Skip to main content

Hitachi

Sosyal Inovasyon

    • Analitikler
    • Sağlık Hizmeti

    Modern toplumun karşılaştığı sağlık hizmeti sorunlarının çözülmesi

    Çeşitli hastalık türlerindeki artışlar. Farklı bölgelerdeki bakım hizmetleri arasındaki farkın açılması. Tıbbi giderlerin artması. Bunlar, modern toplumun karşılaştığı sorunlardan bazıları ve bunların çözülmesi ve Hayat Kalitesinin sürdürülmesi ve iyileştirilmesi için, her bir bireye özel sağlık hizmetleri sağlanması, hizmetlerin etkin biçimde yönetilmesinin sağlanması ve sürdürülebilir sosyal sağlık hizmeti sistemlerinin oluşturulması gerekiyor. Bu hedeflere ulaşmak için yalnızca tıp teknolojisindeki gelişmeler yeterli değildir. Gelişmiş BT ve sosyal altyapı teknolojilerinin entegre edilmesi, insanların davranışları ve nesnelerin durumuna ilişkin bilgilerin dijital hale getirilmesi ve YZ, veri analizi ve kontrol teknolojilerinden faydalanan yenilikler de gerekecektir.

    Bu nedenlerle, Hitachi, sağlık hizmetlerini, yaşam için esas olan elektrik, su ve ulaşım gibi alanların yanında toplumun desteklenmesi için hayati altyapılardan biri olarak tanımlamış ve sağlık hizmetleri işletmesini Sosyal İnovasyon İşinin temel direklerinden biri haline gelecek şekilde geliştirmiştir.

    Hitachi’nin sağlık hizmetleri işletmesi, 1950’lerden bu yana Japonya ve dünyada bir ilk olan pek çok ürünü pazara sürerek yenilikler sağlamıştır. Ürün ve hizmetlerini geliştirmek için sağlık profesyonelleriyle işbirliği yapan şirket, 2000’lerde sağlık hizmetleri işletmesini kanser tedavisi cihazları ve sağlık hizmetleri bilişim teknolojileri gibi gelişmiş alanları kapsayacak şekilde genişletmiş ve sağlık hizmetlerinin kalite ve veriminin artmasına katkıda bulunmuştur. Hitachi, artık operasyon teknolojisi (OT), bilgi teknolojisi (BT) ve ürünleri sayesinde sağlıkla ilgili tüm sosyal sistemlere öncülük edecek yeterliliğe sahip.

    Süper iletken MRI sistemleri için arıza tespiti, Hitachi’nin sağlık hizmetleri işletmesinin ele aldığı sorunlardan biri.

    Genel Bakış

    • Zorluk
      İnsan operatörlerin, arızaları öngörmesi için gelişmiş becerilere sahip olması gerekiyor ve sınırlı sayıda uzmanın tüm dünyadaki MRI sistemlerinin takip etmesi imkansız. Arızalardan sonraki onarımlar için “düzeltici bakım” da kaçınılmaz hale gelmiş durumda.
    • Çözüm
      Hitachi, 100 MRI sisteminden alınan üç yıllık sensör verilerini analiz etti ve cihazlarda arıza oluşmasına neden olan kalıpları inceleyecek bir mekanizma oluşturdu. Ardından, anormal durumları ve arızalara neden olan durum değişikliklerini önceden tespit edebilmek üzere normal çalışma durumunu tanımlamak için makine öğreniminden faydalanıldı.
    • Sonuç
      Oluşabilecek arızalar, aylarca önceden tespit edildi ve sistemlerde arıza olmadan önce programlı bakım uygulanması mümkün hale geldi. Bunun sonucunda arıza kaynaklı aksama süreleri (sistemlerin kullanılamadığı süre) %16,3 oranında azaltıldı.

    Zorluk

    İnsanların uzaktan bakım sağlamasına ilişkin sınırlamalar

    Süper iletken MRI, manyetik dalgalar ve radyo dalgalarından faydalanarak insan vücudunun içinden görüntü alan bir tıbbi sistemdir. Sıklıkla hem rutin hem de kapsamlı tıbbi kontrollerde kullanılmaktadır ve arıza yapması durumunda yalnızca kontrollerin yapılmasına engel olmakla kalmayıp, randevu tarihlerinin de tekrar ayarlanmasını gerektirmektedir. Sistemler çalışmadığında, hastaneler genel sağlık kontrolü ücretlerini tahsil edemez. Ayrıca, acil durum onarımları, normal bakımdan daha maliyetlidir.

    Bu durumların önlenmesi için, Hitachi Healthcare İş Birimi (“Sağlık Hizmetleri İB”, eski adıyla Hitachi Medical Corporation) tarafından çevirmeli bağlantının kullanılmakta olduğu 1990’ların ortasından beri uzaktan bakım desteği sağlanmaktadır. Teknisyenler, Sentinel Customer Support IoT/M2M sistemini kullanarak çeşitli sensörlerden alınan veriler için eşik değerleri belirlemekte, verideki dalgalanmaları gözlemlemekte ve gerekli bakım çalışmalarını ve parça değişimi zamanlamasını belirlemektedir.

    Ancak, yetenekli teknisyenler deneyimleri sayesinde gözlemlerinden hareket ederek arızaları öngörebilse de, Sağlık Hizmetleri İB tarafından tüm dünyada bakım sağlanan sistemlerin sayısı yüzleri, hatta binleri bulmaktadır. Uzmanların, hepsini birden takip etmesi mümkün değildir. Ayrıca, eşik değerlerini baz alan kararlarla kestirimci bakım uygulandığında, çoğu durumda arızalar, gerçekleşmeden hemen önce tespit edilebilmekte ve dolayısıyla arıza oluştuktan sonra “düzeltici bakım” gerekmektedir.

    Çözüm

    1. Arızanın nedeninin tespit edilmesi

    Healthcare İB, bu sorunu çözmek için iki yöntemden faydalandı.

    İlk yöntem, toplanan büyük miktardaki sensör verilerinin sınıflandırılması ve analiz edilmesi yoluyla MRI arızalarının nedenini tespit edecek bir mekanizma geliştirilmesiydi.

    Yıllar içinde sayısız süper iletken MRI sistemini*1 takip eden ve bu sistemlere bakım hizmeti sağlayan Healthcare İB, çok büyük miktarda sensör verisine sahip. Bu verilere bakarak, süper iletken Sentinel Analytics durumunu oluşturan temel bileşen olan soğutucuya odaklandık ve sensör verileri bize soğutucunun nasıl kullanıldığına ve cihazın ömrünün sonuna kadar nasıl davrandığına ilişkin rehberlik sağladı. Bu verilerin arızalardan alınan olay verileriyle eşleştirilmesinin, neden-sonuç ilişkisini belirlememizi sağlayacağına inandık.

    Healthcare İB, 100 MRI sisteminden alınan üç yıllık sensör verilerini hazırladı ve laboratuvardan arıza kalıplarını analiz etmesini istedi. Laboratuvar, Hitachi Data Systems Corporation’ın ABD’deki alt kuruluşlarından biri olan Pentaho tarafından sağlanan Pentahoceleyecek bir sistem oluşturdu.

    Bu aşamada karşılaşılan zorluk, sensör verilerinin temizlenmesi için yapılması gereken ön işlemeydi. Sistemin gönderdiği sensör verileri, büyük miktarda gürültü içermekteydi ve verilerin olduğu gibi kullanılması halinde teşhis doğruluğunun azalacağı yönünde endişeler oluştu. Dolayısıyla, laboratuvar analiz etmeden önce ham verilerdeki gürültüyü filtreler yoluyla ortadan kaldırdı. Verileri daha verimli bir durumda analiz ederek, arızaların nedenlerini daha doğru şekilde tespit edebilecek bir mekanizma oluşturduk.

    *1
    MRI sistemlerine ilişkin ayrıntılar için Hitachi Healthcare web sitesine bakın. (yeni pencerede aç)
    *2
    Pentaho büyük veri analiz yazılımına ilişkin ayrıntılar için Pentaho web sitesine bakın. (yeni pencerede aç)

    2. Arıza işaretlerinin tespit edilmesi

    Sorunların çözülmesi için bir diğer yöntem, bir sistemin normal işletim durumunda olmadığını daha hızlı tespit edebilecek bir mekanizmanın oluşturulmasıydı.

    Bu çözüm için Hitachi’nin TWX-21/Kestirimci Bakım Hizmetindeki Küresel e-Hizmetini kullandık. Bu hizmet, Hitachi’nin özel küme analiz teknolojisi olan LSC’ye (Local Subspace Classifier) dayalı bir teşhis algoritmasını kullanmaktadır. Sistemin durumunu uzaktan teşhis etmekte ve arızalara neden olan durum değişikliklerinin ve anormal durumların önceden tespit edilmesini sağlamaktadır.

    Healthcare İB, yaklaşık 500 MRI sisteminin her birinde yer alan birden fazla sensörden alınan geçmiş bilgileri toplamak, makinelerin düzgün çalıştığı dönemlere ait verileri tespit etmek, bu verileri kümeler halinde sınıflandırmak ve ardından normal çalışma durumuna ilişkin makine öğrenimi sağlamak için bu hizmetten faydalandı ve Bilgi ve İletişim Teknolojisi İşletme Birimi (eski adıyla Hitachi, Ltd. Information and Telecommunication Systems Company) ile birlikte çalıştı. Mevcut sensör verilerini makine öğrenimli kümelerle karşılaştırdık ve verilerin kümelerden saptığı anlarda arıza işaretlerinin tespit edilmesi için bir mekanizma geliştirdik.

    Bu teknolojinin normal çalışma durumuna ilişkin makine öğrenimi sağlaması için öncelikle “normalin” ne olduğunu tanımlamamız gerekir. Neyse ki, Healthcare İB, çevirmeli internet bağlantısı günlerinden beri binlerce sistem için takip ve bakım hizmetleri sağlama deneyimine ve dolayısıyla arıza işaretlerini tespit edebilecek bilgi birikimi olan eğitimli uzmanlara sahip. Bu bilgi birikimine dayanarak normal çalışma durumunu tanımladık ve bir dizi makine öğrenimi ve ince ayar süreci sonunda hatalı rapor ve uyarıları azaltarak sistemi sağlık kurumlarındaki yoğun kullanımı kaldırabilecek hale getirdik.

    Sonuç

    Neredeyse benzersiz bir sistem oluşturuldu

    Bu süreçle, süper iletken MRI sistemleri için Sentinel Analytics kestirimci bakım hizmeti tamamlanmış oldu.

    Sistemleri internete bağlayan ve insanların onları uzaktan takip etmesini sağlayan pek çok IoT/M2M hizmeti mevcut. Ancak, oldukça gelişmiş bir kestirimci bakım hizmetini hayata geçirmek için makine öğrenimi gibi gelişmiş veri tabanlı analiz yöntemlerinden faydalanan ve ayrıca insanlar tarafından işletilme ihtiyacını ortadan kaldıran neredeyse başka hiçbir sistem yok.

    Sentinel Analytics, belirtilerin arızaların oluşmasından aylarca önce tespit edilmesini, parçaların soğutucuda arıza oluşmasından önce onarılmasını ve değiştirilmesini ve dolayısıyla “kestirimci bakımı” mümkün kıldı. Veriler, Sentinel Analytics kullanıldığında, arıza sürelerinin bu sistemin sunulmasından öncesine oranla %16,3 azaldığını göstermektedir (Sentinel müşteri destek bölümünün araştırmasına göre). Bu, süper iletken MRI sistemleri için çok ciddi bir rakamdır. Mekanizmanın, hastaneler için sağlık hizmetlerini iyileştirmesi ve maliyetleri düşürmesi ve en önemlisi de hastalar üzerindeki yükü azaltması beklenmektedir.

    Gelecek

    Bu teknoloji, iş sınırlarını aşmaktadır ve Hitachi’nin Sosyal İnovasyon İşinde kullanılacaktır

    Healthcare İB, bu IoT/M2M teknolojisini bu şekilde kullanarak BT ile OT ürünlerini bir araya getirerek, ürünlerin ötesine geçen toptan sağlık hizmeti çözümleri sağlamayı hedeflemektedir. Şirket ayrıca, kapsamlı bölgesel sağlık hizmetleri ve her bir bireye özel sağlık hizmetleri gibi sürdürülebilir sağlık hizmeti sistemlerinin gerçekleştirilmesi için çalışmaktadır. Şirket ayrıca “ortak geliştirme” yaklaşımını şirket dışına taşımayı ve hastanelerle işbirliği yaparak toptan iyileştirme yoluyla yeni sağlık hizmetleri yönetim mekanizmaları aramayı planlamaktadır.

    Ayrıca, PoC (Proof-of-Concept - Kavram Kanıtlama) yoluyla gereksinimlerin belirlenmesi ve Lumada IoT platformunun iyileştirilmesine, genişletilmesine ve ilerlemesine katkıda bulunmak da Healthcare İB’nin temel görevleri arasındadır. Veri analiz sistemi geliştirme deneyimi ve Sentinel Analytics’in geliştirilmesi sırasında elde edilen uzmanlık bilgileri, Lumada’nın gelişimine katkıda bulunacaktır. Sağlık Hizmetleri İB’nin teknolojileri, gelecekte iş sınırlarını aşacak şekilde Hitachi’nin Sosyal İnovasyon projelerinde kullanılacaktır.

     

    Tıbbi ortamda ortak geliştirme - Kashiwa Health Check Clinic’te hizmet uygulamasına ilişkin bir vaka incelemesi

    Hitachi’nin müşterileriyle yaptığı “ortak geliştirme” çalışmalarına ilişkin bir vaka incelemesi, Kashiwa Health Check Clinic ile yapılan bir röportajla sunulmaktadır.

    Sürüm Tarihi: Mart 2017
    Çözüm: Hitachi, Ltd. Healthcare İşletme Birimi