Prever o tempo de internação e o fluxo do paciente

Azure Data Factory
Azure Data Lake Storage
Azure Machine Learning
Azure Synapse Analytics
Power BI

Esta solução do Azure ajuda os administradores dos hospitais a utilizar o poder do machine learning para prever a duração da estadia para as admissões ao hospital, com o objetivo de melhorar o planeamento da capacidade e a utilização de recursos. Um diretor de informações médicas pode usar um modelo preditivo para determinar quais instalações estão sobrecarregadas e quais recursos reforçar dentro dessas instalações. Um gerente de linha de cuidados pode usar um modelo para determinar se há recursos de pessoal adequados para lidar com a liberação de um paciente.

Arquitetura

Diagrama da arquitetura de monitoramento remoto de pacientes usando dispositivos de saúde e serviços do Azure.

Transfira um ficheiro do Visio desta arquitetura.

Fluxo de dados

O seguinte fluxo de dados corresponde ao diagrama acima:

  1. Os dados de saúde anonimizados de registos de saúde eletrónicos (EHR) e registos médicos eletrónicos (EMR) são extraídos utilizando o Azure Data Factory com o tempo de execução adequado (por exemplo: Azure, Auto-alojado). Nesse cenário, assumimos que dados anonimizados estejam acessíveis para extração em lote usando um dos conectores do Azure Data Factory, como ODBC, Oracle e SQL. Outras fontes de dados, como dados FHIR, podem exigir a inclusão de um serviço de ingestão intermediário, como o Azure Functions.

  2. Os dados do Azure Data Factory fluem através do Data Factory para o Azure Data Lake Storage (gen 2). Nenhum dado é armazenado no Azure Data Factory durante esse processo, e falhas como conexões interrompidas podem ser tratadas/repetidas durante esta etapa.

  3. O Azure Machine Learning é usado para aplicar algoritmos/pipelines de aprendizado de máquina aos dados ingeridos na etapa 2. Os algoritmos podem ser aplicados com base em eventos, agendados ou manualmente, dependendo dos requisitos. Especificamente, isto inclui:

    3.1 Trem - Os dados ingeridos são usados para treinar um modelo de aprendizado de máquina usando uma combinação de algoritmos como regressão linear e árvore de decisão impulsionada por gradiente. Esses algoritmos são fornecidos por meio de várias estruturas (por exemplo, scikit-learn) normalmente em um pipeline, e podem incluir etapas de pipeline pré/pós-processamento. Como exemplo, fatores de saúde do paciente, como o tipo de admissão proveniente dos dados EMR/EHR pré-processados (por exemplo, linhas nulas de queda) existentes, poderiam ser usados para treinar um modelo de regressão como a Regressão Linear. O modelo seria então capaz de prever o tempo de internação de um novo paciente.

    3.2 Validar - O desempenho do modelo é comparado com modelos existentes/dados de teste, e também com quaisquer metas de consumo a jusante, como interfaces de programação de aplicativos (APIs).

    3.3 Implantar - O modelo é empacotado usando um contêiner para uso em diferentes ambientes de destino.

    3.4 Monitor - As previsões do modelo são coletadas e monitoradas para garantir que o desempenho não se degrade com o tempo. Os alertas podem ser enviados para acionar o retreinamento/atualizações manuais ou automatizados para o modelo, conforme necessário, usando esses dados de monitoramento. Observe que serviços adicionais, como o Azure Monitor, podem ser necessários, dependendo do tipo de dados de monitoramento extraídos.

  4. A saída do Azure Machine Learning flui para o Azure Synapse Analytics. A saída do modelo (tempo previsto de permanência do paciente) é combinada com os dados existentes do paciente em uma camada escalável e de serviço, como um pool SQL dedicado para consumo downstream. Análises adicionais, como o tempo médio de internação por hospital, podem ser feitas via Synapse Analytics neste momento.

  5. O Azure Synapse Analytics fornece dados ao Power BI. Especificamente, o Power BI se conecta à camada de serviço na etapa (4) para extrair os dados e aplicar a modelagem semântica adicional necessária.

  6. O Power BI é usado para análise pelo gerente de linha de cuidados e coordenador de recursos hospitalares.

Componentes

  • O Azure Data Factory (ADF) fornece um serviço de integração e orquestração de dados totalmente gerenciado e sem servidor, capaz de integrar visualmente fontes de dados com mais de 90+ conectores internos e isentos de manutenção sem custo adicional. Nesse cenário, o ADF é usado para ingerir dados e orquestrar os fluxos de dados.

