发布于: Aug 26, 2022
医疗云存储在一定的程度上解决了患者信息数据的难题，不仅有利于医生对患者的病情做出判断，更方便了医护人员监控患者的动态
医疗云存储在一定的程度上解决了患者信息数据的难题，不仅有利于医生对患者的病情做出判断，更方便了医护人员监控患者的动态。那么这类医疗系统是如何获取数据的呢，本文将会从各方面做详细的介绍。
以下是使用移动技术来管理临床试验的典型架构之一。此架构侧重于从移动渠道获取实时数据并提供处理此数据的一种方式。
* – 架构中还需要考虑数据安全性、访问控制和合规性等其他因素，这将在本文的后面部分讨论。
使用此架构来管理临床试验，包括下列五个主要步骤。
第 1 步：收集数据
全球制药企业在患者护理和临床试验中广泛使用（或正在考虑使用）移动设备、个人可穿戴设备、仪表和智能设备，从而实时提供活动跟踪、生命体征监控等目的所需的数据。输液泵、个人用透析机等设备都需要跟踪和提醒设备耗材和校准状态。远程设置管理也是此类设备的一个重要用途。临床试验中使用的最终用户移动设备会发出大量的遥测数据，需要进行实时的数据捕获、数据清理、转换和分析。
一般来说，这些设备都会链接到某个边缘节点或智能手机。这种连接提供了充足的计算资源以将数据流式传输到 Amazon Web Services IoT Core。然后，可以将 Amazon Web Services IoT Core 配置为以近乎实时的方式将数据写入 Amazon Kinesis Data Firehose。Kinesis Data Firehose 是一种完全托管的服务，向 Amazon S3 等目的地提供实时的流式传输数据。S3 提供灵活、经济实惠、按使用量付费的在线存储，在一个 Amazon Web Services 区域内的三个可用区复制您的数据。边缘节点或智能收集可以使用 Amazon Web Services IoT 开发工具包，借助 MQTT 向 Amazon Web Services IoT Core 发布和订阅设备数据。这一过程将使用 Amazon Web Services 的身份验证方法（称为“SigV4”）、基于 X.509 证书的身份验证以及基于客户创建的令牌的身份验证（通过自定义授权方）。借助这种身份验证方法，您可以将您对策略的选择映射到每个证书中，并远程控制设备或应用程序的访问权限。您还可以使用 Kinesis Data Firehose 加密功能来启用服务器端数据加密。
此外，您还可以使用图像存档与通信系统 (PACS) 来获取病例报告表 (CRF)、电子医疗记录 (EMR) 和医学影像等额外的数据。同时，您可以获取实验室数据和其他患者报告结果数据 (ePRO)。Amazon Web Services 提供多种工具和服务，以有效并且安全地连接到这些数据源，便于您以不同的数量、种类和速度提取数据。有关创建保健数据中心 (HealthCare Data Hub) 以及提取 数字医学影像和通信 (DICOM) 数据的更多信息，请参阅 Amazon Web Services 大数据博客文章 Create a Healthcare Data Hub with Amazon Web Services and Mirth Connect。
第 2 步：存储数据
从临床试验中使用的设备和可穿戴设备提取数据后，将会使用 Kinesis Data Firehose 将数据存储到 Amazon S3。这种存储的数据将作为原始的副本，可以在以后用于历史分析和模式预测。借助 Amazon S3 的生命周期策略，您可以定期将您的数据移动到 Amazon S3 Glacier 等成本更低的存储，从而进一步优化存储成本。借助 Amazon S3 Intelligent Tiering 功能，可以通过在频繁访问和不频繁访问这两个访问层级之间移动数据，在数据访问模式发生变化时自动优化成本，同时又不会影响性能或运营开销。您还可以借助 S3 上提供的各种加密选项，选择对静态数据和传输中的数据进行加密。
Amazon S3 提供高度可持久、高度可用、无限可扩展的数据存储架构，简化了大多数数据处理、备份和复制任务。
第 3 步：数据处理—快车道
收集并存储号数据的原始副本后，将会配置 Amazon S3 以向 Amazon Web Services Lambda 发布事件并通过将事件数据作为参数转交的方式调用 Lambda 函数。Lambda 函数用于从传入的数据中提取不良事件通知、医嘱遵守情况以及治疗计划管理等关键绩效指标 (KPI)。您可以使用 Lambda 来处理这些 KPI 并将它们存储在 Amazon DynamoDB，并使用静态加密，此功能支持近乎实时的临床试验状态控制面板。这将会实时提醒临床试验协调员，从而可以采取恰当的干预措施。
除此之外，借助装满医疗记录的数据仓库，您可以训练并实施机器学习模型。此模型可以预测未来哪些患者将会调换药物或者可能会出现不遵医嘱的情况。这种预测有利于临床试验协调员借助缓释策略缩小此类患者的范围。
第 4 步：数据处理 — 批量
出于历史分析和模式预测目的，将会对暂存的数据（存储在 S3 中）进行批量处理。每次将新数据添加到原始数据 S3 存储桶时，都将使用一个 Lambda 函数来触发提取、转换和加载 (ETL) 进程。此 Lambda 函数会触发一个使用 Amazon Web Services Glue 的 ETL 进程，Amazon Web Services Glue 是一种 ETL 服务，它可方便您准备和加载分析所需的数据。这种方法有利于挖掘当前数据和历史数据，从而得出可行动的见解，存储在 Amazon S3 中。
然后将数据从这里加载到 Amazon Redshift，后者是 Amazon Web Services 提供的一种经济实惠的 PB 级数据仓库。您还可以使用 Amazon Redshift Spectrum 将数据仓库扩展到 EB 级，但无需向 Amazon Redshift 加载任何数据，详情请参阅大数据博客文章 Amazon Redshift Spectrum 将数据仓库扩展到 EB 级别且无需加载。这让您可以为临床试验协调员提供囊括整个临床试验的完整画面，便于您更快做出反应和应对。
除此之外，您还可以训练并实施机器学习模型来识别可能会面临遵守医嘱风险的患者。从而便于临床试验协调员加强患者教育和支持。
第 5 步：可视化显示数据并依据数据采取行动
处理完数据并做好使用数据的准备后，您可以使用 Amazon QuickSight，这是 Amazon Web Services 提供的一种原生云商业智能服务，它提供原生的 Amazon Redshift 连接能力。Amazon QuickSight 属于无服务器服务，可以在几小时内完成向受众的部署。您还可以使用多种第三方报告工具，这些工具可以使用 Amazon Web Services 提供的 JDBC 或 ODBC 驱动程序或开源 PostgreSQL 驱动程序以连接到 Amazon Redshift。这些工具包括 TIBCO Spotfire Analytics、Tableau Server、Qlik Sense Enterprise、Looker 等等。实时数据处理（前面的第 3 步）与历史视图批量处理结合（第 4 步）。两者的结合可以帮助合同研究组织 (CRO)、研究管理机构、试验协调员以及参与临床试验的其他实体按照以前无法获得的速度和频率做出有效、稳妥的决策。借助 Amazon QuickSight 独特的按次付费定价模式，您可以仅在用户访问控制面板时付费，从而优化突发性使用量模式的成本。
借助 Amazon Simple Notification Service (Amazon SNS)，可以依据传入的数据和遥测数据，通过短信、移动推送和电子邮件等方式向患者发送实时反馈。此外，研究管理机构和协调员还可以向患者发送 Amazon SNS 通知。Amazon SNS 为微服务、分布式系统和无服务器应用程序提供完全托管的消息发布/订阅服务。它旨在满足高吞吐量、基于发布的多对多消息收发需求。提醒和通知可以基于当前数据或者当前数据或历史数据的组合。
如要加密发布到 Amazon SNS 的消息，您可以遵循博文 Encrypting messages published to Amazon SNS with Amazon Web Services KMS 中所列的步骤（详见 Amazon Web Services 计算博客）。
相关文章