Çözüm fikirleri
Bu makale bir çözüm fikridir. İçeriği olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma yönergeleri gibi daha fazla bilgiyle genişletmemizi isterseniz GitHub geri bildirimi sağlayarak bize bildirin.
Bu çözümde hastaneler tarafından oluşturulan klinik ve sosyoekonomik hasta içi verileri nüfus sağlığı raporlaması için kullanacağız.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
Veri akışı
Gerçek zamanlı veri oluşturan cihazlar (IoMT), Azure IoT Hub gibi cihaz kimlik doğrulaması ile bir akış verileri alma havuzuna veri aktarır. Bu havuz tek başına bir Azure IoT Hub olabilir veya sürekli hasta izleme şablonu gibi çözüm hızlandırıcıları ile Azure IOT Central gibi tam olarak yönetilen bir uygulama platformuna dahil edilebilir.
Ardından cihaz verileri Azure için IoMT FHIR Bağlan alınır ve burada normalleştirilir, gruplandırılır, dönüştürülür ve FHIR için Azure API'sinde kalıcı hale getirilir.
Elektronik Tıbbi Kayıt sistemleri, hasta yönetim sistemleri veya laboratuvar sistemleri gibi veri kaynakları, HL7 alma ve dönüştürme iş akışı aracılığıyla dönüştürülen HL7 iletileri gibi başka ileti biçimleri oluşturabilir. HL7 alma platformu MLLP aracılığıyla HL7 İletileri kullanır ve bunları HL7overHTTPS aracılığıyla Azure'a güvenli bir şekilde aktarır. Veriler, işlenmek üzere Azure Service Bus'ta bir olay oluşturan blob depolama alanına gönderilir. HL7 dönüştürme, FHIR Dönüştürücüsü aracılığıyla HL7'den FHIR'ye düzenli dönüştürme gerçekleştiren, iletiyi FHIR Sunucu Örneği için Azure API'de kalıcı hale getiren Azure Logic App tabanlı bir iş akışıdır
Veriler, Toplu Dışarı Aktarma özelliği kullanılarak Azure FHIR Hizmetinden Azure Data Lake 2. Nesil'e aktarılır . Hassas veriler dışarı aktarma işlevinin bir parçası olarak anonimleştirilebilir.
Azure Data Factory işleri, şirket içi veya alternatif kaynaklardan Azure Data Lake 2. Nesil'e diğer veri kaynaklarını kopyalamak için zamanlanmıştır.
Azure Databricks'i kullanarak yapısız veri kümelerini temizleyip dönüştürün ve bunları işletimsel veritabanlarından veya veri ambarlarından alınan yapılandırılmış verilerle birleştirin. Azure Databricks'te yerleşik not defteri deneyimleriyle Python, R veya Scala kullanarak bu verilerden daha derin içgörüler elde etmek için ölçeklenebilir makine öğrenmesi/derin öğrenme tekniklerini kullanın. Bu çözümde Databricks'i hasta kalma modelinde kullanılmak üzere ilgili ancak farklı veri kümelerini bir araya getirmek için kullanırız.
Deneme ve model geliştirme, Azure Databricks'te gerçekleşir. MLflow aracılığıyla Azure ML ile tümleştirme, izleme, model deposu ve dağıtım ile hızlı model denemelerine olanak tanır.
Azure Databricks uç noktaları aracılığıyla toplu puanlama için Azure Machine Learning hizmetini kullanarak eğitilmiş modelleri veya Azure Container Instance veya Azure Kubernetes Service kullanarak gerçek zamanlı uç nokta olarak yayımlayın.
Components
FHIR için Azure IoT Bağlan or, FHIR için Azure API'nin tıbbi nesnelerin İnterneti (IoMT) cihazlarından veri alma özelliği sağlayan isteğe bağlı bir özelliğidir. Alternatif olarak, IoT Bağlan veya Azure için IoMT FHIR Bağlan or ile daha fazla denetim ve esnekliğe sahip olmak isteyen herkes, IoMT cihazlarından veri almak ve verileri bir FHIR® sunucusunda kalıcı hale getirmek için açık kaynak bir projedir.
Azure Data Factory , ETL/ELT iş akışlarınızı oluşturmanızı, zamanlamanızı ve düzenlemenizi sağlayan bir karma veri tümleştirme hizmetidir.
FHIR için Azure API, FHIR biçimindeki sistem durumu verileri için tam olarak yönetilen, kurumsal düzeyde bir hizmettir.
Azure Data Lake Depolama, Azure Blob Depolama üzerinde oluşturulan yüksek düzeyde ölçeklenebilir, güvenli veri gölü işlevselliğidir.
Azure Databricks hızlı, kolay ve işbirliğine dayalı bir Apache Spark tabanlı veri analizi platformudur.
Azure Machine Learning , makine öğrenmesi modellerini büyük ölçekte eğitme, puanlama, dağıtma ve yönetmeye yönelik bir bulut hizmetidir. Bu mimaride denemeleri günlüğe kaydetmek, modelleri depolamak ve modelleri dağıtmak için Azure Machine Learning hizmetinin MLflow için yerel desteği kullanılır.