  • O Azure Data Lake (ADLS) fornece um data lake seguro escalável para análises de alto desempenho. Nesse cenário, o ADLS é usado como uma camada de armazenamento de dados escalável e econômica.

  • Os serviços do Azure Machine Learning (AML) aceleram o ciclo de vida completo do aprendizado de máquina de previsão de LOS ao:

    • Capacitando cientistas de dados e desenvolvedores com uma ampla gama de experiências produtivas para criar, treinar e implantar modelos de aprendizado de máquina e promover a colaboração em equipe.
    • Acelerando o tempo de comercialização com MLOps líderes do setor — operações de aprendizado de máquina ou DevOps para aprendizado de máquina.
    • Inovando em uma plataforma segura e confiável, projetada para aprendizado de máquina responsável.

    Nesse cenário, a LMA é o serviço usado para produzir o modelo usado para prever o tempo de permanência do paciente e para gerenciar o ciclo de vida do modelo de ponta a ponta.

  • Azure Synapse Analytics: um serviço de análise ilimitado que reúne integração de dados, armazenamento de dados corporativos e análise de big data. Nesse cenário, o Synapse é usado para incorporar as previsões do modelo no modelo de dados existente e também para fornecer uma camada de serviço de alta velocidade para consumo a jusante.

  • O Power BI fornece análises de autoatendimento em escala empresarial, permitindo que você:

    • Crie uma cultura orientada por dados com business intelligence para todos.
    • Mantenha seus dados seguros com recursos de segurança de dados líderes do setor, incluindo rotulagem de sensibilidade, criptografia de ponta a ponta e monitoramento de acesso em tempo real.

    Nesse cenário, o Power BI é usado para criar painéis de usuário final e aplicar qualquer modelagem semântica necessária nesses painéis.

Alternativas

  • Os serviços do Spark, como o Azure Synapse Analytics Spark e o Azure Databricks , podem ser usados como uma alternativa para executar o aprendizado de máquina, dependendo da escala de dados e do conjunto de habilidades da equipe de ciência de dados.
  • O MLFlow pode ser usado para gerenciar o ciclo de vida de ponta a ponta como uma alternativa ao Azure Machine Learning, dependendo do conjunto de habilidades/ambiente do cliente.
  • Os pipelines do Azure Synapse Analytics podem ser usados como uma alternativa ao Azure Data Factory na maioria dos casos, dependendo em grande parte do ambiente específico do cliente.

Detalhes do cenário

Para as pessoas que administram uma unidade de saúde, o tempo de permanência (LOS) – o número de dias desde a admissão do paciente até a alta – é importante. No entanto, esse número pode variar entre instalações e entre condições de doença e especialidades, mesmo dentro do mesmo sistema de saúde, dificultando o acompanhamento do fluxo de pacientes e o planejamento adequado.

Esta solução permite um modelo preditivo para LOS para admissões intra-hospitalares. A LOS é definida em número de dias desde a data inicial de admissão até a data em que o paciente recebe alta de qualquer estabelecimento hospitalar. Pode haver uma variação significativa de LOS em várias instalações, condições de doença e especialidades, mesmo dentro do mesmo sistema de saúde.

Estudos como O tempo de internação do paciente está relacionado à qualidade do atendimento?, mostraram que uma LOS mais longa ajustada ao risco está correlacionada com a menor qualidade dos cuidados recebidos. A previsão avançada de LOS no momento da admissão pode melhorar a qualidade do atendimento ao paciente, dando aos provedores um LOS esperado que eles podem usar como uma métrica para comparar com o LOS atual do paciente. Isso pode ajudar a garantir que os pacientes com LOS mais longo do que o esperado recebam atenção adequada. A previsão de LOS também ajuda com o planejamento preciso para altas, resultando na redução de várias outras medidas de qualidade, como readmissões.

Potenciais casos de utilização

Existem dois utilizadores empresariais diferentes na gestão hospitalar que podem esperar beneficiar de previsões mais fiáveis do tempo de permanência, bem como das famílias dos doentes:

