Questa soluzione di Azure aiuta gli amministratori in ambito ospedaliero a sfruttare i vantaggi di Machine Learning per prevedere la durata della degenza per le accettazioni all'ospedale, in modo da migliorare la pianificazione della capacità e l'utilizzo delle risorse. Un chief medical information officer potrebbe usare un modello predittivo per determinare quali strutture sono sovrastassate e quali risorse rafforzare all'interno di tali strutture. Un responsabile della linea di assistenza potrebbe usare un modello per determinare se ci sono risorse del personale adeguate per gestire il rilascio di un paziente.
Architettura
Scaricare un file di Visio di questa architettura.
Flusso di dati
Il flusso di dati seguente corrisponde al diagramma precedente:
I dati di integrità anonimi provenienti dai record sanitari elettronici (EHR) e dalle cartelle cliniche elettroniche (EMR) vengono estratti usando Azure Data Factory con il runtime appropriato (ad esempio, Azure, Self-hosted). In questo scenario si presuppone che i dati anonimi siano accessibili per l'estrazione batch usando uno dei connettori di Azure Data Factory, ad esempio ODBC, Oracle, SQL. Altre origini dati, ad esempio i dati FHIR, possono richiedere l'inclusione di un servizio di inserimento intermedio, ad esempio Funzioni di Azure.
I dati di Azure Data Factory passano attraverso Data Factory in Azure Data Lake Storage (generazione 2). Durante questo processo non vengono archiviati dati in Azure Data Factory e possono essere gestiti o ripetuti errori come le connessioni eliminate durante questo passaggio.
Azure Machine Learning viene usato per applicare algoritmi/pipeline di Machine Learning ai dati inseriti nel passaggio 2. Gli algoritmi possono essere applicati in base a eventi, pianificati o manualmente a seconda dei requisiti. In particolare, ciò include:
3.1 Training : i dati inseriti vengono usati per eseguire il training di un modello di Machine Learning usando una combinazione di algoritmi come la regressione lineare e l'albero delle decisioni con boosting del gradiente. Questi algoritmi vengono forniti tramite diversi framework (ad esempio scikit-learn) in genere in una pipeline e possono includere passaggi della pipeline di pre/post-elaborazione. Ad esempio, i fattori di integrità dei pazienti, ad esempio il tipo di ammissione proveniente dal pre-elaborato esistente (ad esempio, eliminare righe Null) i dati EMR/EHR possono essere usati per eseguire il training di un modello di regressione come Linear Regression. Il modello sarebbe quindi in grado di stimare una nuova durata del paziente.
3.2 Convalida : le prestazioni del modello vengono confrontate con i modelli/dati di test esistenti e anche rispetto a qualsiasi destinazione di consumo downstream, ad esempio le API (Application Programming Interface).
3.3 Distribuire : il modello viene incluso in un pacchetto usando un contenitore da usare in ambienti di destinazione diversi.
3.4 Monitoraggio : le stime del modello vengono raccolte e monitorate per garantire che le prestazioni non diminuiscano nel tempo. Gli avvisi possono essere inviati per attivare il training manuale o automatizzato o gli aggiornamenti al modello in base alle esigenze usando questi dati di monitoraggio. Si noti che potrebbero essere necessari servizi aggiuntivi come Monitoraggio di Azure, a seconda del tipo di dati di monitoraggio estratti.
Flussi di output di Azure Machine Learning ad Azure Synapse Analytics. L'output del modello (durata prevista del paziente) viene combinato con i dati dei pazienti esistenti in un livello scalabile, che serve come un pool SQL dedicato per il consumo downstream. Analisi aggiuntive, ad esempio la durata media del soggiorno per ospedale, possono essere eseguite tramite Synapse Analytics a questo punto.
Azure Synapse Analytics fornisce dati a Power BI. In particolare, Power BI si connette al livello di servizio nel passaggio (4) per estrarre i dati e applicare una modellazione semantica aggiuntiva necessaria.
Power BI viene usato per l'analisi da parte del responsabile della linea di assistenza e del coordinatore delle risorse ospedaliere.
Componenti
Azure Data Factory (ADF) offre un servizio di orchestrazione e integrazione dei dati serverless completamente gestito in grado di integrare visivamente origini dati con più di 90 connettori predefiniti e senza manutenzione senza costi aggiuntivi. In questo scenario ADF viene usato per inserire dati e orchestrare i flussi di dati.
Azure Data Lake (ADLS) offre un data lake sicuro scalabile per l'analisi ad alte prestazioni. In questo scenario ADLS viene usato come livello di archiviazione dati scalabile e conveniente.
I servizi di Azure Machine Learning (AML) accelerano il ciclo di vita di Machine Learning per la previsione DI LOS end-to-end:
- Offrire ai data scientist e agli sviluppatori un'ampia gamma di esperienze produttive per creare, formare e distribuire modelli di Machine Learning e promuovere la collaborazione in team.
- Accelerazione del time-to-market con MLOps leader del settore, ovvero operazioni di Machine Learning o DevOps per l'apprendimento automatico.
- Innovazione in una piattaforma sicura e attendibile, progettata per l'apprendimento automatico responsabile.
In questo scenario, AML è il servizio usato per produrre il modello usato per stimare la durata del periodo di permanenza del paziente e per gestire il ciclo di vita del modello end-to-end.
Azure Synapse Analytics: un servizio di analisi illimitato che riunisce l'integrazione dei dati, il data warehousing aziendale e l'analisi dei Big Data. In questo scenario, Synapse viene usato per incorporare le stime del modello nel modello di dati esistente e anche per fornire un livello di gestione ad alta velocità per l'utilizzo downstream.
Power BI offre analisi self-service su scala aziendale, consentendo di:
- Creare una cultura basata sui dati con business intelligence per tutti.
- Mantenere i dati protetti con funzionalità di sicurezza dei dati leader del settore, tra cui l'etichettatura della riservatezza, la crittografia end-to-end e il monitoraggio degli accessi in tempo reale.
In questo scenario Power BI viene usato per creare dashboard dell'utente finale e applicare qualsiasi modellazione semantica necessaria in tali dashboard.
Alternative
- I servizi Spark, ad esempio Azure Synapse Analytics Spark e Azure Databricks , possono essere usati come alternativa per eseguire l'apprendimento automatico, a seconda del set di competenze e della scalabilità dei dati del team di data science.
- MLFlow può essere usato per gestire il ciclo di vita end-to-end come alternativa ad Azure Machine Learning a seconda del set di competenze/ambiente dei clienti.
- Le pipeline di Azure Synapse Analytics possono essere usate come alternativa ad Azure Data Factory nella maggior parte dei casi, a seconda dell'ambiente specifico del cliente.
Dettagli dello scenario
Per le persone che gestiscono una struttura sanitaria, la durata del soggiorno (LOS) - il numero di giorni dall'ammissione del paziente alla dimissione - conta. Tuttavia, tale numero può variare tra le strutture e tra le condizioni e le specialità della malattia, anche all'interno dello stesso sistema sanitario, rendendo difficile tenere traccia del flusso dei pazienti e pianificare di conseguenza.
Questa soluzione consente un modello predittivo per LOS per i ricoveri in ospedale. LOS è definito in numero di giorni dalla data di ammissione iniziale alla data in cui il paziente viene scaricato da una determinata struttura ospedaliera. Ci può essere una variazione significativa di LOS in varie strutture, condizioni di malattia e specialità, anche all'interno dello stesso sistema sanitario.
Studi come la durata della permanenza dei pazienti in relazione alla qualità dell'assistenza? hanno dimostrato che un LOS più a lungo regolata dal rischio è correlato alla qualità dell'assistenza ricevuta più bassa. La previsione avanzata di LOS al momento dell'ammissione può migliorare la qualità dell'assistenza dei pazienti, fornendo ai provider un LOS previsto che possono usare come metrica per confrontare il paziente corrente LOS. Ciò può aiutare a garantire che i pazienti con più tempo del previsto LOS ricevano l'attenzione appropriata. La stima LOS aiuta anche a pianificare accuratamente gli scarichi, con conseguente riduzione di varie altre misure di qualità, ad esempio le riammissioni.
Potenziali casi d'uso
Ci sono due diversi utenti aziendali nella gestione ospedaliera che possono aspettarsi di beneficiare di stime più affidabili della durata del soggiorno, nonché delle famiglie dei pazienti:
- Il chief medical information officer (CMIO), che si divide tra informatica/tecnologia e professionisti del settore sanitario in un'organizzazione sanitaria. Questo ruolo richiede in genere l'uso di analisi per determinare se le risorse sono allocate in modo appropriato in una rete ospedaliera. Il CMIO deve essere in grado di determinare quali strutture sono sovrastassate e in particolare quali risorse in tali strutture potrebbero dover essere sostenute per riallineare tali risorse con la domanda.
- Il responsabile della linea di assistenza, che è direttamente coinvolto nell'assistenza dei pazienti. Questo ruolo richiede il monitoraggio dello stato dei singoli pazienti e la garanzia che il personale sia disponibile per soddisfare i requisiti di assistenza specifici dei pazienti. Il responsabile della linea di assistenza può prendere decisioni mediche accurate e allineare le risorse giuste in anticipo. Ad esempio, la possibilità di stimare LOS:
- come valutazione iniziale del rischio dei pazienti è fondamentale per una migliore pianificazione e allocazione delle risorse, soprattutto quando le risorse sono limitate, come nelle unità di analisi di emergenza.
- consente ai responsabili della linea di assistenza di determinare se le risorse del personale saranno adeguate per gestire il rilascio di un paziente.
- La previsione del LOS in ICU è utile anche per i pazienti e le loro famiglie, nonché per le compagnie assicurative. Una data prevista per la demissione dall'ospedale aiuta i pazienti e le loro famiglie a comprendere e stimare i costi medici. Questo dà anche alle famiglie un'idea della velocità di recupero di un paziente e li aiuta a pianificare lo scarico e gestire i loro budget.
Considerazioni
Queste considerazioni implementano i pilastri di Azure Well-Architected Framework, che è un set di principi guida che possono essere usati per migliorare la qualità di un carico di lavoro. Per altre informazioni, vedere Microsoft Azure Well-Architected Framework.
Ottimizzazione dei costi
L'ottimizzazione dei costi riguarda l'analisi dei modi per ridurre le spese non necessarie e migliorare l'efficienza operativa. Per altre informazioni, vedere Panoramica del pilastro di ottimizzazione dei costi.
Il componente più costoso di questa soluzione è il calcolo e esistono diversi modi per ridimensionare il calcolo in modo conveniente con il volume di dati. Un esempio consiste nell'usare un servizio Spark come Azure Synapse Analytics Spark o Azure Databricks per il lavoro di progettazione dei dati, anziché una soluzione a nodo singolo. Spark si ridimensiona orizzontalmente ed è più conveniente rispetto alle soluzioni a nodo singolo con scalabilità verticale di grandi dimensioni.
I prezzi per tutti i componenti di Azure configurati in questa architettura sono disponibili in questa stima salvata dal Calcolatore prezzi di Azure. Questa stima è configurata per mostrare i costi iniziali e mensili stimati, per un'implementazione di base che viene eseguita dalle 9:00 alle 17:00 dal lunedì al venerdì.
Eccellenza operativa
L'eccellenza operativa copre i processi operativi che distribuiscono un'applicazione e la mantengono in esecuzione nell'ambiente di produzione. Per altre informazioni, vedere Panoramica del pilastro dell'eccellenza operativa.
Una solida pratica e implementazione delle operazioni di Machine Learning (MLOps) svolge un ruolo fondamentale nella produzione di questo tipo di soluzione. Per altre informazioni, vedere Operazioni di Machine Learning (MLOps).
Efficienza prestazionale
L'efficienza delle prestazioni è la capacità di dimensionare il carico di lavoro per soddisfare in modo efficiente le richieste poste dagli utenti. Per altre informazioni, vedere Panoramica del pilastro dell'efficienza delle prestazioni.
In questo scenario, la pre-elaborazione dei dati viene eseguita in Azure Machine Learning. Anche se questa progettazione funzionerà per volumi di dati di piccole e medie dimensioni, volumi di dati o scenari di grandi dimensioni con contratti di servizio quasi in tempo reale potrebbero avere difficoltà dal punto di vista delle prestazioni. Un modo per risolvere questo tipo di preoccupazione consiste nell'usare un servizio Spark come Azure Synapse Analytics Spark o Azure Databricks per carichi di lavoro di data engineering o data science. Spark ridimensiona orizzontalmente e viene distribuito per progettazione, consentendo di elaborare set di dati di grandi dimensioni in modo molto efficace.
Sicurezza
La sicurezza offre garanzie contro attacchi intenzionali e l'abuso di dati e sistemi preziosi. Per altre informazioni, vedere Panoramica del pilastro della sicurezza.
Importante
Questa architettura funzionerà con dati di integrità anonimi e non anonimi. Tuttavia, per un'implementazione sicura, è consigliabile che i dati di integrità vengano originati in forma anonima dalle origini EHR e EMR.
Per altre informazioni sulle funzionalità di sicurezza e governance disponibili per Azure Machine Learning, vedere Sicurezza e governance aziendali per Azure Machine Learning
Collaboratori
Questo articolo viene gestito da Microsoft. Originariamente è stato scritto dai seguenti contributori.
Autori principali:
- Dhanshri Altro | Principal Cloud Solution Architect
- DJ Dean | Principal Cloud Solution Architect
Per visualizzare i profili LinkedIn non pubblici, accedere a LinkedIn.
Passaggi successivi
Tecnologie e risorse correlate all'implementazione di questa architettura:
- Provare le guide introduttive e le esercitazioni disponibili per i servizi di Azure indicati in questa architettura:
- Risorse di Microsoft Cloud per il settore sanitario :
- Informazioni sulla gestione dei dati
- Provare una delle soluzioni di gestione dei dati disponibili in Microsoft Cloud Solution Center
- Esaminare le architetture di riferimento disponibili, incluse le caratteristiche dei dati sanitari
Risorse correlate
Vedere altri contenuti del Centro architetture di Azure correlati a questa architettura: