • Inovar numa plataforma segura e fidedigna, concebida para machine learning responsável.

    Neste cenário, o AML é o serviço utilizado para produzir o modelo utilizado para prever a duração da estadia do paciente e para gerir o ciclo de vida do modelo ponto a ponto.

  • Azure Synapse Analytics: um serviço de análise ilimitado que reúne a integração de dados, o armazenamento de dados empresariais e a análise de macrodados. Neste cenário, o Synapse é utilizado para incorporar as predições do modelo no modelo de dados existente e também para fornecer uma camada de fornecimento de alta velocidade para consumo a jusante.

  • O Power BI fornece análise self-service à escala empresarial, permitindo-lhe:

    • Crie uma cultura baseada em dados com business intelligence para todos.
    • Mantenha os seus dados seguros com as capacidades de segurança de dados líderes do setor, incluindo etiquetagem de confidencialidade, encriptação ponto a ponto e monitorização de acesso em tempo real.

    Neste cenário, o Power BI é utilizado para criar dashboards de utilizador final e aplicar qualquer modelação semântica necessária nesses dashboards.

Alternativas

  • Os serviços spark, como o Spark do Azure Synapse Analytics e o Azure Databricks, podem ser utilizados como alternativa para realizar a aprendizagem automática, dependendo da escala de dados e do conjunto de competências da equipa de ciência de dados.
  • O MLFlow pode ser utilizado para gerir o ciclo de vida ponto a ponto como alternativa ao Azure Machine Learning, consoante o conjunto de competências/ambiente do cliente.
  • Azure Synapse Analytics, os pipelines podem ser utilizados como alternativa à Azure Data Factory na maioria dos casos, dependendo em grande parte do ambiente específico do cliente.

Detalhes do cenário

Para as pessoas que gerem um centro de cuidados de saúde, a duração da estadia (LOS) (o número de dias desde a admissão do paciente à alta) é importante. No entanto, esse número pode variar entre instalações e doenças e especialidades, mesmo dentro do mesmo sistema de saúde, dificultando o acompanhamento do fluxo e planeamento dos pacientes em conformidade.

Esta solução permite um modelo preditivo para LOS para internamentos hospitalares. LOS é definido em número de dias desde a data de admissão inicial até à data em que o paciente tem alta de qualquer hospital. Pode haver uma variação significativa de LOS em várias instalações, doenças e especialidades, mesmo dentro do mesmo sistema de saúde.

Estudos como a duração da estadia do paciente estão relacionadas com a qualidade dos cuidados? mostraram que um LOS mais longo e ajustado ao risco está correlacionado com uma qualidade de cuidados mais baixa recebida. A predição avançada de LOS no momento da admissão pode melhorar a qualidade dos cuidados do paciente, dando aos fornecedores um LOS esperado que podem usar como uma métrica para comparar com o paciente atual LOS. Isto pode ajudar a garantir que os pacientes com LOS mais longo do que o esperado recebem a atenção adequada. A predição de LOS também ajuda no planeamento preciso das descargas, o que resulta na redução de várias outras medidas de qualidade, como as readmissões.

Potenciais casos de utilização

Existem dois utilizadores empresariais diferentes na gestão hospitalar que podem esperar beneficiar de predições mais fiáveis da duração da estadia, bem como das famílias dos pacientes:

  • O diretor de informação médica (CMIO), que se divide entre profissionais de informática/tecnologia e cuidados de saúde numa organização de cuidados de saúde. Os seus deveres geralmente incluem a utilização de análises para determinar se os recursos estão a ser alocados adequadamente numa rede hospitalar. O CMIO tem de ser capaz de determinar quais as instalações que estão a ser sobrecarregadas e, especificamente, que recursos nessas instalações podem ter de ser reforçados para realinhar esses recursos com procura.
  • O gestor da linha de cuidados, que está diretamente envolvido com os cuidados dos pacientes. Esta função requer a monitorização do estado dos pacientes individuais e a garantia de que o pessoal está disponível para satisfazer os requisitos de cuidados específicos dos seus pacientes. O gestor da linha de cuidados pode tomar decisões médicas precisas e alinhar os recursos certos com bastante antecedência. Por exemplo, a capacidade de prever LOS:
    • como uma avaliação inicial do risco dos pacientes é fundamental para um melhor planeamento e alocação de recursos, especialmente quando os recursos são limitados, como nas ICUs.
    • permite que os gestores de linhas de cuidados determinem se os recursos de pessoal serão adequados para lidar com a libertação de um paciente.
  • Prever os LOS na UCI também é benéfico para os pacientes e suas famílias, bem como para as companhias de seguros. Uma data prevista para a alta do hospital ajuda os pacientes e as suas famílias a compreender e estimar os custos médicos. Isto também dá às famílias uma ideia sobre a velocidade de recuperação de um paciente, e ajuda-as a planear a alta e gerir os seus orçamentos.