Power BI , kuruluşunuz genelinde içgörüler sunan bir iş analizi araçları paketidir. Yüzlerce veri kaynağına Bağlan, veri hazırlığı basitleştirin ve etkileşimli analize yönlendirin. İlgi çekici raporlar oluşturup web’de ve mobil cihazlarda kullanım için bunları kuruluşunuza yönelik olarak yayımlayın.
Senaryo ayrıntıları
Nüfus durumu yönetimi, artan maliyetleri yönetmek ve denetlemek için sağlık hizmeti sağlayıcıları tarafından giderek daha fazla kullanılan önemli bir araçtır. Popülasyon sistem durumu yönetiminin en önemli noktası, sağlık sonuçlarını iyileştirmek için verileri kullanmaktır. İzleme, izleme ve tezgah işaretleme, nüfus sağlığı yönetiminin klinik ve sağlık sonuçlarını iyileştirmeyi ve maliyeti yönetmeyi ve azaltmayı amaçlayan üç temelidir.
Nüfus sağlığı yönetimine sahip bir makine öğrenmesi uygulaması örneği olarak, hastanede kalma süresini tahmin etmek için bir model kullanılır. Hastalık önleme ve yönetim yoluyla sağlık harcamalarını yönetmek ve kontrol etmek için hastanelere ve sağlık hizmeti sağlayıcılarına yöneliktir. Çözümün el ile dağıtım kılavuzunda, kullanılan veriler ve hastanede kalış süresi modeli hakkında bilgi edinebilirsiniz. Hastaneler bu sonuçları, hizmet yönetimi sistemlerini iyileştirmek ve klinik kaynaklarını daha acil ihtiyaçları olan hastalara yoğunlaştırmak için kullanabilir. Nüfus sağlık raporlaması aracılığıyla hizmet ettikleri toplulukları anlamak, hastanelerin hizmet ücreti ödemelerinden değer tabanlı hizmete geçmelerine ve maliyetleri azaltıp daha iyi bir hizmet sunmalarına yardımcı olur.
Olası kullanım örnekleri
Bu çözüm sağlık sektörü için idealdir. Aşağıdaki senaryolar için kullanılabilir:
- Hasta takibi
- Klinik
- Akıllı klinikler
Bu senaryoyu dağıtın
Burada Azure Databricks'e aktarılabilir iki örnek proje ayrıntılı olarak verilmiştir. Standart Küme Modu, R kodunun kullanılması nedeniyle Durum not defterlerinin Uzunluğunu Tahmin Etme üzerinde kullanılmalıdır. Çözümü aşağıdaki örneklerde dağıtabilirsiniz:
Konaklama Süresi tahminlerine sahip Canlı Nüfus Durumu Raporu, bir milyon veya daha fazla hastanın karşılaşma düzeyi kayıtlarını kullanarak modeli eğitmektedir. Verilerin şeması, çözümün gerçek HCUP verileriyle kullanımını kolaylaştırmak için Healthcare Maliyet ve Kullanım Projesi'ndeki (HCUP) State Inpatient Databases (SID) verileriyle eşleşir. Benzer hasta popülasyonlarında kullanıma uygundur ancak hastanelerin en iyi sonuçlar için kendi geçmiş hasta verilerini kullanarak modeli yeniden eğitmelerini öneririz. Çözüm, 23 hastanede yaklaşık bir milyon hasta için yaş, cinsiyet, posta kodu, tanılar, prosedürler, ücretler vb. dahil olmak üzere 610 klinik ve demografik özelliğin simülasyonunu oluşturur. Yeni başvuran hastalara uygulanabilmesi için modelin yalnızca kabul sırasında her hasta için mevcut olan özellikler kullanılarak eğitilmesi gerekir.
Hastaya Özgü Sağlık Hizmetleri Için Geri Alma Tahmini ve Müdahalesi, ilk olarak 1994 AAI Spring Symposium on Artificial Intelligence in Medicine için üretilen ve şimdi UCI Machine Learning Deposu'nda Dr. Michael Kahn tarafından cömert bir şekilde paylaşılan bir diyabet veri kümesini kullanıyor.
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazar:
- Kris Bock | Kıdemli Müşteri Mühendisi
Sonraki adımlar
- Sürekli hasta izleme, sürekli hasta izleme çözümü oluşturabilen bir uygulama şablonu sağlar.
- DICOM için Medical Imaging Server, DICOMweb'in™ Azure'da çalıştırılabilen bir .NET Core uygulamasıdır.
- FHIR için OpenHack, Azure'daki FHIR ile ilgili hizmetler hakkında bilgi edinmek için kullanılabilecek OpenHack tabanlı öğreticilerden oluşan bir koleksiyondur.
Ürün belgeleri:
- Azure için IoMT FHIR Bağlan
- FHIR için Azure API
- Azure Logic Apps nedir?
- Azure Data Factory nedir?
- Azure Data Lake Depolama'ne giriş
- Azure Machine Learning nedir?
- Power BI nedir?