Lösningsidéer
Den här artikeln är en lösningsidé. Om du vill att vi ska utöka innehållet med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du meddela oss genom att ge GitHub-feedback.
I den här lösningen använder vi de kliniska och socioekonomiska patientdata som genereras av sjukhus för befolkningshälsorapportering.
Arkitektur
Ladda ned en Visio-fil med den här arkitekturen.
Dataflöde
Realtidsdatagenererande enheter (IoMT) överför data till en mottagare för strömmande datainmatning med enhetsautentisering, till exempel Azure IoT Hub. Den här mottagaren kan vara en fristående Azure IoT Hub eller inkluderas i en fullständigt hanterad programplattform som Azure IOT Central med lösningsacceleratorer, till exempel en mall för kontinuerlig patientövervakning.
Enhetsdata tas sedan emot i IoMT FHIR-Anslut eller för Azure, där de normaliseras, grupperas, transformeras och sparas i Azure API för FHIR.
Datakällor som elektroniska journalsystem, patientadministrationssystem eller labbsystem kan generera andra meddelandeformat, till exempel HL7-meddelanden som konverteras via ett HL7-inmatnings- och konverteringsarbetsflöde. HL7-inmatningsplattformen använder HL7-meddelanden via MLLP och överför dem säkert till Azure via HL7overHTTPS. Data hamnar i bloblagring, vilket genererar en händelse på Azure Service Bus för bearbetning. HL7-konverteringen är ett Azure Logic App-baserat arbetsflöde som utför ordnad konvertering från HL7 till FHIR via FHIR-konverteraren, bevarar meddelandet till ett Azure API för FHIR Server Instance
Data exporteras från Azure FHIR-tjänsten till Azure Data Lake Gen2 med hjälp av massexportfunktionen . Känsliga data kan anonymiseras som en del av exportfunktionen.
Azure Data Factory-jobb schemaläggs för att kopiera andra datakällor från lokala eller alternativa källor till Azure Data Lake Gen 2.
Använd Azure Databricks för att rensa och transformera de strukturlösa datauppsättningarna och kombinera dem med strukturerade data från driftdatabaser eller informationslager. Använd skalbara maskininlärnings-/djupinlärningstekniker för att få djupare insikter från dessa data med hjälp av Python, R eller Scala, med inbyggda notebook-upplevelser i Azure Databricks. I den här lösningen använder vi Databricks för att sammanföra relaterade, men olika datauppsättningar för användning i patientlängden för vistelsemodellen.
Experimentering och modellutveckling sker i Azure Databricks. Integrering med Azure ML via MLflow möjliggör snabba modellexperiment med spårning, modelllagringsplats och distribution.
Publicera tränade modeller med hjälp av Azure Machine Learning-tjänsten för batchbedömning via Azure Databricks-slutpunkter eller som en realtidsslutpunkt med hjälp av en Azure Container Instance eller Azure Kubernetes Service.
Komponenter
Azure IoT Anslut or för FHIR är en valfri funktion i Azure API för FHIR som ger möjlighet att mata in data från IoMT-enheter (Internet of Medical Things). Alternativt är alla som vill ha mer kontroll och flexibilitet med IoT-Anslut eller, IoMT FHIR-Anslut eller för Azure ett projekt med öppen källkod för att mata in data från IoMT-enheter och spara data på en FHIR-server®.
Azure Data Factory är en hybridtjänst för dataintegrering som gör att du kan skapa, schemalägga och samordna dina ETL/ELT-arbetsflöden.
Azure API för FHIR är en fullständigt hanterad tjänst i företagsklass för hälsodata i FHIR-format.
Azure Data Lake Storage är en mycket skalbar och säker datasjöfunktion som bygger på Azure Blob Storage.
Azure Databricks är en snabb, enkel och samarbetsbaserad Apache Spark-baserad dataanalysplattform.
Azure Machine Learning är en molntjänst för träning, bedömning, distribution och hantering av maskininlärningsmodeller i stor skala. Den här arkitekturen använder Azure Machine Learning-tjänstens inbyggda stöd för MLflow för att logga experiment, lagra modeller och distribuera modeller.
Power BI är en uppsättning verktyg för affärsanalys som ger insikter i hela organisationen. Anslut till hundratals datakällor, förenkla dataförberedelser och driva interaktiv analys. Producera snygga rapporter och publicera dem därefter så att organisationen kan använda dem på webben och i mobila enheter.
Information om scenario
Hantering av befolkningshälsa är ett viktigt verktyg som i allt högre grad används av vårdgivare för att hantera och kontrollera de eskalerande kostnaderna. Kärnan i hantering av befolkningshälsa är att använda data för att förbättra hälsoresultaten. Spårning, övervakning och bänkmarkering är de tre bastionerna för hantering av befolkningens hälsa, som syftar till att förbättra kliniska och hälsoresultat samtidigt som man hanterar och minskar kostnaderna.
Som ett exempel på ett maskininlärningsprogram med hantering av befolkningshälsa används en modell för att förutsäga längden på sjukhusvistelsen. Det är inriktat på sjukhus och vårdgivare för att hantera och kontrollera sjukvårdsutgifterna genom förebyggande och hantering av sjukdomar. Du kan läsa mer om vilka data som används och modellen för sjukhusvistelser i guiden för manuell distribution av lösningen. Sjukhus kan sedan använda resultaten till att optimera sina vårdhanteringssystem och fokusera de kliniska resurserna på patienter med akuta behov. När sjukhus får en bättre förståelse av upptagningsområdet via hälsorapporter kan de övergå till en mer värdebaserad vård samtidigt som de både kan minska kostnaderna och leverera bättre vårdresultat.
Potentiella användningsfall
Den här lösningen är idealisk för sjukvårdsbranschen. Den kan användas för följande scenarier:
- Patientövervakning
- Kliniska prövningar
- Smarta kliniker
Distribuera det här scenariot
Två exempelprojekt beskrivs här som kan importeras till Azure Databricks. Standardklusterläge måste användas på anteckningsböckerna Predicting Length of State (Förutsäga längden på tillståndsanteckningsböcker) på grund av användning av R-kod. Du kan distribuera lösningen i följande exempel:
Live Population Health Report with Length of Stay predictions trains a model using encounter-level records for a million or so patients. Schemat för data matchar SID-data (State Inpatient Databases) från HCUP (Healthcare Cost and Utilization Project) för att underlätta lösningens användning med verkliga HCUP-data. Den är lämplig för användning på liknande patientpopulationer, men vi rekommenderar att sjukhus tränar om modellen med hjälp av sina egna historiska patientdata för bästa resultat. Lösningen simulerar 610 kliniska och demografiska funktioner, inklusive ålder, kön, postnummer, diagnoser, procedurer, avgifter osv. för cirka en miljon patienter på 23 sjukhus. För att tillämpas på nyinlagda patienter måste modellen tränas med endast funktioner som är tillgängliga för varje patient vid tidpunkten för deras antagning.
Patientspecifik förutsägelse och intervention för hälso- och sjukvård använder en diabetesdatauppsättning som ursprungligen producerades för AAI Spring Symposium 1994 om artificiell intelligens i medicin, som nu generöst delas av Dr. Michael Kahn på UCI Machine Learning Repository.
Deltagare
Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.
Huvudförfattare:
- Kris Bock | Senior kundtekniker
Nästa steg
- Kontinuerlig patientövervakning tillhandahåller en appmall som kan skapa en kontinuerlig patientövervakningslösning.
- Medical Imaging Server för DICOM är en .NET Core-implementering av DICOMweb™ som kan köras i Azure.
- OpenHack för FHIR är en samling OpenHack-baserade självstudier som kan användas för att lära dig mer om FHIR-relaterade tjänster i Azure.
Produktdokumentation:
- IoMT FHIR-Anslut eller för Azure
- Azure API för FHIR
- Vad är Azure Logic Apps?
- Vad är Azure Data Factory?
- Introduktion till Azure Data Lake Storage
- Vad är Azure Machine Learning?
- Vad är Power BI?