Salte a conteúdo principal

Hitachi

Inovação Social

    • Dados Analíticos

    Solucionando desafios da saúde enfrentados pela sociedade moderna

    Aumentos em vários tipos de doenças. Aumento da discrepância nos cuidados em diferentes regiões. Aumento dos custos médicos. Estes são alguns dos desafios enfrentados pela sociedade moderna, e para resolvê-los e melhorar a qualidade de vida (QoL/quality of life), é essencial fornecer serviços de saúde adaptados a cada indivíduo, garantir uma gestão eficiente dos cuidados e criar sistemas sustentáveis de saúde social. Os avanços nas tecnologias médicas por si só não serão suficientes para atingir esses objetivos. É necessária a integração de tecnologias avançadas de TI e infraestrutura social, a digitalização de informações sobre os comportamentos das pessoas e o estado dos objetos e as inovações que utilizem tecnologias de AI, análise de dados e controle.

    Por estas razões, a Hitachi identificou os cuidados de saúde como uma infraestrutura vital para apoiar a sociedade, além de outras áreas como eletricidade, água e transporte, que são essenciais para a vida, e desenvolveu a área da saúde como um pilar dos seus Negócios de Inovação Social.

    Os negócios de saúde da Hitachi alcançaram a inovação através da introdução de uma variedade de produtos e tecnologias, desenvolvidos pela Hitachi que foram os primeiros no Japão e primeiros no mundo desde a década de 1950. Trabalham em colaboração com médicos e profissionais para desenvolver produtos e serviços e, nos anos 2000, expandiu o escopo de seus negócios para domínios avançados, como dispositivos de tratamento de câncer e TI de saúde, contribuindo para elevar a qualidade e a eficiência dos cuidados de saúde. Agora tem a capacidade de liderar todos os sistemas sociais relacionados à saúde, com sua tecnologia operacional (OT), tecnologia da informação (TI) e produtos.

    A detecção de falhas para sistemas supercondutores de ressonância magnética é uma das questões abordadas pelos negócios de saúde da Hitachi.

    Resumo do Caso

    • Desafio
      A previsão de falhas por operadores humanos requer habilidades avançadas, e o número limitado de especialistas não pode monitorar todos os sistemas de ressonância magnética em todo o mundo. A "manutenção corretiva" para reparos após as falhas também se tornou inevitável.
    • Solução
      A Hitachi analisou por três anos de dados de sensores de 100 sistemas de ressonância magnética, e criou um mecanismo para investigar os padrões de causas que levam a falhas no dispositivo. Em seguida, o aprendizado da máquina foi usado para definir um estado operacional normal para alcançar a detecção precoce bem sucedida de anormalidades e mudanças no estado que levam a falhas.
    • Resultado
      Sinais de falhas iminentes foram detectados vários meses antes da ocorrência de uma falha e foi possível programar a manutenção antes da quebra do sistema. Como resultado, o tempo de inatividade das máquinas, devido a quebras, tem sido reduzido em 16,3%.

    Desafio

    Limitações da manutenção remota feita por pessoas

    Uma ressonância magnética supercondutora é um sistema médico que leva imagens do interior do corpo humano usando ondas magnéticas e de rádio. Muitas vezes, é usada tanto em exames clínicos rotineiros, como em exames complexos, e se falhar, isso não só impedirá que os exames aconteçam, mas terão de ser remarcados para outras datas. Hospitais não podem receber pelos exames durante o período em que os sistemas estão fora de serviço. Além disso, os reparos de emergência custam mais do que a manutenção normal.

    Para evitar essas situações, o suporte de manutenção remota foi fornecido desde meados da década de 1990, voltando às conexões de telefone de linha discada que ainda eram necessárias, pela Unidade de Negócios de Saúde da Hitachi ("Healthcare BU", anteriormente Hitachi Medical Corporation). Usando o sistema IoT / M2M do suporte ao cliente do Sentinel, os técnicos estabelecem valores para dados de vários sensores, seguindo as flutuações observadas nos dados e determinando a necessidade do trabalho de manutenção e o tempo de reposição de peças.

    No entanto, enquanto os técnicos qualificados podem prever antecipadamente as falhas, com base em observações aprimoradas através da experiência, os sistemas mantidos pela BU de saúde contam de centenas a milhares de dispositivos em todo o mundo. É impossível que os especialistas monitorem todos eles. Além disso, quando a manutenção preditiva é realizada através decisões baseadas em valores de limiar, a falha em muitos casos só pode ser detectada imediatamente antes do início, exigindo "manutenção corretiva" após ocorrer uma falha.

    Solução

    1. Determinando o motivo da falha

    Para resolver este problema, a Unidade de Negócios de Saúde usou dois métodos.

    O primeiro foi desenvolver um mecanismo para determinar a causa da falha da ressonância magnética, classificando e analisando as quantidades massivas de dados acumulados de sensores .

    A Unidade de Negócios de Saúde, que monitorou e manteve inúmeros sistemas de ressonância magnética supercondutores *1 ao longo de muitos anos, tem um estoque grande de dados de sensores. Analisando esses dados, nos concentramos no chiller, que é o componente central que gera o estado supercondutor do Sentinel Analytics e, usando os dados do sensor, fomos guiados para a informação sobre como o chiller foi usado, e como ele se comportou até a vida do sistema. Nós acreditamos que combinar esses dados com os dados do acontecimento a partir de falhas, nos levaria a determinar a relação de causa e efeito.

    A Unidade de Negócios de Saúde estabeleceu três anos de dados para 100 sistemas de ressonância magnética, e pediu ao laboratório que analisasse os padrões de falhas. Utilizando o grande software de análise de dados Pentaho *2 fornecido pela Pentaho, subsidiária da Hitachi Data Systems Corporation nos Estados Unidos, o laboratório classificou e analisou os dados com base na análise de tendências e criou um sistema para investigar padrões de causas por trás das falhas.

    Nesta fase, o desafio foi o pré-processamento para a limpeza de dados do sensor. Os dados do sensor enviados pelo sistema tiveram grandes quantidades de ruído, o que levou a preocupações de que a precisão diagnóstica seria reduzida se os dados fossem usados como são. Portanto, o laboratório removeu o ruído usando filtros nos dados brutos antes da análise. Ao analisar os dados em um estado mais efetivo, nós completamos um mecanismo que poderia detectar causas de falha com maior precisão.

    *1
    Para detalhes sobre sistemas de Ressonância Magnética, veja o site da Hitachi Healthcare (abertura em nova janela)
    *2
    Para detalhes sobre Pentaho, software de análise de big data, veja o site do Pentaho. (abertura em nova janela)

    2. Detectando sinais de falhas

    Outra maneira de resolver problemas foi o desenvolvimento de um mecanismo que detecta rapidamente quando um sistema não opera da maneira que deveria.

    Para esta solução, utilizamos o e-service global da Hitachi no TWX-21 / Serviço de Manutenção Preditiva. Este serviço utiliza um algoritmo de diagnóstico baseado em LSC: Local Subspace Classifier, a tecnologia de análise de cluster exclusiva da Hitachi. Ele diagnostica o status do sistema de forma remota e permite a detecção precoce de alterações de estado e anormalidades que podem resultar em falhas.

    A Unidade de Negócios de Saúde usou esse serviço e trabalhou com a Divisão de Negócios de Tecnologia de Informação e Comunicação (a antiga Empresa de Sistemas de Informações e Telecomunicações da Hitachi, Ltd.) para tirar dados de vários sensores enviados de cada um de aproximadamente 500 sistemas de ressonância magnética e derivar os dados por períodos em que as máquinas estavam funcionando corretamente, depois classificá-las em clusters e realizar a aprendizagem automática de um estado operacional normal. Comparamos dados de sensores atuais com clusters aprendidos com máquinas e desenvolvemos um mecanismo para detectar sinais de falha quando os dados se desviaram dos clusters.

    Para que essa tecnologia facilite o machine learning do estado operacional normal, primeiro temos que definir o que é "normal". Felizmente, a Unidade de Negócios de Saúde tem um histórico de monitoramento e manutenção de milhares de sistemas desde os dias de internet discada, por isso tem especialistas treinados com conhecimentos avançados para detectar sinais de falha. Com base nesse conhecimento, definimos o estado operacional normal e fizemos uma série de machine learning e afinação, pelo qual reduzimos os relatórios incorretos e falsos alarmes e desenvolvemos o sistema em um que poderia suportar aguentar o uso em instituições médicas.

    Resultado

    Um sistema quase incomparável é alcançado

    Através desse processo, o Sentinel Analytics o serviço de manutenção preditiva para os sistemas de Ressonância Magnética foram completados.

    Existem muitos serviços de IoT / M2M que conectam sistemas à internet e permitem pessoas monitorá-los remotamente. No entanto, quase não há outros sistemas que utilizem métodos de análise baseados em dados avançados, como machine learning e também eliminem a necessidade de operação humana para realizar um serviço de manutenção preditiva altamente avançado.

    O Sentinel Analytics permitiu detectar sinais vários meses antes do início da falha, reparar e substituir peças regularmente antes que o resfriador quebre, possibilitando a "manutenção preditiva". Os dados mostram que, usando o Sentinel Analytics, o tempo de inatividade foi reduzido em 16,3% em relação ao período antes da sua introdução (pesquisa pelo suporte ao cliente do Sentinel). Este é um número notável para sistemas de ressonância magnética. Espera-se que o mecanismo melhore os serviços médicos e reduza os custos para os hospitais e, sobretudo, reduz o fardo para pacientes.

    Visão

    Essa tecnologia ultrapassa os limites dos negócios e será usada nos Negócios de Inovação Social da Hitachi

    A Unidade de Negócios de Saúde visa fornecer soluções na área da saúde, além de produtos individuais que combinem TI e produtos no domínio do OT usando IoT / M2M dessa maneira. A empresa também está trabalhando para realizar sistemas de saúde sustentáveis, como atendimento médico regional abrangente, bem como serviços de saúde melhor adaptados a cada indivíduo. Também planeja expandir sua "criação colaborativa" fora da empresa e procurar novos mecanismos de gerenciamento de saúde através de otimização total em cooperação com hospitais.

    Além disso, a extração de requisitos através do PoC (Prova de Conceito), e contribuir para o aprimoramento, expansão e progresso da plataforma Lumada IoT é outro papel fundamental da Unidade de Negócios de Saúde. A construção do sistema de análise de dados e outros conhecimentos baseados na expertise adquirida através do desenvolvimento do Sentinel Analytics contribuirão para o progresso da Lumada. As tecnologias da Unidade de Negócios de Saúde serão utilizadas em todos os âmbitos das empresas, em todo o projeto de Inovação Social da Hitachi no futuro.

     

    Criação colaborativa em ambiente médico - Um estudo de caso de implementação de serviços na Clínica Kashiwa Health Check

    Um estudo de caso da "criação colaborativa" da Hitachi com clientes é introduzido através de uma entrevista com a Clínica Kashiwa Health Check.

    Data de Publicação: Março de 2017
    Soluções Por: Hitachi, Ltd. Unidade de Negócios de Saúde