分享方式：

醫療技術服務和 Azure Machine Learning 服務 API

  • 文章

在本文中，瞭解如何使用醫療技術服務和 Azure Machine Learning 服務。

醫療技術服務和 Azure Machine Learning 服務參考結構

醫療技術服務可讓 IoT 裝置與 FHIR® 服務緊密整合。 此參考結構旨在加速採用物聯網 (IoT) 專案。 此解決方案會針對 Machine Learning (ML) 運算使用 Azure Databricks。 不過，搭配 Kubernetes 或合作夥伴 ML 解決方案的 Azure Machine Learning 服務可能適合機器學習評分環境。

四行不同顏色分別顯示資料旅程的不同部分。

  • 藍色 = IoT 資料到 FHIR 服務。
  • 綠色 = 評分 IoT 資料的資料路徑
  • 紅色 = 資料熱路徑，以告知臨床醫生病患風險。 熱路徑的目標是盡可能接近即時傳遞。
  • 橘色 = 資料的經常性路徑。 仍然支援臨床醫生在病患護理。 資料要求通常會以手動方式或重新整理排程觸發。

Screenshot of the MedTech service and Machine Learning Service reference architecture.

資料內嵌：步驟 1 - 5

  1. 來自 IoT 裝置的資料，或透過傳送至 Azure IoT 中樞/Azure IoT Edge 的裝置閘道傳送。
  2. 從 Azure IoT Edge 傳送至 Azure IoT 中樞的資料。
  3. 傳送至安全儲存環境的原始 IoT 裝置資料複本，以進行裝置管理。
  4. IoT 承載會從 Azure IoT 中樞移至醫療技術服務。 醫療技術服務圖示代表多個 Azure 服務。
  5. 第五部分的三個部分：
    1. 醫療技術服務會向 FHIR 服務要求病患資源。
    2. FHIR 服務會會向醫療技術服務傳回病患資源。
    3. IoT 病患觀察記錄在 FHIR 服務中。

Machine Learning 和 AI 資料路由：步驟 6 至 11

  1. 正規化的未群組資料流傳送至 Azure 函式 (ML 輸入)。
  2. Azure 函式 (ML 輸入) 要求病患資源與 IoT 承載合併。
  3. IoT 承載會傳送至事件中樞，以散發至 Machine Learning 運算和儲存體。
  4. IoT 承載會傳送至 Azure Data Lake Storage Gen 2，以在較長的時間範圍中評分觀察。
  5. PHI IoMT 承載會傳送至 Azure Databricks，以進行視窗化、資料調整及資料評分。
  6. Azure Databricks 會視需要從 Data Lake 要求更多病患的資料。
    1. Azure Databricks 也會將評分資料的複本傳送至 Data Lake。

通知與護理協調 – 步驟 12 - 18

最忙碌路徑

  1. Azure Databricks 會將承載傳送至 Azure 函式 (ML 輸出)。
  2. RiskAssessment 和/或 Flag 資源已提交至 FHIR 服務。
    1. 針對每個觀察視窗，RiskAssessment 資源會提交至 FHIR 服務。
    2. 對於風險評估超出可接受範圍的觀察視窗，旗標資源也應該提交至 FHIR 服務。
  3. 傳送至資料存放庫的評分資料，以路由傳送至適當的護理小組。 Azure SQL Server 是此設計中使用的資料存放庫，因為它與 Power BI 的原生互動。
  4. Power BI 儀表板會在 15 分鐘內更新風險評估輸出。

經常性路徑

  1. Power BI 會根據資料重新整理排程重新整理儀表板。 一般而言，重新整理之間的時間超過 15 分鐘。
  2. 使用目前的資料填入 Care Team 應用程式。
  3. 透過 Microsoft Teams for Healthcare Patient App 進行護理協調。

下一步

什麼是醫療技術服務？

瞭解醫療技術服務裝置資料處理階段

選擇醫療技術服務的部署方法

注意

FHIR® 是 HL7 的註冊商標，可與 HL7 的權限搭配使用。