Hälso- och sjukvårdssystem, sjukhus och stora läkarrutiner övergår till initiativ på sjukhus i hemmet (även kallat fjärrövervakning av patienter). Fjärrövervakning av patienter är en delmängd av den kliniska vården där patienters aktivitet och fysiologiska data kan nås och levereras med hjälp av fjärrhälsoenheter i enlighet med individualiserade vårdplansparametrar.
Den här artikeln innehåller vägledning om hur du utformar en lösning med Hjälp av Azure Health Data Services och enheter för intelligent övervakning av fjärrpatienter. Lösningen hjälper dig att lösa många av de enhetsintegreringsutmaningar som din organisation är bunden att möta när du skapar en sådan lösning i stor skala.
Arkitektur
Ladda ned en Visio-fil med den här arkitekturen.
Dataflöde
Patientenheter genererar aktivitet och fysiologiska data. Data extraheras sedan från enheterna med någon av de tillgängliga Microsoft-SDK:erna med öppen källkod (OSS) och matas in av Azure Event Hubs.
Life365.health-plattformen stöder över 300 enheter som genererar aktivitets- och fysiologiska data Life365-API:et matar in aktivitetsdata och fysiologiska data från patientövervakningsenheterna till Azure Event Hubs.
Azure MedTech-tjänsten hämtar enhetsmätningarna från Event Hubs, omvandlar dem till FHIR-format FHIR® (Fast Healthcare Interoperability Resources) och skickar dem till Azure FHIR-tjänsten. Azure Health Data Services-arbetsytan är en logisk container för sjukvårdstjänstinstanser, till exempel FHIR- och MedTech-tjänsterna.
Azure Health Data Services-arbetsytan skickar meddelanden till händelseprenumeranter när en FHIR-resurs skapas, uppdateras eller tas bort i Azure FHIR-tjänsten. Meddelandena kan skickas till flera slutpunkter för att utlösa automatisering, inklusive att starta arbetsflöden eller skicka e-post och textmeddelanden.
FHIR Analytics-pipelines exporterar stegvis icke-anonymiserade FHIR-data till Azure Data Lake, vilket gör dem tillgängliga för analys med olika Azure-datatjänster. Exporterade data kan också anonymiseras genom att använda verktyg som Microsofts verktyg med öppen källkod för anonymisering av hälsodata. Standardidentifieringen baseras på metoden HIPAA Valv Harbor, som kan utökas och ändras efter behov.
Viktigt!
Exporterade FHIR-data i det här dataflödet är rådata, vilket inkluderar PHI-information. Processen för avidentifiering kan användas för att ta bort personliga identifierare från data i forsknings- eller delningssyfte. Om du vill avidentifiera datauppsättningar måste du vidta åtgärder för att anonymisera data innan du exporterar dem med hjälp av ett verktyg som det som nämns ovan.
Ytterligare analys av FHIR-data i Parquet- och JSON-formaten görs med hjälp av Spark-pooler i Azure Synapse-, Azure Databricks- och Azure Machine Learning-tjänster (ML).
SQL-vyer skapas i serverlösa SQL-pooler i Azure Synapse. En SQL-vy skapas för varje FHIR-resurs baserat på Parquet-filerna i Azure Data Lake. Baserat på dessa vyer kan datatekniker och utvecklare skriva inbyggda SQL i Microsoft SQL Management Studio, eller någon annan SQL-redigerare, för att fråga FHIR-resurserna.
Power BI och Power Query-anslutningsappen för FHIR används för att importera och forma data direkt från FHIR-tjänstens API-slutpunkt. Power BI erbjuder även Parquet- och SQL-anslutningsappar för åtkomst till FHIR-resursen direkt i Parquet-format eller via SQL-vyerna i Synapse.
Komponenter
Enheter
Konsumentenheter
Microsoft tillhandahåller SDK:er med öppen källkod för att underlätta överföring av data från olika konsumentenheter för inmatning av Azure Event Hubs:
- Fitbit på FHIR OSS SDK stöder Fitbit-enheter.
- Fit on FHIR OSS SDK stöder Google Fit-enheter.
- HealthKitToFhir Swift Library OSS SDK stöder Apple-enheter.
Life365.health-stödda medicintekniska produkter
Life365.health-plattformenär integrerad med över 300 Bluetooth-övervakningsenheter för inmatning av Azure Event Hubs. Enheterna sträcker sig över flera kategorier och OEM-tillverkare, allt från spirometers, termometrar, viktskalor, pillerpåminnelser, aktivitetsspårare, blodsockermätare, blodtrycksmätare, EKG/ EKG, fosterdoptimerar, pulsmätare, pulsoximetrar, sömnspårare med mera. Life365-appen tillåter också manuell inspelning av avläsningar som tas från icke-Bluetooth-enheter. Den här arkitekturen använder Life365-API:et för att mata in enhetsmätningarna från Life365-enheterna till Event Hubs.
Övrigt
Alternativen ovan gör det enklare, men den här arkitekturen stöder alla liknande datakällor som kan matas in på ett säkert sätt i Event Hubs, direkt eller indirekt via ett mellanliggande API.
Azure-tjänster (datainsamling och lagring)
Azure Event Hubs – en fullständigt hanterad datainmatningstjänst i realtid som är enkel, betrodd och skalbar. Strömma miljontals händelser per sekund från valfri källa, så att du kan bygga upp dynamiska datapipelines och direkt vara redo för verksamhetsutmaningar. I den här arkitekturen används den för att samla in och aggregera enhetsdata för överföring till Azure Health Data Services.
Azure Health Data Services är en uppsättning hanterade API-tjänster baserade på öppna standarder och ramverk som gör det möjligt för arbetsflöden att förbättra sjukvården och erbjuda skalbara och säkra sjukvårdslösningar. Tjänsterna som används i den här arkitekturen är:
Azure Health Data Services-arbetsyta – tillhandahåller en container för de andra Azure Health Data Services-instanserna och skapar en efterlevnadsgräns (HIPAA, HITRUST) där skyddad hälsoinformation kan färdas.
Azure FHIR-tjänsten – gör det enkelt att lagra och utbyta skyddad hälsoinformation (PHI) på ett säkert sätt i molnet. Enhetsdata omvandlas till FHIR-baserade observationsresurser för fjärrövervakning av patienter.
Azure MedTech-tjänsten – en hörnsten i Microsoft Cloud for Healthcare som används för fjärrövervakning av patienter. MedTech är en PaaS (Platform as a Service) som gör att du kan samla in data nästan i realtid från olika medicinska enheter och konvertera dem till ett FHIR-kompatibelt tjänstformat och lagra dem i en FHIR-tjänst. MedTech-tjänstens funktioner för enhetsdataöversättning gör det möjligt att omvandla en mängd olika data till ett enhetligt FHIR-format som ger säker hantering av hälsodata i en molnmiljö.
MedTech-tjänsten är viktig för fjärrövervakning av patienter eftersom sjukvårdsdata kan vara svåra att komma åt eller analysera när de kommer från olika eller inkompatibla enheter, system eller format. Medicinsk information som inte är lätt att komma åt kan vara ett hinder för att få kliniska insikter och en patients sjukvårdsplan. Möjligheten att översätta hälsodata till ett enhetligt FHIR-format gör att MedTech-tjänsten kan länka enheter, hälsodata, labb och fjärrvård i person. Som ett resultat kan denna förmåga underlätta upptäckten av viktiga kliniska insikter och trendfångst, stödja kliniker, vårdteam, patient och familj. Det kan också hjälpa dig att upprätta anslutningar till nya enhetsprogram och aktivera avancerade forskningsprojekt. Precis som vårdplaner kan individualiseras per användningsfall kan fjärrövervakningsscenarier och användningsfall variera beroende på individuellt behov.
Azure Event Grid – Azure Health Data Services-händelsetjänsten genererar händelser när en FHIR-resurs skapas, uppdateras eller tas bort (CUD). Dessa händelser kan sändas av Azure Event Grid till nedströmsanvändare för att agera på händelsebaserade data.
Azure-tjänster och -verktyg (dataanalys)
FHIR Analytics Pipelines – ett OSS-projekt som används för att skapa komponenter och pipelines för rektangulär storlek och flytt av FHIR-data, från Azure FHIR-servrar till Azure Data Lake. I den här arkitekturen konverteras data till JavaScript Object Notation (JSON) och Parquet-format , vilket gör dem tillgängliga för analys med olika Azure-datatjänster.
Verktyg för anonymisering av hälsodata – ett OSS-projekt som stöds av Microsoft Healthcare-teamet hjälper till att anonymisera sjukvårdsdata, lokalt eller i molnet, för sekundär användning som forskning, folkhälsa med mera. Kärnmotorn för anonymisering använder en konfigurationsfil för att ange olika parametrar, samt anonymiseringsmetoder för olika dataelement och datatyper.
Azure Synapse Analytics – en gränslös analystjänst som sammanför dataintegrering, informationslager för företag och stordataanalys. Den ger dig frihet att fråga efter data på dina villkor, med hjälp av antingen serverlösa eller dedikerade resurser i stor skala. Azure Synapse sammanför dessa världar till en enhetlig upplevelse där du kan mata in, utforska, förbereda, hantera och hämta data för att genast uppfylla dina BI- och maskininlärningsbehov.
Apache Spark-pooler – Apache Spark är ett ramverk för parallell bearbetning som stöder minnesintern bearbetning för att öka prestandan för analysprogram för stordata. Apache Spark i Azure Synapse Analytics är en av Microsofts implementeringar av Apache Spark i molnet. Med Azure Synapse kan du enkelt skapa och konfigurera en serverlös Apache Spark-pool i Azure. Spark-pooler i Azure Synapse är kompatibla med Azure Storage och Azure Data Lake Generation 2-lagring. Så du kan använda Spark-pooler för att bearbeta dina data som lagras i Azure.
Azure Databricks – en dataanalysplattform som är optimerad för Microsoft Azure-molntjänstplattformen. Databricks tillhandahåller en enhetlig analysplattform för dataanalytiker, datatekniker, dataforskare och maskininlärningstekniker. Tre miljöer erbjuds för att utveckla dataintensiva program: Databricks SQL, Databricks Datavetenskap & Engineering och Databricks Machine Learning.
Azure ML – en Azure-molntjänst för att påskynda och hantera livscykeln för maskininlärningsprojekt. Maskininlärningspersonal, dataforskare och tekniker kan använda den i sina dagliga arbetsflöden: Träna och distribuera modeller och hantera MLOps. Du kan skapa en modell i Azure Machine Learning eller använda en modell som skapats från en plattform med öppen källkod, till exempel Pytorch, TensorFlow eller scikit-learn. MLOps-verktyg hjälper dig att övervaka, träna om och distribuera om modeller.
Power BI – tillhandahåller självbetjäningsanalys i företagsskala så att du kan:
- Skapa en datadriven kultur med business intelligence för alla.
- Skydda dina data med branschledande funktioner för datasäkerhet, inklusive känslighetsetiketter, kryptering från slutpunkt till slutpunkt och åtkomst i realtid monitoring.is som används för ytterligare analys av FHIR-data.
Power Query-anslutningsappar som används med Power BI omfattar:
- Parquet-fildatakällans anslutningsprogram – används för att komma åt Azure Data Lake Parquet-fildata.
- Power Query-anslutningsappen för FHIR – används för att importera och forma data från en FHIR-server.
- Azure Synapse Analytics SQL-datakällans anslutningsapp – används för att skapa SQL-frågor mot Azure Synapse Analytics.
SQL Server Management Studio – en skrivbordsapp som används för att skapa interna SQL-frågor mot SQL-datalager, till exempel Azure Synapse Analytics SQL-pooler.
Alternativ
Life365.health
Fördelen med Life365.health är att du med en integreringspunkt kan skicka mätningar från en mängd olika enheter i Life365-ekosystemet till Azure Health Data Services. Det finns andra bärbara enhets-API:er, till exempel Garmin Activity API och Polar AccessLink API, för vilka ett liknande integrationsmönster kan uppnås. Dessa API:er är dock uteslutande för mätning från enheter från sina egna tillverkare, till exempel Garmin respektive Polar.
Enheter och patienter måste definieras, länkas och synkroniseras mellan Azure Health Data Services och Life365-API:et. Den här konfigurationen kan uppnås genom att synkronisera patient- och enhets-ID:n mellan Azure Health Data Services och Life365-API:et. I grund och botten skapas och länkas en ny patient och enhet i Azure FHIR-tjänsten först. Därefter skapas och länkas motsvarande patient och enhet i Life365-API:et. ID:n för patienterna och enheterna, som först skapades i Azure Health Data Services, uppdateras sedan som externa ID:n i respektive patient- och enhetsentiteter i Life365-API:et.
Microsoft Cloud for HealthCare
I det här exemplet hanterar arbetsbelastningen ett sätt att implementera en fjärrlösning för patientövervakning. Microsoft Cloud for Healthcare tillhandahåller även en fjärrlösning för patientövervakning. Mer information om den lösningen finns i den guidade rundturen för övervakning av fjärrpatienter.
Information om scenario
Det finns en plenitude av medicinska och bärbara / konsumentenheter där ute idag. För att få åtkomst till enhetsmätningar/-avläsningar, många av enheterna för övervakning i hemmet (till exempel blodtrycksenheter, skalning... osv.) tillhandahålla Bluetooth-anslutning (till exempel Bluetooth Low Energy eller andra äldre versioner av Bluetooth-standarden). Det finns också bärbara konsumentenheter samt mer avancerade enheter i hemmet som ger API-anslutning för att få åtkomst till enhetsmätningarna. I det här fallet kan enheterna synkronisera avläsningarna direkt till API:et (Wifi aktiverat) eller ansluta till en mobilapp på en smart telefon (via Bluetooth), vilket gör att appen kan synkronisera läsningen tillbaka till API:et.
Problembeskrivning
Med tanke på det breda utbudet av bärbara och hembaserade medicintekniska enheter och anslutningsalternativ (från Bluetooth till API-specifikation), multiplicerat med antalet patienter inom sjukvårdsorganisationen, kan dataintegrering och orkestrering bli en skrämmande uppgift.
Potentiella användningsfall
Kliniska prövningar och forskning – Hjälp kliniska forskningsteam att integrera och erbjuda ett brett utbud av medicintekniska produkter i hemmet och bärbara medicintekniska produkter till studiedeltagaren. Med andra ord erbjuder du ett kvasi-Bring-Your-Own-Device (BYOD) alternativ till dina studiedeltagare.
Datavetenskap och populationens hälsoanalys – Aktiviteten och fysiologiska data kommer att vara tillgängliga i branschens FHIR-standardformat, liksom andra dataformat med öppen källkod (JSON och Parquet). Utöver dataformatet tillhandahålls interna anslutningsappar för att hjälpa till med dataanalysen och omvandlingen. Inklusive anslutningsappar som Power BI-anslutningsappen för FHIR, Synapse Serverless SQL-vyer och Spark-kluster i Synapse.
Den här lösningen innehåller också en parameteriserad metod för att anonymisera datamängden för avidentifierade forskningsändamål. Dessa "sekundära användningsdata" kan analyseras och användas för att hitta bästa praxis och stödja kliniska evidensbaserade arbetsflöden. Observationer som lagras på FHIR-servern kan användas för att hitta varianser och arbetsflöden som främjar bästa resultat och metoder.
