Skip to main content

Hitachi

Social Innovation

    • Analisis

    Memecahkan masalah perawatan kesehatan yang dihadapi oleh masyarakat modern

    Meningkat dalam berbagai jenis penyakit. Kesenjangan yang semakin lebar dalam bidang perawatan antara berbagai kawasan. Biaya medis yang semakin tinggi. Ini adalah beberapa persoalan yang dihadapi oleh masyarakat modern, dan untuk mengatasinya serta untuk menjaga dan meningkatkan Kualitas Hidup (KH), sangatlah penting untuk menyediakan layanan perawatan kesehatan yang disesuaikan dengan setiap individu, guna memastikan manajemen perawatan yang efisien, dan untuk menciptakan sistem perawatan kesehatan sosial yang berkelanjutan. Kemajuan dalam bidang teknologi kedokteran saja tidak akan cukup untuk mencapai tujuan ini. Integrasi TI yang canggih dan teknologi infrastruktur sosial, digitalisasi informasi mengenai perilaku manusia, dan status objek, serta inovasi yang memanfaatkan AI, analitika data, dan teknologi kontrol juga dibutuhkan.

    Karena alasan ini, Hitachi telah mengidentifikasi perawatan kesehatan sebagai infrastruktur vital bagi masyarakat pendukung, selain bagi bidang lainnya seperti listrik, air, dan transportasi yang sangat penting bagi kehidupan, dan telah mengembangkan bisnis perawatan kesehatan sebagai pilar bagi Bisnis Inovasi Sosialnya.

    Bisnis perawatan kesehatan Hitachi telah mencapai inovasi melalui penciptaan berbagai produk dan teknologi yang baru pertama ada di Jepang dan baru pertama ada di dunia sejak tahun 1950an. Bisnis ini bekerja sama dengan para profesional medis untuk mengembangkan produk dan layanan, dan pada tahun 2000an meluaskan lingkup bisnis perawatan kesehatannya ke domain yang lebih maju seperti perangkat pengobatan kanker dan TI perawatan kesehatan, sehingga memberikan kontribusi pada peningkatan kualitas dan efisiensi perawatan kesehatan. Kini bisnis itu memiliki kemampuan untuk memimpin di semua sistem sosial yang terkait dengan perawatan kesehatan dengan teknologi operasi (OT), teknologi informasi (TI), dan produk-produknya.

    Deteksi kegagalan untuk sistem MRI superkonduksi merupakan salah satu persoalan yang ditangani oleh bisnis perawatan kesehatan Hitachi.

    Gambaran Umum

    • Tantangan
      Prediksi kegagalan oleh operator manusia membutuhkan keterampilan tingkat tinggi, dan terbatasnya jumlah ahli membuat mereka tidak dapat memantau semua sistem MRI di seluruh dunia. "Pemeliharaan korektif" untuk perbaikan setelah kerusakan juga menjadi tidak terhindarkan.
    • Solusi
      Hitachi menganalisis data sensor dari 100 sistem MRI selama periode tiga tahun dan membuat mekanisme untuk menyelidiki pola penyebab yang mengakibatkan kegagalan perangkat. Pembelajaran mesin kemudian digunakan untuk mendefinisikan status operasional normal untuk mendapatkan keberhasilan deteksi dini abnormalitas dan perubahan status yang mengakibatkan kegagalan.
    • Hasil
      Tanda-tanda kegagalan yang akan segera terjadi telah terdeteksi beberapa bulan sebelum kerusakannya terjadi, dan pemeliharaan terjadwal sebelum kerusakan sistem menjadi mungkin untuk dilakukan. Berkat hal itu, waktu henti (yaitu waktu ketika sistem tidak dapat digunakan) akibat kerusakan telah berhasil dikurangi sebesar 16,3%.

    Tantangan

    Keterbatasan pemeliharaan jarak jauh oleh manusia

    MRI superkonduksi adalah sistem medis yang mengambil gambar bagian dalam tubuh manusia menggunakan gelombang magnetis dan radio. Sistem ini sering digunakan dalam pemeriksaan medis rutin dan juga komprehensif, dan jika sampai rusak, tidak hanya akan menyebabkan pemeriksaan tidak dapat dilakukan tetapi lebih jauh lagi akan mengharuskan dilakukannya penjadwalan ulang (pemesanan ulang) tanggal pemeriksaan. Rumah sakit tidak akan mendapatkan biaya pemeriksaan dalam periode ketika sistem tidak dapat digunakan. Lebih dari itu, perbaikan darurat membutuhkan biaya lebih besar daripada pemeliharaan normal.

    Untuk menghindari situasi ini, dukungan pemeliharaan jarak jauh telah disediakan sejak pertengahan era 1990-an, yaitu ketika sambungan telepon dial-up masih digunakan, oleh Unit Bisnis Perawatan Kesehatan Hitachi ("Healthcare BU," sebelumnya bernama Hitachi Medical Corporation). Menggunakan sistem Dukungan Pelanggan Sentinel IoT/M2M, teknisi menetapkan nilai ambang batas untuk data dari berbagai sensor, kemudian mengamati fluktuasi data dan menentukan pekerjaan pemeliharaan yang perlu dilakukan dan waktu penggantian komponen.

    Namun, meskipun teknisi terampil mampu memprediksi kegagalan sejak awal berdasarkan pengamatan yang diasah oleh pengalaman, sistem yang dipelihara oleh BU Healthcare jumlahnya mencapai ratusan hingga ribuan perangkat di seluruh dunia. Adalah mustahil bagi para ahli untuk memantau semua perangkat ini. Lebih dari itu, ketika pemeliharaan prediktif dilakukan menggunakan keputusan yang didasarkan pada nilai ambang batas, dalam banyak kasus, kegagalan hanya bisa dideteksi tepat sebelum kegagalan mulai terjadi, sehingga akan membutuhkan "pemeliharaan korektif" setelah kerusakan terjadi.

    Solusi

    1. Menentukan penyebab kegagalan

    Untuk memecahkan masalah ini, BU Healthcare menggunakan dua metode.

    Metode pertama adalah membuat mekanisme untuk menentukan penyebab kegagalan MRI dengan mengklasifikasikan dan menganalisis data sensor terakumulasi yang jumlahnya sangat besar.

    BU Healthcare, yang telah memantau dan memelihara banyak sekali sistem MRI superkonduksi*1 selama bertahun-tahun, memiliki kumpulan data sensor yang amat banyak. Dengan memperhatikan data ini, kami fokus pada chiller, yang merupakan komponen inti yang menghasilkan status Sentinel Analytics superkonduksi, dan menggunakan data sensor itu, kami diarahkan hingga sampai pada informasi mengenai bagaimana chiller digunakan dan bagaimana perilakunya sampai sistem dijalankan. Kami yakin bahwa mencocokkan data ini dengan data kejadian dari kerusakan yang terjadi akan memungkinkan kami memahami hubungan sebab-akibat.

    BU Healthcare menyiapkan data dari periode tiga tahun untuk 100 sistem MRI dan meminta laboratorium menganalisis pola kerusakan. Dengan menggunakan perangkat lunak analisis big data*2 yang disediakan oleh Pentaho, yaitu anak perusahaan Hitachi Data Systems Corporation di Amerika Serikat, laboratorium itu mengklasifikasikan dan menganalisis data berdasarkan analisis trend, dan membuat sistem untuk menyelidiki pola penyebab di balik kegagalan.

    Pada tahap ini, tantangan yang dihadapi adalah melakukan prapemrosesan untuk membersihkan data sensor. Data sensor yang dikirim dari sistem memiliki banyak sekali "noise" (informasi tidak relevan), yang menimbulkan kekhawatiran bahwa akurasi diagnostik akan berkurang jika data itu digunakan sebagaimana adanya. Karena itu, laboratorium membuang noise ini menggunakan filter pada data mentah sebelum analisis. Dengan menganalisis data dalam kondisi yang lebih efektif, kami berhasil merampungkan mekanisme yang bisa mendeteksi penyebab kegagalan dengan akurasi yang lebih tinggi.

    *1
    Untuk detail tentang sistem MRI, lihat situs web Hitachi Healthcare. (terbuka di jendela baru)
    *2
    Untuk detail tentang perangkat lunak analisis big data, lihat situs web Pentaho. (terbuka di jendela baru)

    2. Mendeteksi tanda-tanda kegagalan

    Metode lain untuk menyelesaikan masalah adalah membangun mekanisme yang dapat dengan lebih cepat mendeteksi ketika suatu sistem tidak berada dalam status pengoperasian normal.

    Untuk solusi ini, kami menggunakan Global e-Service Hitachi pada TWX-21/Layanan Pemeliharaan Prediktif. Layanan ini menggunakan algoritme diagnostik yang didasarkan pada LSC: Local Subspace Classifier, yang merupakan teknologi analisis klaster eksklusif Hitachi. Teknologi ini mendiagnosis status sistem dari jarak jauh, dan memungkinkan deteksi dini perubahan status dan abnormalitas yang dapat berakhir dengan kegagalan.

    BU Healthcare menggunakan layanan ini dan bekerja bersama Divisi Bisnis Teknologi Informasi & Komunikasi (sebelumnya bernama Hitachi, Ltd. Information and Telecommunication Systems Company) untuk mengambil data masa lalu dari berbagai sensor yang dikirim dari masing-masing dari sekitar 500 sistem MRI dan mengambil data untuk periode ketika mesin berjalan dengan baik, kemudian mengklasifikasikannya menjadi klaster-klaster dan melakukan pembelajaran mesin dalam status operasi normal. Kami membandingkan data sensor saat ini dengan klaster pembelajaran mesin dan mengembangkan mekanisme untuk mendeteksi tanda-tanda kegagalan ketika data menyimpang dari klaster.

    Agar teknologi ini bisa memfasilitasi pembelajaran mesin atas status operasi normal, kami harus terlebih dahulu mendefinisikan apa itu "normal". Untungnya, BU Healthcare memiliki riwayat untuk memantau dan memelihara beberapa ribu sistem sekaligus sejak zaman koneksi internet dial-up, sehingga telah melatih ahli-ahli dengan pengetahuan tingkat tinggi untuk mendeteksi tanda-tanda kegagalan. Berdasarkan pengetahuan ini, kami mendefinisikan status operasi normal dan melakukan serangkaian pembelajaran mesin dan penyempurnaan pengaturan, dan dengan itu kami mengurangi kesalahan pelaporan dan alarm palsu serta mengembangkan sistem ini sehingga mampu bertahan untuk digunakan di institusi medis.

    Hasil

    Sistem yang nyaris tidak tertandingi berhasil dibuat

    Melalui proses ini, layanan pemeliharaan prediktif Sentinel Analytics untuk sistem MRI superkonduksi berhasil diselesaikan.

    Ada banyak layanan IoT/M2M yang menghubungkan sistem ke internet dan memungkinkan pemantauan oleh personel dari jarak jauh. Namun, nyaris tidak ada sistem lain yang menggunakan metode analisis berbasis data tingkat lanjut seperti pembelajaran mesin dan juga meniadakan perlunya pengoperasian oleh manusia untuk mewujudkan layanan pemeliharaan prediktif yang sangat canggih.

    Sentinel Analytics telah memungkinkan pendeteksian gejala beberapa bulan sebelum proses kegagalan mulai terjadi dan perbaikan serta penggantian komponen secara teratur sebelum chiller mengalami kerusakan total, sehingga "pemeliharaan prediktif" menjadi mungkin dilakukan. Data memperlihatkan bahwa dengan menggunakan Sentinel Analytics, waktu henti berhasil dikurangi sebesar 16,3% dibandingkan sebelum menggunakannya (penelitian oleh dukungan pelanggan Sentinel). Ini jumlah yang luar biasa bagi sistem MRI superkonduksi. Mekanisme ini diharapkan akan meningkatkan layanan medis dan mengurangi biaya bagi rumah sakit, dan yang terpenting mengurangi beban bagi pasien.

    Visi

    Teknologi ini melewati batas bisnis dan akan digunakan di Bisnis Inovasi Sosial Hitachi

    BU Healthcare bermaksud untuk menyediakan solusi perawatan kesehatan total melebihi produk individual yang menggabungkan TI dan produk dalam domain OT dengan menggunakan IoT/M2M ini dengan cara ini. Perusahaan juga tengah bekerja untuk mewujudkan sistem perawatan kesehatan yang berkelanjutan seperti perawatan medis regional komprehensif, di samping layanan perawatan kesehatan yang lebih disesuaikan dengan masing-masing individu. Perusahaan juga memperluas "kreasi kolaborasi"-nya di luar perusahaan dan mencari mekanisme pengelolaan perawatan kesehatan baru melalui optimalisasi total dalam kerja sama dengan rumah sakit.

    Selain itu, ekstraksi kebutuhan melalui PoC (Proof-of-Concept (Bukti Konsep)) dan berkontribusi pada peningkatan, perluasan, dan kemajuan platform IoT Lumada juga merupakan peran kunci lainnya dari BU Healthcare. Bangunan sistem analisis data dan pengetahuan aplikatif lain berdasarkan pengetahuan ahli yang diperoleh melalui pengembangan Sentinel Analytics akan memberikan kontribusi pada kemajuan Lumada. Teknologi BU Healthcare akan digunakan melampaui batas bisnis di seluruh proyek Inovasi Sosial Hitachi di masa mendatang.

    Kreasi kolaborasi dalam lingkungan medis - Studi kasus implementasi layanan di Klinik Pemeriksaan Kesehatan Kashiwa

    Sebuah studi kasus "kreasi kolaborasi" Hitachi dengan pelanggan diperkenalkan melalui wawancara dengan Klinik Pemeriksaan Kesehatan Kashiwa.

    Tanggal Rilis: Mar. 2017
    Solusi Oleh: Hitachi, Ltd. Healthcare Business Unit