Considerações

Estas considerações implementam os pilares do Azure Well-Architected Framework, que é um conjunto de princípios orientadores que podem ser utilizados para melhorar a qualidade de uma carga de trabalho. Para obter mais informações, veja Microsoft Azure Well-Architected Framework.

Otimização de custos

A otimização de custos consiste em procurar formas de reduzir despesas desnecessárias e melhorar a eficiência operacional. Para obter mais informações, veja Descrição geral do pilar de otimização de custos.

O componente mais caro desta solução é a computação e existem várias formas de dimensionar a computação de forma económica com o volume de dados. Um exemplo seria utilizar um serviço spark como o Spark do Azure Synapse Analytics ou o Azure Databricks para o trabalho de engenharia de dados, em oposição a uma solução de nó único. O Spark dimensiona horizontalmente e é mais rentável em comparação com soluções de nó único dimensionadas verticalmente.

Os preços de todos os componentes do Azure, conforme configurado nesta arquitetura, podem ser encontrados nesta estimativa guardada da Calculadora de Preços do Azure. Esta estimativa está configurada para mostrar os custos iniciais e mensais estimados, para uma implementação básica que decorre das 09:00 às 17:00 de segunda a sexta-feira.

Excelência operacional

A excelência operacional abrange os processos de operações que implementam uma aplicação e a mantêm em execução na produção. Para obter mais informações, veja Descrição geral do pilar de excelência operacional.

Uma prática e implementação sólidas de operações de Machine Learning (MLOps) desempenha um papel fundamental na produção deste tipo de solução. Para obter mais informações, veja Operações de machine learning (MLOps).

Eficiência de desempenho

Eficiência de desempenho é a capacidade da sua carga de trabalho para dimensionar para satisfazer as exigências que os utilizadores lhe colocam de forma eficiente. Para obter mais informações, veja Descrição geral do pilar Eficiência de desempenho.

Neste cenário, o pré-processamento de dados é realizado no Azure Machine Learning. Embora esta estrutura funcione para volumes de dados pequenos a médios, grandes volumes de dados ou cenários com SLAs quase em tempo real podem ter dificuldades do ponto de vista do desempenho. Uma forma de resolver este tipo de preocupação é utilizar um serviço Spark como o Spark do Azure Synapse Analytics ou o Azure Databricks para cargas de trabalho de engenharia de dados ou ciência de dados. O Spark dimensiona horizontalmente e é distribuído por predefinição, o que lhe permite processar conjuntos de dados grandes de forma muito eficaz.

Segurança

A segurança fornece garantias contra ataques deliberados e abuso dos seus valiosos dados e sistemas. Para obter mais informações, veja Descrição geral do pilar de segurança.

Importante

Esta arquitetura funcionará com dados de saúde anónimos e não anónimos. No entanto, para uma implementação segura, recomendamos que os dados de estado de funcionamento sejam obtidos de forma anonimizada a partir de origens de EHR e EMR.

Para obter mais informações sobre as funcionalidades de segurança e governação disponíveis para o Azure Machine Learning, veja Segurança e governação empresariais do Azure Machine Learning

Contribuidores

Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuintes.

Autores principais:

  • Dhanshri Mais | Arquiteto principal da Solução cloud
  • DJ Dean | Arquiteto principal da Solução cloud

Para ver perfis do LinkedIn não públicos, inicie sessão no LinkedIn.

Passos seguintes

Tecnologias e recursos relacionados com a implementação desta arquitetura:

Veja conteúdos adicionais do Centro de Arquitetura do Azure relacionados com esta arquitetura: