De meses a minutos: Construindo pipelines de dados clínicos em tempo real com linguagem natural

Este post foi coescrito por Assunta Carey-Saylor (Senior Product Marketing na Redox), Tim Kessler (Field Chief Technology Officer na Redox) e Matt Giglia (Forward Deployed Engineer para Healthcare & Life Sciences na Databricks)

A maioria das equipes de dados de saúde passa meses construindo e mantendo pipelines para mover dados de sistemas de EHR para seu ambiente de análise. Mesmo após a conclusão desse trabalho, os dados geralmente são roteados por camadas intermediárias de armazenamento antes de serem processados, introduzindo latência que limita casos de uso em tempo real.

O resultado é um sistema complexo de manter e lento demais para agir.

Databricks e Redox se uniram para mudar esse modelo, removendo duas barreiras principais:

• A complexidade de construir integrações de dados de saúde
• A latência para inserir dados no ambiente de análise

Agora, as equipes podem configurar pipelines de dados clínicos em tempo real usando prompts de linguagem natural diretamente no Databricks, simplificando como os dados são acessados e ativados.

Resumindo: Databricks e Redox permitem que equipes de saúde construam pipelines de dados clínicos em tempo real usando linguagem natural, transmitam dados para ambientes de nuvem com latência inferior a um segundo e escrevam saídas de IA de volta para o EHR para impulsionar ações no ponto de atendimento.

O Problema: A Estratégia de IA é Bloqueada pela Integração + Latência

Organizações de saúde estão sob pressão para operacionalizar a IA, mas a execução consistentemente trava na integração de dados clínicos.

Antes que qualquer modelo ou fluxo de trabalho possa ser implantado, as equipes devem se integrar aos sistemas de EHR, normalizar formatos como HL7, CCD e X12, e construir pipelines de ETL. Esse trabalho consome muito tempo e requer conhecimento especializado.

Mesmo após a implementação dos pipelines, os dados frequentemente fluem por camadas intermediárias de armazenamento antes de chegar ao Databricks, adicionando latência e sobrecarga operacional. O que é rotulado como “tempo real” se torna atrasado, e as equipes de engenharia continuam focadas na infraestrutura em vez de fornecer insights.

Como resultado, as iniciativas de IA param e o tempo para obter insights se estende de semanas para meses.

Uma Nova Abordagem

O Zerobus Ingest da Databricks e o MCP Server da Redox introduzem uma abordagem diferente para construir e operar pipelines de dados clínicos no Databricks.

O MCP Server da Redox permite que as equipes criem e gerenciem integrações usando linguagem natural, reduzindo o tempo e a complexidade envolvidos na construção de novos pipelines de dados. O Zerobus transmite dados clínicos diretamente para tabelas gerenciadas do Databricks Unity Catalog com latência inferior a um segundo, eliminando a necessidade de camadas intermediárias de armazenamento ou fluxos de trabalho para carregar os arquivos para processamento.

Juntos, eles mudam tanto a forma como os pipelines são construídos quanto a rapidez com que os dados se tornam utilizáveis. A integração é definida por meio de prompts em vez de código, e os dados estão disponíveis para processamento à medida que são gerados. Isso significa que as equipes podem se conectar a sistemas de EHR, transmitir dados clínicos e ativar fluxos de trabalho diretamente no Databricks.

O que isso parece na prática

Dentro da plataforma Databricks, um usuário se conecta ao MCP Server da Redox e começa com um prompt. Em poucas interações:

• O sistema identifica ambientes e conjuntos de dados disponíveis
• Sugere os próximos passos para concluir o fluxo de trabalho
• Executa tarefas de integração entre sistemas
• Apresenta sinais de validação como logs e resumos de desempenho

Nos bastidores, o Zerobus lida com a entrega direta de dados de streaming para o Databricks, eliminando a necessidade de camadas de staging ou ingestão em lote. Isso permite que cada etapa do fluxo de trabalho opere com dados ao vivo à medida que chegam.

Em um exemplo, o sistema recuperou uma admissão recente de paciente e retornou dados estruturados e um resumo em linguagem natural. Dados clínicos complexos tornaram-se imediatamente utilizáveis para análise e tomada de decisão downstream.

Figura 1. O sistema resumiu uma admissão recente de paciente em inglês claro.

De Meses para Minutos: Acelerando o Tempo para Insights

O que antes exigia semanas ou meses de trabalho de integração agora pode ser iniciado em minutos, tudo usando linguagem natural, sem sair do Databricks.

Ao eliminar etapas intermediárias de pouso de dados com o Zerobus e simplificar a criação de pipelines por meio de prompts de linguagem natural, as organizações podem reduzir drasticamente a latência e o tempo de desenvolvimento. Isso permite que as equipes validem casos de uso de IA mais rapidamente, encurtem os ciclos de desenvolvimento e passem da experimentação para a produção com mais agilidade.

A integração não é mais o fator limitante, e a latência dos dados não é mais a restrição limitante.

Reduzindo a Dependência de Conhecimento Especializado

A integração em saúde tradicionalmente exigia profundo conhecimento em HL7, APIs e orquestração de dados.

Com o MCP Server da Redox, grande parte dessa complexidade é abstraída. As organizações podem reduzir sua dependência de especialistas em HL7 e integradores, permitindo que equipes mais amplas trabalhem com dados clínicos.

Cientistas de dados e engenheiros de ML podem se concentrar na construção de modelos e na geração de insights em vez de gerenciar pipelines de ETL. As equipes de engenharia podem passar de manter integrações para habilitar novas capacidades.

O foco muda de “como obtemos os dados” para “como usamos os dados”.

Habilitando Inteligência Clínica em Tempo Real

Com o Zerobus, os dados clínicos chegam ao Databricks com latência inferior a um segundo, sem camadas intermediárias de armazenamento ou processamento em lote. Isso permite que o FHIR seja tratado como sempre deveria ser – como transacional e enviado para endpoints de API REST. Por exemplo, um plano de saúde ou organização provedora pode enviar pacotes específicos de autorização prévia através do Redox diretamente para um endpoint de API REST dedicado onde ele precisa estar no Databricks, em vez de primeiro ser armazenado em um FHIR Store ou como um arquivo JSON FHIR substanciado.

Isso permite que frameworks de Agentes de ML e IA processem solicitações e respostas de autorização prévia instantaneamente. Ao contornar a necessidade de puxadas de dados adicionais ou o complexo ETL necessário para analisar arquivos JSON FHIR brutos, esses sistemas podem capturar e agir na jornada do paciente à medida que ela se desenrola, não depois.

Combinado com as capacidades de escrita de volta do EHR da Redox, esses insights podem ser operacionalizados diretamente nos fluxos de trabalho clínicos. Saídas geradas por IA podem ser escritas de volta no EHR em tempo real, fechando o ciclo entre dados, inteligência e ação no ponto de atendimento. Isso expande o Databricks de um sistema de análise para uma camada de aplicação para operações de saúde, onde pipelines de dados e modelos de IA não apenas informam decisões, mas impulsionam ativamente intervenções dentro dos sistemas clínicos principais.

Isso desbloqueia uma nova classe de casos de uso em tempo real:

• Acompanhar o estado do paciente em tempo real
  Atualizar continuamente admissões, transferências, altas e eventos clínicos conforme eles acontecem

• Otimizar a capacidade à medida que as condições mudam
  Usar sinais de movimento e censo de pacientes ao vivo para melhorar o gerenciamento de leitos, a equipe e o rendimento

• Disparar intervenções no momento certo
  Engajar pacientes, equipes de atendimento ou sistemas com base em sinais clínicos ao vivo, em vez de relatórios atrasados

• Detectar risco à medida que ele surge
  Identificar deterioração, lacunas no atendimento ou gargalos operacionais enquanto ainda há tempo para responder

Agora, as organizações de saúde podem operar com maior agilidade e capacidade de resposta, alinhando seus fluxos de dados com o ritmo da prestação de cuidados ao paciente.

Por que isso funciona: uma base confiável sobre a qual a IA pode agir

Essa capacidade depende de uma base de dados clínicos confiável e padronizada. A Redox fornece a camada padronizada para a troca de dados de saúde entre EHRs e outros sistemas downstream por meio de uma única plataforma e API.

Zerobus garante que esses dados cheguem ao Databricks sem demora. O Redox MCP Server torna esses dados acessíveis e acionáveis em linguagem natural, traduzindo a intenção em execução, ao mesmo tempo que impõe controles de segurança, conformidade e operacionais em nível corporativo.

Juntos, eles criam uma camada de execução em tempo real para fluxos de dados clínicos e de IA.

Além dos pipelines: construindo o "Agente Redox"

E não paramos na ingestão de dados. Como o Redox MCP server fica ao lado do Databricks Genie Spaces sobre os dados clínicos, as equipes de IA agora podem criar Agentes Redox no Databricks.

Esses agentes especializados são capazes de:

• Revisar logs da plataforma Redox para solucionar problemas ou auditar fluxos de dados em tempo real.
• Responder a perguntas sobre os dados clínicos enviados pela Redox usando linguagem natural.
• Incorporar inteligência diretamente em aplicações clínicas, mantendo a governança rigorosa, segurança e rastreabilidade que a saúde corporativa exige.

Ao combinar o poder do Redox MCP e do Genie, as equipes podem ir além da simples movimentação de dados para criar interfaces conversacionais e inteligentes que se integram ao fluxo de trabalho existente do provedor.

Veja em Ação

Em um próximo webinar da Redox e Databricks em 30 de abril, demonstraremos como Zerobus e o MCP Server trabalham juntos para entregar pipelines de dados em tempo real dentro do Databricks.

Você verá como as equipes podem ir da intenção à execução usando linguagem natural, enquanto operam em dados ao vivo com latência de subsegundo.

Registre-se aqui para explorar como essa abordagem se aplica à sua organização.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original