Skip to main content

Hitachi

Social Innovation

    • Analytik
    • Gesundheitswesen

    Lösungen für die Gesundheitsprobleme der modernen Gesellschaft

    Steigende Zahlen bei verschiedensten Krankheiten. Wachsende, regionale Unterschiede in der Pflege, zunehmende Kosten für die medizinische Versorgung. Dies sind nur einige der Probleme der modernen Gesellschaft. Die passende Lösung verlangt individuell zugeschnittene Gesundheitsdienstleistungen, die die Lebensqualität erhalten und verbessern. Sie gewährleisten auch ein effizientes Pflegemanagement. Darüber hinaus bedarf es nachhaltiger, sozialer Gesundheitssysteme - nur Fortschritte im Bereich der Medizintechnologie allein reichen dafür nicht aus. Der Weg dorthin führt über die Integration fortschrittlicher IT- und Sozialinfrastrukturtechnologien; verlangt die Digitalisierung von Informationen über das Verhalten der Menschen und den Zustand von Objekten sowie Innovationen; wird Künstliche Intelligenz (KI) involvieren und Datenanalyse sowie Steuerungstechnologien notwendig machen.

    Hitachi identifizierte deshalb das Gesundheitswesen als wichtige Infrastruktur zur Unterstützung der Gesellschaft und machte dieses Thema zu einer Säule seines Geschäftsbereichs Social Innovation - neben anderen lebensnotwendigen Bereichen wie Elektrizität, Wasser und Verkehrswesen.

    Sei den 1950er Jahren schafft Hitachi mit seiner Arbeit im Bereich Medizintechnik und Gesundheitswesen Innovationen. Es wurden bereits eine Vielzahl von Produkten und Technologien eingeführt, die in Japan und zum Teil auch auf der ganzen Welt einzigartig sind. Hitachi arbeitet mit medizinischem Fachpersonal zusammen, um Produkte und Dienstleistungen zu entwickeln. In den 2000er Jahren weitete das Unternehmen seinen Geschäftsbereich Medizintechnik auf fortschrittliche Bereiche wie Verfahren zur Krebsbehandlung und IT für das Gesundheitswesen aus und trug so zur Steigerung der Qualität und Effizienz der Gesundheitsversorgung bei. Mit seiner Operationstechnologie (OT), Informationstechnologie (IT) und seinen Produkten ist Hitachi nun in der Lage, in allen sozialen Bereichen des Gesundheitswesens eine Führungsrolle zu übernehmen.

    Die Fehlererkennung für supraleitende MRT-Systeme ist eines der Themen, mit denen sich die Hitachi Healthcare-Unit befasst.

    Übersicht

    • Herausforderung
      Die Vorhersage eines Ausfalls erfordert von einem Menschen viel Fachkenntniss. Die Anzahl dieser Experten ist jedoch begrenzt. Die Überwachung sämtlicher MRT-Systeme weltweit durch den Menschen ist utopisch. So ist die "fehlerbehebende Wartung" für Reparaturen nach Störungen unumgänglich geworden.
    • Lösung
      Hitachi analysierte die Sensordaten von 100 MRT-Systemen über einen Zeitraum von drei Jahren. Daraufhin entwickelten Fachleute einen Algorithmus, der diejenigen Muster aufdeckte, die zu Geräteausfällen führten. Durch Definition des normalen Betriebszustands und unter Zuhilfenahme von Machine Learning konnte frühzeitig eine Fehlbedienung erkannt werden, die später zu einem Geräteausfall führen würde.
    • Ergebnis
      Anzeichen einer zu erwartenden Störung konnten bereits Monate vor deren Auftreten erkannt und durch eine geplante Wartung ein Ausfall vermieden werden. Infolgedessen verringerten sich die Ausfallzeiten (Zeiten, in denen das System nicht genutzt werden kann) um 16,3 Prozent.

    Herausforderung

    Die Grenzen einer Fernwartung durch Menschen

    Ein supraleitendes MRT ist ein medizinisches Gerät, das mit Hilfe von Magnet- und Radiowellen Bilder vom Inneren des menschlichen Körpers aufnimmt. Es wird häufig sowohl bei routinemäßigen als auch bei umfassenden medizinischen Untersuchungen eingesetzt. Fällt es aus, verschiebt sich nicht nur die anstehende Untersuchung, sondern auch die anschließenden, was eine Neuvergabe der Termine erfordert. Krankenhäuser verdienen während einer Störung kein Geld und müssen zudem noch deutlich mehr zahlen, um eine Notreparatur durchführen zu lassen.

    Seit Mitte der 90er Jahre bietet Hitachi einen Fernwartungsservice an, um solche Situationen zu vermeiden. Der Service wird vom Geschäftsbereich für Medizintechnik (Healthcare Business Unit "Healthcare BU", vormals Hitachi Medical Corporation) angeboten und erfolgte damals noch über Einwahltelefonverbindungen. Mittels des "Sentinel Customer Support IT/M2M"-Systems legten Techniker Schwellenwerte für verschiedene Sensoren fest. Anschließend analysierten sie Datenschwankungen und konnten so den Zeitpunkt für Wartungsarbeiten sowie einen Teilaustausch bestimmen.

    Doch während gute Techniker aufgrund ihrer Erfahrung Ausfälle einzelner Geräte voraussagen können, überwacht die Healthcare BU mehrere hundert bis tausend Systeme weltweit. Selbst für Experten ist dies unmöglich. Zudem erkennt Predictive Maintenance die sich auf Schwellenwerte stützt, Ausfälle meist erst unmittelbar vor dessen Auftreten. Dies erfordert dann "fehlerbehebende Wartungen".

    Lösung

    1. Die Fehlerursache ermitteln

    Um die Fehlerursache zu identifizieren, wendete die BU Healthcare zwei Methoden an:

    Mit der einen klassifizierten und analysierten die Experten die riesigen Mengen an Sensordaten, um einen Algorithmus zu entwickeln, der die Ursache des MRT-Versagens bestimmen konnte.

    Da die Healthcare BU über viele Jahre hinweg supraleitende MRT-Systeme (In englischer Sprache) *1 überwachte und wartete, lag eine große Datengrundlage vor. Bei der Auswertung der Daten konzentrierte sich die BU auf die Kühlanlage, der Kernkomponente zur Erzeugung des supraleitenden Sentinel-Analytics-Status. Anhand der Sensordaten ließen sich Informationen über die Verwendung der Kühlanlage und dessen Verhalten über die Lebensdauer des Systems erschließen. Die Experten waren davon überzeugt: Ein Abgleich der Sensordaten aus dem normalen Betrieb mit denen während eines Ausfalls, würde die Auslöser und deren Effekt auf das System offenbaren.

    Und so stellte die Healthcare BU die aus drei Jahren gesammelten Daten von 100 MRT-Systemen dem Analysten-Team zur Verfügung, um ein Schema in den Ausfällen zu finden. Mit Hilfe einer Analysesoftware für Big Data von Pentaho (In englischer Sprache)*2, einer Tochtergesellschaft der Hitachi Data Systems Corporation in den USA, klassifizierte und analysierte das Labor die Daten durch eine Trendanalyse. So konnte ein Schema entwickelt werden, dass die wiederkehrenden Muster hinter den Störungen erkennbar machte.

    Zu diesem Zeitpunkt bestand die Herausforderung in der Vorverarbeitung der Sensordaten. Die vom System gesendeten Sensordaten unterlagen starken Störeinflüssen. Man befürchtete, dass durch die Verwendung der unbereinigten Daten die Diagnosegenauigkeit vermindert würde. Daher musste das Labor vor der Analyse das Rauschen aus den Rohdaten entfernen. Dies versetzte das Team in die Lage, die Daten genau zu untersuchen und ermöglichte die Entwicklung eines Algorithmus, der Fehlerursachen mit einer größeren Genauigkeit erkennt.

    *1
    Details zu MRT-Systemen finden Sie auf der Website von Hitachi Medizintechnik. (In neuem Fenster öffnen) (In englischer Sprache)
    *2
    Für Details zur Big Data Analysesoftware von Pentaho, besuchen Sie die bitte Pentaho Website. (In neuem Fenster öffnen) (In englischer Sprache)

    2. Die Anzeichen vor einem Ausfall erkennen

    Die zweite Methode zur frühzeitigen Erkennung von Ausfällen liegt in der Bestimmung des Betriebszustands: Umso früher festgestellt wird, ob sich ein Gerät innerhalb der normalen Betriebsparameter befindet, desto früher wird einem Ausfall vorgebeugt.

    Für diesen Ansatz kam der globale e-Service des TWX-21/ Predictive Maintenance Service von Hitachi zum Zuge. Der Dienst verwendet einen diagnostischen Algorithmus, der auf Hitachis exklusiver Clusteranalyse-Technologie LSC (Local Subspace Classifier) basiert. Er überwacht den Status des Systems aus der Ferne und ermöglicht die frühzeitige Erkennung von Zustandsänderungen und Anomalien, die zu einem Ausfall führen können.

    Die Healthcare BU arbeitete mit weiteren Hitachi-Abteilungen eng zusammen, um bereits vorhandene Daten mehrerer Sensoren zu übernehmen. Die Kollaboration fand sowohl zwischen dem TWX21/ Predictive Maintenance Service als auch der Information & Communication Technology Business Division (vormals Hitachi, Ltd. Information and Telecommunication Systems Company) statt. In den Daten von ca. 500 MRT-Systeme wurden die Zeiträume ermittelt, in denen die Maschinen ordnungsgemäß liefen. Diese Erkenntnisse konnten dann in Cluster eingeteilt werden, um per Machine Learning den normalen Betriebszustand anzulernen. Aktuelle Sensordaten wurden daraufhin mit den maschinell angelernten Clustern verglichen und ein Algorithmus zur Erkennung von Fehlern entwickelt. Der Fehlerstatus wurde immer dann vergeben, wenn die Daten von den Clustern abwichen.

    Allerdings musste zuerst ein "normaler Betriebszustand" definiert werden, um einen solchen anzutrainieren. Hier half die langjährige Erfahrung bei der Überwachung und Wartung von mehreren tausend System, seit der Erfindung des Internets: Über die Jahre wurden intern Experten herangezogen, die die Anzeichen von Fehlern schnell erkennen. Basierend auf diesen Erfahrungen ließ sich der "normale Betriebszustand" leicht definieren. Anschließend wurde das Machine Learning feinjustiert, um Fehlmeldungen und -alarme zu reduzieren. So konnte das System weiterentwickelt werden, um den hohen Anforderungen in medizinischen Einrichtungen zu entsprechen.

    Ergebnis

    Eine Ausfallvorhersage, die ihresgleichen sucht

    Durch diesen Prozess entstand der prädiktive Wartungsservice von Sentinel Analytics für supraleitende MRT-Systeme.

    Es gibt viele IoT/M2M-Dienste: Sie verbinden Systeme mit dem Internet und ermöglichen Fernwartung und -überwachung. Es gibt jedoch kaum ein anderes System, dass ohne Experten auskommt und auf fortschrittlichen, datenbasierten Analysemethoden, wie dem Machine Learning, basiert und so einen hochentwickelten prädiktiven Wartungsservice realisiert.

    Sentinel Analytics ermöglichte es, Anzeichen eines Ausfalls mehrere Monate vor dessen Auftreten zu erkennen und angepasste Wartungszyklen vorzuschlagen, bevor beispielsweise die Kühlanlage ausfällt - echte "prädiktive Wartung". Die Daten zeigen, dass die Ausfallzeiten um 16,3 Prozent reduziert werden konnten, durch den Einsatz von Sentinel Analytics, im Vergleich zu der Zeit vor dessen Einführung (Untersuchungsergebnis des Sentinel-Kundensupports). Dies ist eine bemerkenswerte Zahl für supraleitende MRT-Systeme. Der Mechanismus dürfte die medizinische Versorgung verbessern, die Kosten für die Krankenhäuser senken und vor allem die Belastung der Patienten verringern.

    Vision

    Diese Technologie umspannt verschiedenste Bereiche und wird im Hitachi-Bereich Social Innovation eingesetzt werden

    Die Healthcare BU wird eine komplett aufeinander abgestimmte Gesundheitslösung anbieten, die über einzelne Produkte hinausgeht. IT und Produkte im OT-Bereich werden die IoT/M2M-Technologie nutzen und kombinieren. Darüber hinaus plant Hitachi, nachhaltige Gesundheitssysteme, wie eine flächendeckende regionale medizinische Versorgung und individuellere Gesundheitsdienstleistungen zu realisieren. Zusätzlich ist geplant, die "kollaborative Entwicklung" auch außerhalb des Unternehmens auszubauen. So soll in Zusammenarbeit mit Krankenhäusern und im Rahmen von ganzheitlichen Optimierungsmaßnahmen nach neuen Mechanismen des Gesundheitsmanagements gesucht werden.

    Außerdem sollen über Machbarkeitsnachweise (Proof-of-Concept) Anforderungen erhoben werden, die zur Verbesserung, Erweiterung und Weiterentwicklung der Lumada (In englischer Sprache) IoT-Plattform beitragen - einer weiteren Schlüsselrolle der Healthcare BU. Die Weiterentwicklung von Lumada fördern, wird auch der Aufbau des Datenanalysesystems und anderen Know-hows. Es basiert auf dem Expertenwissen, welches durch die Entwicklung von Sentinel Analytics gewonnenen wurde. Die Technologien der Healthcare BU werden künftig über die Grenzen der einzelnen Geschäftsbereiche hinweg für Social Innovation-Projekte von Hitachi eingesetzt.

     

    Kollaborative Entwicklung im medizinischen Umfeld - Eine Fallstudie zur Implementierung von Serviceleistungen in der Kashiwa Health Check Clinic

    Eine Fallstudie zu Hitachis "kollaborativer Entwicklung" mit Kunden wird in einem Interview mit der Kashiwa Health Check Clinic vorgestellt.

    Veröffentlichungsdatum: März 2017
    Lösungen von: Hitachi, Ltd. Healthcare Business Unit