Aktivera vårdgivare – Leverantörer kommer att kunna:
- få bättre insikter om patientens hälsostatus
- skapa proaktiva digitala vårdmodeller för förebyggande sjukvård
- vidta mer välgrundade åtgärder baserat på de fysiologiska indikatorerna/meddelandena
- tillhandahålla vägar för ersättning för fysiologiska fjärrövervakning
Pro-enkäter (Patient Reported Outcome) och PRO-driven vård – Genom att använda händelser och PRO-enkäter kan du skapa individualiserade vårdplaner och arbetsflöden för vårdvarians. Patienten får ha mer autonomi och kontroll över den individualiserade vårdplanen, vilket hjälper till att införa och ihållande användning. PRO-driven vård kan också vara till hjälp för att lösa klyftan i utbildning och patientresultat. Genom att länka utbildningsformulär och PROs kan RPM användas för att stödja medicinering, behandling och/eller uppföljning av vård genom att svara på frågor som:
- Tar patienter sin BP på rätt sätt?
- Används skalan vid rätt tidpunkt och frekvens?
- Loopar vi i PROs för patientimplementering och individualiserad vårdplanering?
För patienter som använder iOS-enheter kan enkätappar skapas med Hjälp av Apple ResearchKit. Enkätdata matas in av Azure Event Hubs och görs tillgängliga via FHIR-tjänsten, precis som enhetens patientaktivitet och fysiologiska data.
Tillåt flera typer och mer exakta hälsoenheter – Använd medicinska och hemmediciniska enheter för att generera hälsodata nästan i realtid för datainmatning och analys.
Att tänka på
Dessa överväganden tar upp grundpelarna i Azure Well-Architected Framework, som är en uppsättning vägledande grundsatser som kan användas för att förbättra kvaliteten på en arbetsbelastning. Mer information finns i Microsoft Azure Well-Architected Framework.
Tillförlitlighet
Tillförlitlighet säkerställer att ditt program kan uppfylla de åtaganden du gör gentemot dina kunder. Mer information finns i Översikt över tillförlitlighetspelare.
Tillgängligheten av kliniska data och insikter är avgörande för många sjukvårdsorganisationer. Här är några sätt att minimera driftstoppen för De Azure-tjänster som anges i den här lösningen:
Data Lake Storage replikeras alltid tre gånger i den primära regionen, med alternativet att välja lokalt redundant lagring (LRS) eller zonredundant lagring (ZRS).
Azure Event Hubs sprider risken för katastrofala fel på enskilda datorer eller till och med fullständiga rack mellan kluster som omfattar flera feldomäner i ett datacenter. Mer information finns i Azure Event Hubs – Geo-haveriberedskap.
Databricks ger vägledning om haveriberedskap för sin dataanalysplattform.
Machine Learning-distributionen kan vara flera regioner.
Säkerhet
Säkerhet ger garantier mot avsiktliga attacker och missbruk av dina värdefulla data och system. Mer information finns i Översikt över säkerhetspelare.
Hälso- och sjukvårdsdata innehåller ofta känslig skyddad hälsoinformation (PHI) och personlig information. Följande resurser är tillgängliga för att skydda dessa data:
Data Lake Storage använder rollbaserad åtkomstkontroll i Azure (RBAC) och åtkomstkontrollistor (ACL) för att skapa en åtkomstkontrollmodell
Azure Health Data Services är en samling skyddade hanterade tjänster med hjälp av Microsoft Entra ID, en global identitetsprovider som stöder OAuth 2.0. När du skapar en ny tjänst för Azure Health Data Services krypteras dina data som standard med hjälp av Microsoft-hanterade nycklar. Mer information finns i Autentisering och auktorisering för Azure Health Data Services.
Azure Event Hubs tillhandahåller kryptering av vilande data med Azure Storage Service Encryption (Azure SSE). Därför kan IP-brandväggsregler tillämpas på Event Hubs-namnområdesnivå. Åtkomst till privata slutpunkter och virtuella nätverk kan också konfigureras.
Synapse RBAC utökar funktionerna i Azure RBAC för Synapse-arbetsytor och deras innehåll. Azure RBAC används för att hantera vem som kan skapa, uppdatera eller ta bort Synapse-arbetsytan och dess SQL-pooler, Apache Spark-pooler och integrationskörningar.
Kostnadsoptimering
Kostnadsoptimering handlar om att titta på sätt att minska onödiga utgifter och förbättra drifteffektiviteten. Mer information finns i Översikt över kostnadsoptimeringspelare.
Prissättningen för många av Azure-komponenterna finns i Priskalkylatorn för Azure. Prissättningen för den här lösningen baseras i slutändan på faktorer som:
- De Azure-tjänster som används.
- Datavolym, när det gäller antalet patienter/enheter och antalet aktivitets- och fysiologiska datatyper som matas in.
- Kapacitets- och dataflödeskrav för Event Hubs.
- Beräkningsresurser som behövs för att utföra maskininlärningsträning och -distributioner, Synapse Spark-pooler och Databricks-kluster.
- Visualiserings- och rapporteringslösningen, till exempel Power BI.
När du implementerar den här lösningen bör du överväga principen för datakvarhållning och arkivering för den underliggande Azure Data Lake. Dra nytta av livscykelhantering i Azure Storage för att tillhandahålla ett automatiserat sätt att:
- överföra filblobar till lågfrekvent åtkomstnivå
- arkivnivåer baserat på när filen senast ändrades.
Mer information om Life365.health-planer och priser finns i life365 API Anslut Data-erbjudandet på Microsoft Azure Marketplace
Prestandaeffektivitet
Prestandaeffektivitet handlar om att effektivt skala arbetsbelastningen baserat på användarnas behov. Mer information finns i Översikt över grundpelare för prestandaeffektivitet.
Den här lösningen ger en skalbar arkitektur nära realtid för fjärrövervakning av patienter. Det är viktigt att bekräfta dataflödet i flera lager från gränssnittet mellan enheterna och Life365-API:et, till inmatningen från Life365 API och Azure Event Hubs, till omvandlingen i MedTech Service i Azure Health Data Service och slutligen till inkrementell export och anonymisering till data lake-formatet. Därför bearbetas dataflödet nästan i realtid och alla underordnade program och/eller integreringar bör utformas som sådana. Men lösningens prestanda kan skalas till ett stort antal enheter och patienter på företagsnivå.
Den här lösningen använder Azure Event Hubs som den viktigaste inmatningspunkten. Skalbarhet för Event Hubs kan hanteras med dataflödesenheter, bearbetningsenheter och kapacitetsenheterna. Därför kan partitionering hjälpa till med bearbetning av stora mängder händelser i Event Hubs.
Apache Spark för Azure Synapse Analytics-poolens autoskalningsfunktion skalar automatiskt upp och ned antalet noder i en klusterinstans.
Azure Machine Learning erbjuder distribution för slutsatsdragning med GPU-processorer och Azure FPGA:er som gör det möjligt att uppnå låg svarstid för slutsatsdragning i realtid.
Deltagare
Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.
Huvudsakliga författare:
- Mustafa Al-Durra | Arkitekt för sjukvårdsbranschen
- Janna Templin | RN, MSN, MBA
Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.
Nästa steg
Tekniker och resurser som är relevanta för att implementera den här arkitekturen:
Prova de tillgängliga snabbstarterna och självstudierna för komponenter som används i den här arkitekturen:
Granska Microsoft Cloud for Healthcare-resurser :
- Lär dig mer om överväganden för datahantering
- Granska tillgängliga referensarkitekturer, inklusive egenskaper för hälso- och sjukvårdsdata
Relaterade resurser
- Granska fjärrövervakningslösningen för patienter i Microsoft Cloud Solution Center. Mer information finns i den guidade rundturen för övervakning av fjärrpatienter.
- Virtuella patientbesök med Hjälp av Microsoft Cloud for Healthcare visar en potentiell lösning för schemaläggning och uppföljning av virtuella besök mellan patienter, leverantörer och vårdchefer.