Salte a conteúdo principal

Hitachi

Social Innovation

    • Strumenti di analisi (Analytics)

    Risolvere i problemi legati alla sanità della società moderna

    Aumento dei diverse tipi di malattie. Ampliamento delle disparità nelle cure tra le diverse regioni. Aumento dei costi sanitari. Questi sono alcuni dei problemi affrontati dalla società moderna; per risolverli e per mantenere e migliorare la qualità della vita (QoL) è essenziale fornire servizi sanitari su misura per ogni individuo, assicurare una gestione efficiente delle cure e creare sistemi di assistenza sociale sostenibili. I progressi nelle tecnologie mediche da soli non saranno sufficienti a raggiungere questi obiettivi. Sarà necessario: integrare le tecnologie informatiche avanzate e con l'infrastruttura sociale, digitalizzare le informazioni relative ai comportamenti delle persone e allo stato degli oggetti, e promuovere innovazioni che utilizzino l'intelligenza artificiale, l'analisi dei dati e le tecnologie di controllo.

    Per questi motivi, Hitachi ha identificato l'assistenza sanitaria come un'infrastruttura vitale per dare un supporto alla società, oltre ad altri settori fondamentali per la vita di tutti i giorni, come l'elettricità, l'acqua e i trasporti, e ha sviluppato la propria attività nel campo sanitario come pilastro della Social Innovation.

    La divisione Healthcare di Hitachi persegue / promuove l'innovazione attraverso l'introduzione di una varietà di prodotti e tecnologie leader in Giappone e nel mondo sin dagli anni '50. Collabora con professionisti del settore medico per lo sviluppo di prodotti e servizi, e negli anni 2000 ha ampliato la portata della propria attività a settori avanzati, come i dispositivi per la cura del cancro e la tecnologia informatica (IT) di ausilio all'assistenza sanitaria, contribuendo a migliorarne la qualità e l'efficienza. Ed oggi ha la competenza per attraversare tutti i sistemi sociali correlati all'assistenza sanitaria con le sue tecnologie operative (OT) e dell’informazione (IT) e con i suoi prodotti.

    Il rilevamento dei guasti nei sistemi di risonanza magnetica superconduttiva è uno dei problemi di cui si occupa la divisione Healthcare di Hitachi.

    Panoramica

    • La sfida
      La previsione dei guasti da parte di operatori umani richiede competenze avanzate, e un numero limitato di esperti non può monitorare tutti i sistemi di risonanza magnetica del mondo. Anche la "manutenzione correttiva" per le riparazioni dopo i guasti è diventata inevitabile.
    • La soluzione
      Hitachi ha analizzato i dati raccolti in tre anni da sensori montati su 100 sistemi di risonanza magnetica e ha creato un meccanismo per analizzare i modelli di causa che portano ai guasti dei dispositivi. Successivamente, è stato utilizzato l'apprendimento automatico per definire uno stato operativo normale in grado di ottenere il rilevamento tempestivo di anomalie e cambiamenti di stato che causano i guasti.
    • Risultati
      Segnali di guasto imminente sono stati rilevati diversi mesi prima che si verificasse un'interruzione, rendendo possibile la manutenzione programmata prima che i sistemi si guastassero. Di conseguenza, i tempi di fermo (gli intervalli di tempo durante i quali i sistemi non possono essere utilizzati) a causa dei guasti sono stati ridotti del 16,3%.

    La sfida

    Limiti della manutenzione remota da parte dell'uomo

    Una risonanza magnetica superconduttiva è un sistema medico che scatta delle immagini dell'interno del corpo umano utilizzando onde magnetiche e onde radio. Viene spesso utilizzata nei controlli medici di routine e completi, e nel caso in cui si rompesse non solo non sarà possibile eseguire la visita di controllo, ma sarà necessario riprogrammazione le date degli appuntamenti successivi. Gli ospedali non percepiscono entrate per le visite di controllo durante i periodi in cui i sistemi sono fuori servizio. Inoltre, le riparazioni di emergenza costano più della normale manutenzione.

    Per evitare queste situazioni, la Business Unit Healthcare di Hitachi ("Healthcare BU", precedentemente Hitachi Medical Corporation) fornisce supporto per la manutenzione remota dalla metà degli anni '90, quando era ancora necessario contattarsi per telefono. Utilizzando il sistema IoT/M2M Sentinel Customer Support, i tecnici impostano i valori di soglia per i dati provenienti da vari sensori, quindi osservano le fluttuazioni dei dati e determinano la necessità di interventi di manutenzione e la tempistica per la sostituzione dei componenti.

    Tuttavia, mentre i tecnici esperti possono prevedere in anticipo i guasti sulla base di osservazioni perfezionate attraverso l'esperienza,gli impianti vengono gestiti dal numero di BU Healthcare attraverso dispositivi presenti in tutto il mondo, che vanno da centinaia a diverse migliaia. È impossibile per gli esperti monitorarli tutti. Inoltre, quando la manutenzione predittiva viene eseguita utilizzando decisioni basate su valori soglia, il guasto in molti casi può essere rilevato immediatamente prima della sua insorgenza, richiedendo una "manutenzione correttiva" dopo l’interruzione.

    La soluzione

    1. Identificazione della causa del guasto

    Per risolvere questo problema, la BU Healthcare ha utilizzato due metodi.

    Il primo è stato quello di ideare un meccanismo per determinare la causa del guasto alla risonanza magnetica classificando e analizzando le enormi quantità di dati raccolti dal sensore.

    La BU Healthcare, che ha monitorato ed effettuato la manutenzione di numerosi sistemi di risonanza magnetica superconduttiva*1 per molti anni, dispone di un'enorme quantità di dati dei sensori. Nell'osservare questi dati, ci siamo concentrati sul refrigeratore, che è il componente principale che genera lo stato superconduttivo di Sentinel Analytics, e utilizzando i dati del sensore siamo arrivati a scoprire come è stato utilizzato il refrigeratore e come si è comportato per tutto il periodo di attività del sistema. Abbiamo pensato che abbinare questi dati con i dati degli eventi derivanti dai guasti portasse a determinare la relazione causa-effetto.

    La BU Healthcare ha raccolto per tre anni i dati di 100 sistemi di risonanza magnetica e ha chiesto al laboratorio di analizzare i modelli di guasto. Utilizzando il software di analisi dei big data Pentaho*2 fornito da Pentaho, una sussidiaria di Hitachi Data Systems Corporation negli Stati Uniti, il laboratorio ha classificato e analizzato i dati sulla base dell'analisi delle tendenze e ha creato un sistema per indagare i modelli di causa alla radice dei guasti.

    In questa fase, la sfida era la pre-elaborazione per la pulizia dei dati provenienti dai sensori. Nei dati inviati dal sistema, infatti, erano presenti grandi quantità di rumore, il che avrebbe potuto preguidicare l'accuratezza diagnostica se i dati fossero stati usati così com’erano. Per questo, il laboratorio ha rimosso il rumore utilizzando dei filtri sui dati grezzi prima dell'analisi. Analizzando i dati in uno stato più veritiero, siamo riusciti a realizzare un meccanismo in grado di rilevare le cause di guasto con maggiore precisione.

    *1
    Per maggiori dettagli sui sistemi di risonanza magnetica, consultare il sito web di Hitachi Healthcare. (aprire in una nuova finestra)
    *2
    Per maggiori dettagli sul software di analisi dei big data Pentaho, consultare il sito web di Pentaho. (aprire in una nuova finestra)

    2. Rilevazione dei segnali di guasto

    Un altro metodo per risolvere i problemi era costruire un meccanismo che potesse segnalare più rapidamente quando un sistema non si trovava in uno stato operativo normale.

    Per questa soluzione, abbiamo impiegato Global e-Service di Hitachi su TWX-21/Servizio di Manutenzione Predittiva. Questo servizio utilizza un algoritmo diagnostico basato su LSC, il Classificatore del Sottospazio Locale, esclusiva tecnologia di cluster analysis di Hitachi, che identifica lo stato del sistema da remoto e consente il rilevamento tempestivo di cambiamenti di stato e anomalie che possono portare al guasto.

    La BU Healthcare ha utilizzato questo servizio e ha lavorato con la Information and Communication Technology Business Division (precedentemente Hitachi, Ltd. Information and Telecommunication Systems Company) per raccogliere dati inviati dai sensori di ciascuno dei circa 500 sistemi di risonanza magnetica, ricavandone i dati nei periodi in cui le macchine funzionavano correttamente e classificandoli successivamente in cluster per realizzare l'apprendimento automatico di uno stato operativo normale. Abbiamo confrontato i dati attuali dei sensori con i cluster frutto dell’apprendimento automatico e sviluppato un meccanismo per rilevare i segnali di guasto quando i dati si discostano dai cluster.

    Affinché questa tecnologia possa facilitare l'apprendimento automatico del normale stato operativo, dobbiamo prima definire cosa significhi "normale". Fortunatamente la BU Healthcare ha un’esperienza di monitoraggio e manutenzione di un totale di diverse migliaia di sistemi dai tempi delle connessioni Internet dial-up, quindi ha addestrato esperti con conoscenze avanzate per rilevare i segnali di guasto. Sulla base di questa conoscenza, abbiamo definito lo stato operativo normale ed effettuato una serie di apprendimenti automatici e messe a punto, con i quali abbiamo ridotto le segnalazioni sbagliate e i falsi allarmi e sviluppato un sistema in grado di resistere all'uso nelle strutture mediche.

    Risultati

    È stato realizzato un sistema quasi ineguagliabile

    Attraverso questo processo, è stato completato il servizio di manutenzione predittiva di Sentinel Analytics per i sistemi di risonanza magnetica superconduttiva.

    Esistono molti servizi IoT/M2M che collegano i sistemi a Internet e consentono alle persone di monitorarli da remoto. Tuttavia, sono quasi inesistenti altri sistemi che utilizzino metodi di analisi avanzati basati sui dati, come l'apprendimento automatico, ed eliminino inoltre la necessità di attività umane per realizzare un servizio di manutenzione predittiva altamente avanzato.

    Sentinel Analytics ha permesso di rilevare i sintomi diversi mesi prima del verificarsi del guasto e di riparare e sostituire parti in modo regolare, prima che il refrigeratore si fermasse, rendendo possibile la "manutenzione predittiva". I dati mostrano che utilizzando Sentinel Analytics i tempi di inattività sono stati ridotti del 16,3% rispetto a prima della sua introduzione (ricerca da parte del servizio clienti di Sentinel). Si tratta di un numero importante per i sistemi di risonanza magnetica superconduttiva. Sentinel Analytics dovrebbe migliorare i servizi medici, diminuire i costi per gli ospedali e, soprattutto, ridurre l'onere per i pazienti.

    Vision

    Questa tecnologia oltrepassa i confini del settore e sarà utilizzata per lo sviluppo della Social Innovation di Hitachi.

    La BU Healthcare si impegna a fornire soluzioni sanitarie complete oltre i singoli prodotti che combinano soluzioni IT (Information Technology) e prodotti OT (Operational Techonology), utilizzando in questo modo il sistema IoT/M2M. L'azienda sta anche lavorando alla realizzazione di sistemi sanitari sostenibili, come un'assistenza medica regionale completa, nonché al miglioramento dei servizi sanitari su misura per ciascun individuo. Prevede, inoltre, di espandere la sua "creazione collaborativa" al di fuori dell'azienda e di cercare nuovi meccanismi di gestione dell'assistenza sanitaria attraverso un'ottimizzazione totale in collaborazione con gli ospedali.

    Inoltre, grazie all'estrazione delle richieste tramite PoC (Proof-of-Concept), la BU Healthcare gioca un ruolo chiave nel dare un proprio contributo al miglioramento, all'espansione e al progresso della piattaforma Lumada IoT. La costruzione del sistema di analisi dei dati e del know-how basato sulle conoscenze specialistiche acquisite attraverso lo sviluppo di Sentinel Analytics contribuiranno al progresso di Lumada. Le tecnologie di BU Healthcare saranno in grado di oltrepassare i confini settoriali per essere utilizzate in tutti i progetti futuri di Social Innovation di Hitachi .

     

    Creazione collaborativa in ambito medico - Un caso di studio di implementazione del servizio presso la clinica di controllo sanitario di Kashiwa

    Un caso di studio di "creazione collaborativa" promossa da Hitachi con i propri clienti, presentato in un'intervista realizzata nella clinica di controllo sanitario di Kashiwa.

    Data di rilascio: Marzo 2017
    Soluzioni ad opera di: Hitachi, Ltd. Business Unit Healthcare