  • O Chief Medical Information Officer (CMIO), que atravessa a divisão entre informática/tecnologia e profissionais de saúde numa organização de cuidados de saúde. As suas obrigações incluem a utilização da análise para determinar se os recursos estão a ser alocados adequadamente numa rede hospitalar. A CMIO precisa ser capaz de determinar quais instalações estão sendo sobretaxadas e, especificamente, quais recursos nessas instalações podem precisar ser reforçados para realinhar esses recursos com a demanda.
  • O gestor da linha de cuidados, que está diretamente envolvido com o cuidado dos pacientes. Esta função exige a monitorização do estado de cada doente e a garantia de que o pessoal está disponível para satisfazer as necessidades específicas de cuidados dos seus doentes. O gerente da linha de cuidados pode tomar decisões médicas precisas e alinhar os recursos certos com bastante antecedência. Por exemplo, a capacidade de prever LOS:
    • como uma avaliação inicial do risco dos pacientes é fundamental para um melhor planejamento e alocação de recursos, especialmente quando os recursos são limitados, como nas UTIs.
    • permite que os gerentes da linha de cuidados determinem se os recursos da equipe serão adequados para lidar com a liberação de um paciente.
  • Prever o LOS na UTI também é benéfico para os pacientes e suas famílias, bem como para as companhias de seguros. Uma data prevista para a alta hospitalar ajuda os pacientes e suas famílias a entender e estimar os custos médicos. Isso também dá às famílias uma ideia sobre a velocidade de recuperação de um paciente e as ajuda a planejar a alta e gerenciar seus orçamentos.

Considerações

Essas considerações implementam os pilares do Azure Well-Architected Framework, que é um conjunto de princípios orientadores que podem ser usados para melhorar a qualidade de uma carga de trabalho. Para obter mais informações, consulte Microsoft Azure Well-Architected Framework.

Otimização de custos

A otimização de custos consiste em procurar formas de reduzir despesas desnecessárias e melhorar a eficiência operacional. Para obter mais informações, consulte Visão geral do pilar de otimização de custos.

O componente mais caro dessa solução é a computação e há várias maneiras de dimensionar a computação de forma econômica com o volume de dados. Um exemplo seria usar um serviço Spark como o Azure Synapse Analytics Spark ou o Azure Databricks para o trabalho de engenharia de dados, em vez de uma solução de nó único. O Spark é dimensionado horizontalmente e é mais econômico em comparação com grandes soluções de nó único dimensionadas verticalmente.

O preço de todos os componentes do Azure, conforme configurado nesta arquitetura, pode ser encontrado nesta estimativa salva da Calculadora de Preços do Azure. Esta estimativa é configurada para mostrar os custos iniciais e mensais estimados, para uma implementação básica que funciona das 9h às 17h de segunda a sexta-feira.

Excelência operacional

A excelência operacional abrange os processos operacionais que implantam um aplicativo e o mantêm em execução na produção. Para obter mais informações, consulte Visão geral do pilar de excelência operacional.

Uma sólida prática e implementação de operações de Machine Learning (MLOps) desempenha um papel crítico na produção deste tipo de solução. Para obter mais informações, consulte Operações de aprendizado de máquina (MLOps).

Eficiência de desempenho

Eficiência de desempenho é a capacidade da sua carga de trabalho para dimensionar para satisfazer as exigências que os utilizadores lhe colocam de forma eficiente. Para obter mais informações, consulte Visão geral do pilar de eficiência de desempenho.

Nesse cenário, o pré-processamento de dados é executado no Azure Machine Learning. Embora esse design funcione para volumes de dados pequenos e médios, grandes volumes de dados ou cenários com SLAs quase em tempo real podem ter dificuldades do ponto de vista do desempenho. Uma maneira de resolver esse tipo de preocupação é usar um serviço do Spark como o Azure Synapse Analytics Spark ou o Azure Databricks para cargas de trabalho de engenharia de dados ou ciência de dados. O Spark é dimensionado horizontalmente e distribuído por design, permitindo processar grandes conjuntos de dados de forma muito eficaz.

Segurança

A segurança oferece garantias contra ataques deliberados e o abuso de seus valiosos dados e sistemas. Para obter mais informações, consulte Visão geral do pilar de segurança.

Importante

Essa arquitetura funcionará com dados de saúde anonimizados e não anonimizados. No entanto, para uma implementação segura, recomendamos que os dados de saúde sejam obtidos de forma anónima a partir de fontes EHR e EMR.

Para obter mais informações sobre os recursos de segurança e governança disponíveis para o Azure Machine Learning, consulte Segurança corporativa e governança para o Azure Machine Learning

Contribuidores

Este artigo é mantido pela Microsoft. Foi originalmente escrito pelos seguintes contribuidores.

Principais autores:

  • Dhanshri Mais | Arquiteto Principal de Soluções na Nuvem
  • DJ Dean - Brasil | Arquiteto Principal de Soluções na Nuvem

Para ver perfis não públicos do LinkedIn, inicie sessão no LinkedIn.

Próximos passos

Tecnologias e recursos relacionados com a implementação desta arquitetura:

Consulte o conteúdo adicional do Centro de Arquitetura do Azure relacionado a essa arquitetura: