Bu Azure çözümü, hastane yöneticilerinin kapasite planlamasını ve kaynak kullanımını geliştirmek amacıyla hastaneye kabul için kalış süresini tahmin etmek için makine öğrenmesinin gücünü kullanmasına yardımcı olur. Bir baş tıbbi bilgi yetkilisi, hangi tesislerin aşırı yüklendiğini ve bu tesislerin içinde hangi kaynakların destekleneceğini belirlemek için tahmine dayalı bir model kullanabilir. Bakım hattı yöneticisi, bir hastanın serbest bırakılmasını işlemek için yeterli personel kaynağı olup olmadığını belirlemek için bir model kullanabilir.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
Veri akışı
Aşağıdaki veri akışı yukarıdaki diyagrama karşılık gelir:
Elektronik sağlık kayıtlarından (EHR) ve elektronik tıbbi kayıtlardan (EMR) anonimleştirilmiş sağlık verileri, uygun çalışma zamanıyla (örneğin: Azure, Şirket içinde barındırılan) Azure Data Factory kullanılarak ayıklanır. Bu senaryoda, ODBC, Oracle, SQL gibi Azure Data Factory bağlayıcılarından birini kullanarak toplu ayıklama için anonimleştirilmiş verilere erişilebildiğini varsayacağız. FHIR verileri gibi diğer veri kaynakları, Azure İşlevleri gibi bir aracı alma hizmetinin eklenmesini gerektirebilir.
Azure Data Factory veriler Data Factory aracılığıyla Azure Data Lake Storage (2. nesil) içine akar. Bu işlem sırasında Azure Data Factory hiçbir veri depolanmaz ve bırakılan bağlantılar gibi hatalar bu adım sırasında işlenebilir/yeniden denenebilir.
Azure Machine Learning, 2. adımda alınan verilere makine öğrenmesi algoritmaları/işlem hatları uygulamak için kullanılır . Algoritmalar, gereksinimlere bağlı olarak olay temelinde, zamanlanmış veya el ile uygulanabilir. Bu özellikle şunları içerir:
3.1 Eğitme - Alınan veriler, Doğrusal regresyon ve Gradyan Artırılmış Karar Ağacı gibi algoritmaların birleşimini kullanarak bir makine öğrenmesi modelini eğitmek için kullanılır. Bu algoritmalar genellikle bir işlem hattında çeşitli çerçeveler (örneğin, scikit-learn) aracılığıyla sağlanır ve işlem öncesi/sonrası işlem hattı adımlarını içerebilir. Örneğin, önceden işlenmiş mevcut EMR/EHR verilerinden gelen kabul türü gibi hasta sağlık faktörleri (örneğin, null satırları bırakma) Doğrusal Regresyon gibi bir regresyon modelini eğitmek için kullanılabilir. Model daha sonra yeni bir hasta kalma süresini tahmin edebilecekti.
3.2 Doğrulama - Model performansı mevcut modellerle/test verileriyle ve ayrıca Uygulama Programlama Arabirimleri (API' ler) gibi aşağı akış tüketim hedefleriyle karşılaştırılır.
3.3 Dağıtma - Model, farklı hedef ortamlarda kullanılmak üzere bir kapsayıcı kullanılarak paketlenmiş.
3.4 İzleyici - Modelin tahminleri toplanır ve performansın zaman içinde azalmaması için izlenir. Bu izleme verilerini kullanarak modelde el ile veya otomatik yeniden eğitme/güncelleştirmeleri tetikleme uyarıları gönderilebilir. Ayıklanan izleme verilerinin türüne bağlı olarak Azure İzleyici gibi ek hizmetlere ihtiyaç duyulabileceğini unutmayın.
Azure Machine Learning çıktısı, Azure Synapse Analytics'e akar. Model çıkışı (tahmini hasta kalma süresi) mevcut hasta verileriyle ölçeklenebilir bir şekilde birleştirilir ve aşağı akış tüketimi için ayrılmış SQL havuzu gibi bir katman sunulur. Bu noktada Synapse Analytics aracılığıyla hastane başına ortalama konaklama süresi gibi ek analizler yapılabilir.
Azure Synapse Analytics, Power BI'a veri sağlar. Özellikle, Power BI verileri ayıklamak ve gereken ek anlamsal modellemeyi uygulamak için adımdaki (4) sunum katmanına bağlanır.
Power BI, bakım hattı yöneticisi ve hastane kaynak koordinatörü tarafından analiz için kullanılır.
Bileşenler
Azure Data Factory (ADF), veri kaynaklarını ek ücret ödemeden 90'dan fazla yerleşik, bakım gerektirmeden bağlayıcıyla görsel olarak tümleştirebilen, tam olarak yönetilen, sunucusuz veri tümleştirme ve düzenleme hizmeti sağlar. Bu senaryoda ADF, verileri almak ve veri akışlarını yönetmek için kullanılır.
Azure Data Lake (ADLS), yüksek performanslı analiz için ölçeklenebilir bir güvenli veri gölü sağlar. Bu senaryoda ADLS ölçeklenebilir, uygun maliyetli bir veri depolama katmanı olarak kullanılır.
Azure Machine Learning (AML) hizmetleri uçtan uca LOS tahmin makine öğrenmesi yaşam döngüsünü şu şekilde hızlandırır:
- Veri bilimciler ve geliştiricileri makine öğrenmesi modelleri oluşturmak, eğitmek ve dağıtmak ve ekip işbirliğini teşvik etmek için çok çeşitli üretken deneyimlerle güçlendirin.
- Sektör lideri MLOps(makine öğrenmesi işlemleri veya makine öğrenmesi için DevOps) ile pazara çıkış süresini hızlandırma.
- Sorumlu makine öğrenmesi için tasarlanmış güvenli, güvenilir bir platformda yenilik yapın.
Bu senaryoda AML, hasta kalma süresini tahmin etmek ve uçtan uca model yaşam döngüsünü yönetmek için kullanılan modeli oluşturmak için kullanılan hizmettir.
Azure Synapse Analytics: Veri tümleştirme, kurumsal veri ambarı ve büyük veri analizini bir araya getiren sınırsız bir analiz hizmetidir. Bu senaryoda Synapse, model tahminlerini mevcut veri modeline dahil etmek ve ayrıca aşağı akış tüketimi için yüksek hızlı bir sunum katmanı sağlamak için kullanılır.
Power BI , kurumsal ölçekte self servis analiz sağlayarak şunları yapmanızı sağlar:
- Herkes için iş zekası ile veri odaklı bir kültür oluşturun.
- Duyarlılık etiketleme, uçtan uca şifreleme ve gerçek zamanlı erişim izleme gibi sektör lideri veri güvenliği özellikleriyle verilerinizin güvenliğini sağlayın.
Bu senaryoda Power BI, son kullanıcı panoları oluşturmak ve bu panolarda gerekli olan anlamsal modellemeleri uygulamak için kullanılır.
Alternatifler
- Azure Synapse Analytics Spark ve Azure Databricks gibi Spark hizmetleri, veri bilimi ekibinin veri ölçeğine ve beceri kümesine bağlı olarak makine öğrenmesini gerçekleştirmek için alternatif olarak kullanılabilir.
- MLFlow , müşteri beceri kümesine/ortamına bağlı olarak Azure Machine Learning'e alternatif olarak uçtan uca yaşam döngüsünü yönetmek için kullanılabilir.
- Azure Synapse Analytics işlem hatları, büyük ölçüde belirli müşteri ortamına bağlı olarak çoğu durumda Azure Data Factory alternatif olarak kullanılabilir.
Senaryo ayrıntıları
Sağlık tesisi çalıştıran kişiler için, hastaların taburcu olmasına kadar olan gün sayısı olan konaklama süresi (LOS) önemlidir. Ancak bu sayı, aynı sağlık sisteminde bile tesisler ve hastalık koşulları ve uzmanlık alanları arasında farklılık gösterebilir ve bu da hasta akışının izlenmesini ve buna göre plan yapmasını zorlaştırabilir.
Bu çözüm, hastaneye kabul için LOS için tahmine dayalı bir model sağlar. LOS, ilk kabul tarihinden hastanın herhangi bir hastane tesisinden taburcu edildiği tarihe kadar olan gün sayısı içinde tanımlanır. Aynı sağlık sisteminde bile çeşitli tesisler, hastalık koşulları ve uzmanlık alanları arasında LOS'nin önemli bir varyasyonu olabilir.
Hastada kalış süresi bakım kalitesiyle ilgili mi? gibi çalışmalar, daha uzun bir risk ayarlı LOS'nin daha düşük alınan bakım kalitesiyle ilişkili olduğunu göstermiştir. Kabul sırasındaki gelişmiş LOS tahmini, sağlayıcılara mevcut hasta LOS ile karşılaştırmak için ölçüm olarak kullanabilecekleri beklenen bir LOS vererek hasta bakım kalitesini artırabilir. Bu, beklenenden daha uzun LOS'leri olan hastaların uygun ilgiyi almasını sağlamaya yardımcı olabilir. LOS tahmini, deşarjların doğru şekilde planlanmasında da yardımcı olur ve bu da geri almalar gibi diğer kalite önlemlerinin düşürülmesiyle sonuçlanır.
Olası kullanım örnekleri
Hastane yönetiminde, hastaların ailelerinin yanı sıra konaklama süresiyle ilgili daha güvenilir tahminlerden yararlanmayı bekleyebilen iki farklı iş kullanıcısı vardır:
- Bilişim/teknoloji ile bir sağlık kuruluşundaki sağlık uzmanları arasında ayrım yapan baş tıbbi bilgi sorumlusu (CMIO). Görevleri genellikle hastane ağında kaynakların uygun şekilde ayrılarak ayrılmadığını belirlemek için analiz kullanmayı içerir. CMIO'nun hangi tesislerin kapsandığını ve özellikle bu tesislerdeki kaynakların taleple yeniden hizalanması için hangi kaynakların desteklenmesi gerekebileceğini belirleyebilmesi gerekir.
- Hastaların bakımıyla doğrudan ilgilenen bakım hattı yöneticisi. Bu rol, bireysel hastaların durumunun izlenmesini ve personelin hastalarının özel bakım gereksinimlerini karşılamak için uygun olmasını sağlamayı gerektirir. Bakım hattı yöneticisi doğru tıbbi kararlar alabilir ve doğru kaynakları önceden hizalayabilir. Örneğin, LOS'yi tahmin etme özelliği:
- hastaların riskinin ilk değerlendirmesi, özellikle de IKU'larda olduğu gibi kaynakların sınırlı olduğu durumlarda daha iyi kaynak planlaması ve tahsisi için kritik öneme sahiptir.
- bakım hattı yöneticilerinin personel kaynaklarının bir hastanın serbest bırakılması için yeterli olup olmadığını belirlemesine olanak tanır.
- Yoğun bakımda LOS'yi tahmin etmek, hastaların ve ailelerinin yanı sıra sigorta şirketleri için de faydalıdır. Hastaneden taburcu olması beklenen bir tarih, hastaların ve ailelerinin tıbbi maliyetleri anlamasına ve tahmin etmesine yardımcı olur. Bu ayrıca ailelere hastanın iyileşme hızı hakkında bir fikir verir ve taburcu etme ve bütçelerini yönetme planlarına yardımcı olur.
Dikkat edilmesi gerekenler
Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanılabilecek bir dizi yol gösteren ilke olan Azure Well-Architected Framework'ün yapı taşlarını uygular. Daha fazla bilgi için bkz. Microsoft Azure Well-Architected Framework.
Maliyet iyileştirmesi
Maliyet iyileştirmesi, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri artırmanın yollarını gözden geçmektir. Daha fazla bilgi için bkz. Maliyet iyileştirme sütununa genel bakış.
Bu çözümün en pahalı bileşeni işlemdir ve veri hacmiyle işlem maliyetini verimli bir şekilde ölçeklendirmenin çeşitli yolları vardır. Bir örnek, tek düğümlü çözümün aksine veri mühendisliği çalışması için Azure Synapse Analytics Spark veya Azure Databricks gibi bir Spark hizmeti kullanmak olabilir. Spark yatay olarak ölçeklendirilir ve büyük, dikey olarak ölçeklendirilmiş tek düğüm çözümlerine kıyasla daha uygun maliyetlidir.
Bu mimaride yapılandırılan tüm Azure bileşenlerinin fiyatlandırması bu Azure Fiyatlandırma Hesaplayıcısı kayıtlı tahmininde bulunabilir. Bu tahmin, Pazartesi ile Cuma günleri arasında 09:00-17:00 arasında çalışan temel bir uygulama için tahmini peşin ve aylık maliyetleri gösterecek şekilde yapılandırılır.
Operasyonel Mükemmellik
Operasyonel mükemmellik, bir uygulamayı dağıtan ve üretimde çalışır durumda tutan operasyon süreçlerini kapsar. Daha fazla bilgi için bkz. Operasyonel mükemmellik sütununa genel bakış.
Sağlam bir Machine Learning işlemleri (MLOps) uygulaması ve uygulaması, bu tür bir çözümün üretime alınmasında kritik bir rol oynar. Daha fazla bilgi için bkz . Makine öğrenmesi işlemleri (MLOps).
Performans verimliliği
Performans verimliliği, kullanıcılar tarafından anlamlı bir şekilde yerleştirilen talepleri karşılamak amacıyla iş yükünüzü ölçeklendirme becerisidir. Daha fazla bilgi için bkz . Performans verimliliği sütununa genel bakış.
Bu senaryoda Azure Machine Learning'de veri ön işleme gerçekleştirilir. Bu tasarım küçük ve orta ölçekli veri hacimleri için işe yarasa da, büyük veri hacimleri veya gerçek zamanlıya yakın SLA'lara sahip senaryolar performans açısından zor olabilir. Bu tür bir sorunu gidermenin bir yolu, veri mühendisliği veya veri bilimi iş yükleri için Azure Synapse Analytics Spark veya Azure Databricks gibi bir Spark hizmeti kullanmaktır. Spark yatay olarak ölçeklendirilir ve tasarım gereği dağıtılır ve büyük veri kümelerini çok etkili bir şekilde işlemesine olanak sağlar.
Güvenlik
Güvenlik, kasıtlı saldırılara ve değerli verilerinizin ve sistemlerinizin kötüye kullanılmasına karşı güvence sağlar. Daha fazla bilgi için bkz. Güvenlik sütununa genel bakış.
Önemli
Bu mimari hem anonimleştirilmiş hem de anonimleştirilmiş olmayan sistem durumu verileriyle çalışır. Ancak, güvenli bir uygulama için sistem durumu verilerinin EHR ve EMR kaynaklarından anonimleştirilmiş biçimde oluşturulmasını öneririz.
Azure Machine Learning'de kullanılabilen güvenlik ve idare özellikleri hakkında daha fazla bilgi için bkz. Azure Machine Learning için kurumsal güvenlik ve idare
Katkıda Bulunanlar
Bu makale Microsoft tarafından korunur. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazarlar:
- Dhanshri Daha Fazla | Sorumlu Bulut Çözümü Mimarı
- DJ Dean | Sorumlu Bulut Çözümü Mimarı
Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.
Sonraki adımlar
Bu mimarinin uygulanmasıyla ilgili teknolojiler ve kaynaklar:
- Bu mimaride belirtilen Azure hizmetleri için kullanılabilir hızlı başlangıçları ve öğreticileri deneyin:
- Sağlık hizmetleri için Microsoft Bulut kaynakları:
- Veri yönetimiyle ilgili dikkat edilmesi gerekenler hakkında bilgi edinin
- Microsoft Bulut Çözüm Merkezi'nde bulunan Veri yönetimi çözümlerinden birini deneyin
- Sağlık verilerinin özellikleri de dahil olmak üzere kullanılabilir başvuru mimarilerini gözden geçirin
İlgili kaynaklar
Bu mimariyle ilgili ek Azure Mimari Merkezi içeriğine bakın: