Confira agora
Os dados são exportados do Serviço FHIR do Azure para o Azure Data Lake Gen2 usando o recurso de exportação em massa . Dados confidenciais podem ser anonimizados como parte da função de exportação. O Azure Databricks permite limpar e transformar conjuntos de dados não estruturados e combiná-los com estruturas de bancos de dados operacionais ou armazenamentos de dados.

Use técnicas escalonáveis de machine learning/deep learning para obter insights mais detalhados desses dados usando Python, R ou Scala com experiências de notebook integradas no Azure Databricks. Nesta solução, usamos Databricks para combinar conjuntos de dados relacionados, mas diferentes, para uso em um modelo de tempo de permanência do paciente de cuidados com a saúde.

A experimentação e o desenvolvimento do modelo ocorrem no Azure Databricks. A integração com o Azure ML via MLflow permite que você experimente rapidamente o rastreamento de modelo, o repositório de modelo e a implantação. Publique modelos treinados usando Azure Machine Learning Service para pontuação em lote por meio de pontos de extremidade Azure Databricks ou como um ponto final em tempo real usando Azure Container Instance ou Azure Kubernetes Service .

O Conector IoT do Azure para FHIR é um recurso opcional da API do Azure para FHIR que fornece a capacidade de ingerir dados de dispositivos IoMT (Internet of Things Medical). Como alternativa, quem deseja mais controle e flexibilidade com o IoT Connector, o FHIR IoMT Connector for Azure é um projeto de código aberto para ingerir dados de dispositivos IoMT e persistir os dados no servidor FHIR®. Um modelo de implantação simplificado está disponível aqui .