Da mesi a minuti: Costruzione di pipeline di dati clinici in tempo reale con linguaggio naturale

Questo post è stato scritto in collaborazione con Assunta Carey-Saylor (Senior Product Marketing presso Redox), Tim Kessler (Field Chief Technology Officer presso Redox) e Matt Giglia (Forward Deployed Engineer per Healthcare & Life Sciences presso Databricks)

La maggior parte dei team di dati sanitari trascorre mesi a costruire e mantenere pipeline per spostare i dati dai sistemi EHR nel loro ambiente di analisi. Anche dopo che il lavoro è stato completato, i dati vengono spesso instradati attraverso livelli di archiviazione intermedi prima di poter essere elaborati, introducendo una latenza che limita i casi d'uso in tempo reale.

Il risultato è un sistema complesso da mantenere e troppo lento per agire.

Databricks e Redox hanno collaborato per cambiare questo modello, rimuovendo due ostacoli principali:

• La complessità della creazione di integrazioni di dati sanitari
• La latenza nell'inserimento dei dati nell'ambiente di analisi

Ora, i team possono creare pipeline di dati clinici in tempo reale utilizzando prompt in linguaggio naturale direttamente all'interno di Databricks, semplificando l'accesso e l'attivazione dei dati.

In sintesi: Databricks e Redox consentono ai team sanitari di creare pipeline di dati clinici in tempo reale utilizzando il linguaggio naturale, trasmettere dati in ambienti cloud con latenza inferiore al secondo e scrivere output AI nuovamente nell'EHR per guidare l'azione al punto di cura.

Il problema: la strategia AI è ostacolata dall'integrazione + latenza

Le organizzazioni sanitarie sono sotto pressione per operazionalizzare l'AI, ma l'esecuzione si blocca costantemente nell'integrazione dei dati clinici.

Prima che qualsiasi modello o flusso di lavoro possa essere distribuito, i team devono integrarsi con i sistemi EHR, normalizzare formati come HL7, CCD e X12 e creare pipeline ETL. Questo lavoro richiede tempo e competenze specialistiche.

Anche dopo che le pipeline sono in atto, i dati fluiscono spesso attraverso livelli di archiviazione intermedi prima di raggiungere Databricks, aggiungendo latenza e sovraccarico operativo. Ciò che viene etichettato come "in tempo reale" diventa ritardato e i team di ingegneria rimangono concentrati sull'infrastruttura invece di fornire insight.

Di conseguenza, le iniziative AI si bloccano e il tempo per ottenere insight si estende da settimane a mesi.

Un nuovo approccio

Zerobus Ingest di Databricks e il MCP Server di Redox introducono un approccio diverso per la creazione e la gestione di pipeline di dati clinici in Databricks.

Il Redox MCP Server consente ai team di creare e gestire integrazioni utilizzando il linguaggio naturale, riducendo il tempo e la complessità necessari per creare nuove pipeline di dati. Zerobus trasmette dati clinici direttamente nelle tabelle gestite da Databricks Unity Catalog con latenza inferiore al secondo, eliminando la necessità di livelli di archiviazione intermedi o flussi di lavoro per caricare i file per l'elaborazione.

Insieme, cambiano sia il modo in cui vengono costruite le pipeline sia la rapidità con cui i dati diventano utilizzabili. L'integrazione è definita tramite prompt invece che tramite codice, e i dati sono disponibili per l'elaborazione non appena vengono generati. Ciò significa che i team possono connettersi ai sistemi EHR, trasmettere dati clinici e attivare flussi di lavoro direttamente all'interno di Databricks.

Cosa significa in pratica

All'interno della piattaforma Databricks, un utente si connette al Redox MCP Server e inizia con un prompt. Entro poche interazioni:

• Il sistema identifica gli ambienti e i set di dati disponibili
• Suggerisce i passaggi successivi per completare il flusso di lavoro
• Esegue attività di integrazione tra sistemi
• Presenta segnali di convalida come log e riepiloghi delle prestazioni

Dietro le quinte, Zerobus gestisce la consegna diretta dei dati in streaming in Databricks, eliminando la necessità di livelli di staging o ingestione batch. Ciò consente a ogni fase del flusso di lavoro di operare su dati live man mano che arrivano.

In un esempio, il sistema ha recuperato un recente ricovero di un paziente e ha restituito sia dati strutturati che un riassunto in linguaggio naturale. I complessi dati clinici sono diventati immediatamente utilizzabili per analisi e decisioni a valle.

Figura 1. Il sistema ha riassunto un recente ricovero di un paziente in inglese semplice.

Da mesi a minuti: accelerare il tempo per ottenere insight

Ciò che in precedenza richiedeva settimane o mesi di lavoro di integrazione può ora essere avviato in pochi minuti, tutto utilizzando il linguaggio naturale senza lasciare Databricks.

Eliminando i passaggi intermedi di caricamento dei dati con Zerobus e semplificando la creazione di pipeline tramite prompt in linguaggio naturale, le organizzazioni possono ridurre drasticamente sia la latenza che i tempi di sviluppo. Ciò consente ai team di convalidare i casi d'uso dell'AI più velocemente, accorciare i cicli di sviluppo e passare più rapidamente dalla sperimentazione alla produzione.

L'integrazione non è più il fattore limitante e la latenza dei dati non è più il vincolo limitante.

Ridurre la dipendenza da competenze specialistiche

L'integrazione sanitaria ha tradizionalmente richiesto una profonda competenza in HL7, API e orchestrazione dei dati.

Con il Redox MCP Server, gran parte di tale complessità viene astratta. Le organizzazioni possono ridurre la loro dipendenza da esperti HL7 e specialisti di integrazione, consentendo a team più ampi di lavorare con dati clinici.

Data scientist e ingegneri ML possono concentrarsi sulla creazione di modelli e sulla generazione di insight invece di gestire pipeline ETL. I team di ingegneria possono passare dalla manutenzione delle integrazioni all'abilitazione di nuove funzionalità.

L'attenzione si sposta da "come otteniamo i dati" a "come utilizziamo i dati".

Abilitare l'intelligenza clinica in tempo reale

Con Zerobus, i dati clinici arrivano in Databricks con latenza inferiore al secondo senza livelli di archiviazione intermedi o elaborazione batch. Ciò consente di trattare FHIR come è sempre stato inteso: come transazionale e inviato a endpoint REST API. Ad esempio, un piano sanitario o un'organizzazione sanitaria può inviare bundle specifici di autorizzazione preventiva tramite Redox direttamente a un endpoint REST API dedicato dove è necessario in Databricks, invece di finire prima in un FHIR Store o come file JSON FHIR sostanziale.

Ciò consente ai framework ML e AI Agent di elaborare richieste e risposte di autorizzazione preventiva istantaneamente. Bypassando la necessità di ulteriori estrazioni di dati o della complessa ETL richiesta per analizzare file JSON FHIR grezzi, questi sistemi possono acquisire e agire sul percorso del paziente man mano che si svolge, non dopo.

Abbinato alle capacità di scrittura indietro di Redox EHR, questi insight possono essere operazionalizzati direttamente all'interno dei flussi di lavoro clinici. Gli output generati dall'AI possono essere riscritti nell'EHR in tempo reale, chiudendo il cerchio tra dati, intelligenza e azione al punto di cura. Ciò sposta Databricks da un sistema di analisi a uno strato applicativo per le operazioni sanitarie, dove le pipeline di dati e i modelli AI non solo informano le decisioni, ma guidano attivamente gli interventi all'interno dei sistemi clinici principali.

Ciò sblocca una nuova classe di casi d'uso in tempo reale:

• Monitorare lo stato del paziente in tempo reale
  Aggiornare continuamente ricoveri, trasferimenti, dimissioni ed eventi clinici man mano che si verificano

• Ottimizzare la capacità al variare delle condizioni
  Utilizzare segnali live di movimento del paziente e censimento per migliorare la gestione dei letti, la pianificazione del personale e il throughput

• Attivare interventi al momento giusto
  Coinvolgere pazienti, team di cura o sistemi in base a segnali clinici live anziché a report ritardati

• Rilevare il rischio man mano che emerge
  Identificare deterioramenti, lacune nell'assistenza o colli di bottiglia operativi mentre c'è ancora tempo per rispondere

Ora, le organizzazioni sanitarie possono operare con maggiore agilità e reattività, allineando i propri flussi di dati al ritmo dell'assistenza al paziente.

Perché funziona: una base affidabile su cui l'IA può agire

Questa funzionalità dipende da una base di dati clinici affidabile e standardizzata. Redox fornisce il livello standardizzato per lo scambio di dati sanitari tra EHR e altri sistemi downstream attraverso una singola piattaforma e API.

Zerobus garantisce che questi dati arrivino in Databricks senza ritardi. Il Redox MCP Server rende questi dati accessibili e utilizzabili tramite linguaggio naturale traducendo l'intento in esecuzione, applicando al contempo controlli di sicurezza, conformità e operativi di livello enterprise.

Insieme, creano un livello di esecuzione in tempo reale per i dati clinici e i flussi di lavoro dell'IA.

Oltre le pipeline: la creazione dell'"Agente Redox"

E non ci fermiamo all'ingestione dei dati. Poiché il server Redox MCP si trova accanto a Databricks Genie Spaces sopra i dati clinici, i team di IA possono ora creare Agenti Redox su Databricks.

Questi agenti specializzati sono in grado di:

• Revisionare i log della piattaforma Redox per risolvere problemi o controllare i flussi di dati in tempo reale.
• Rispondere a domande sui dati clinici inviati da Redox utilizzando il linguaggio naturale.
• Incorporare l'intelligenza direttamente nelle applicazioni cliniche mantenendo la rigorosa governance, sicurezza e tracciabilità richieste dall'assistenza sanitaria enterprise.

Combinando la potenza di Redox MCP e Genie, i team possono passare dal semplice spostamento dei dati alla creazione di interfacce conversazionali e intelligenti che si integrano direttamente nel flusso di lavoro esistente del fornitore.

Vedi in azione

In un prossimo webinar Redox e Databricks il 30 aprile, presenteremo una demo di come Zerobus e MCP Server lavorano insieme per fornire pipeline di dati in tempo reale all'interno di Databricks.

Vedrai come i team possono passare dall'intento all'esecuzione utilizzando il linguaggio naturale, operando su dati live con latenza subsecondo.

Registrati qui per esplorare come questo approccio si applica alla tua organizzazione.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale