跳到正文

Hitachi

社会创新

    • 大数据分析
    • 医疗健康

    解决现代社会面临的医疗问题

    现代社会面临新增多种疾病、地区间医疗差距扩大、医疗费用增长等各种问题。为了解决这些问题,维持和提高人们的生活质量(QoL:Quality of Life),就必须提供个体化的医疗服务、实现高效的医疗事业经营以及创造可持续发展的医疗健康社会体系等。而要实现这些目标,仅发展医疗技术是不够的,还需要融合最尖端的IT技术和社会基础设施技术,将人们的活动、事物状态数字化,运用AI(人工智能)、数据分析和控制技术进行创新。

    为此,除了电力、水、交通等生活必需的基础设施领域外,日立还将医疗健康定位为支撑社会发展的重要社会基础设施,并将其作为“社会创新事业”的一大支柱推进发展。

    日立的医疗健康事业自20世纪50年代以来便不断创新,向社会推出了各种全球首创或日本首创的产品和技术。日立与医疗相关人员协作创新,开发产品和服务,在21世纪初,拓展癌症治疗设备和医疗健康IT技术等尖端领域的事业,为医疗质量的优化和效率的提升做出了贡献。现在,日立拥有引领整个医疗健康社会系统的OT(Operation Technology)、IT(Information Technology)和产品。

    预测超导MRI(磁共振成像)设备的故障是日立医疗健康事业的一大课题。

    事业概要

    • 课题
      人工预测故障需要熟练的技术,仅靠部分专家难以监测全世界的MRI设备。不得不在设备发生故障后才进行“事后维修”。
    • 解决方案
      制作系统来分析100台设备积攒3年的传感器数据,查明故障成因模式,然后运用机器学习定义正常状态,从而成功提前检测出导致故障的状态变化和异常情况。
    • 成果
      能够在故障发生的几个月前检测到故障前兆,并在设备损坏前有计划地进行维护。这样一来,设备因故障而无法使用的时间(故障时间)减少了16.3%。

    课题

    人工远程维护的界限

    超导MRI设备是利用磁力和电波拍摄人体内部的医疗设备,除了诊疗外,还多用于短期综合体检等检查。如果发生故障,不仅会中断诊疗,还会导致就诊日期重新调整(重新预约)。院方在设备故障期间也无法盈利。此外,紧急修理会耗费比常规维护更高的成本。

    为了防止此类状况,日立医疗健康事业部(简称“医疗健康BU”,原日立医疗)从20世纪90年代中期,那个还在拨号上网的时代便开始提供远程维护支持。利用IoT/M2M系统“Sentinel客户支持”,为设备的各种传感器数据设定阈值,然后由技术人员观察数据变化,并判断是否需要维护以及零部件的更换时间等。

    然而,虽然熟练的技术人员能够根据经验事先预测故障,但医疗健康BU在全世界要维护成百上千台设备,专家不可能监测所有的设备。此外,通过阈值判定进行前兆诊断,很多时候只有在临近故障之前才能检测出状况,因此不得不进行发生故障后再处理的“事后维修”。

    解决方案

    1.查明故障原因

    为了解决这一课题,医疗健康BU采用了两种方法。

    一种是建立机制,归类并分析积累的大量传感器数据,从而查明设备故障原因。

    医疗健康BU长年监测和维护*1大量超导MRI设备,积累了大量的传感器数据。在数据中,着眼于形成超导状态的核心零部件——冷冻机。从传感器数据推导出冷冻机达到产品寿命前的使用方法和运行情况,然后结合故障时的事件数据,从而推导出因果关系。

    医疗健康BU准备了100台设备3年间的数据,并委托研究所分析故障模式。研究所建立了一个系统,利用美国日立数据系统公司的子公司Pentaho提供的大数据分析软件“Pentaho”*2,按照趋势分析的方法对数据进行归类和分析,进而制作故障成因模型。

    这个阶段的主要问题是数据清理的预处理。由于设备传送来的传感器数据带有大量噪声,直接分析可能会降低诊断精度。为此,研究所在分析前使用过滤器除掉原始数据的噪声,形成有效数据后再进行分析,从而完成故障原因高精度检测机制。

    *1
    点击了解超导MRI设备的产品和支持详细信息。(跳转至医疗健康的产品和支持页面。)
    *2
    点击了解大数据分析软件“Pentaho”的详细信息。(跳转至Pentaho软件网站。)

    2.检测故障前兆

    另一种解决课题的方法是,建立能够更早检测到设备异常状态的机制。

    这种方法采用的是日立的“Global e-Service on TWX-21/故障前兆诊断服务”。该服务运用日立独有的聚类分析技术“局部子空间分类(LSC:Local Subspace Classifier)”诊断算法,远程诊断设备状态,提前检测出导致故障的状态变化和异常情况。

    医疗健康BU利用这项服务,与ICT事业统括本部(原日立制作所 信息和通信系统公司)合作,从大约500台设备的多个传感器传送的历史数据中,提取正常运行期间的数据,并在聚类后让机器学习正常状态。比较现在的传感器数据与机器学习的聚类,将偏离聚类的情况视为故障并进行前兆诊断。

    想让机器学习正常的状态,就必须定义“什么是正常”。所幸的是,医疗健康BU从拨号上网时代就开始监测和维护共计数千台的设备,培养了一批能够捕捉故障前兆的经验丰富的专家。根据这些宝贵的知识和经验定义什么是正常,通过反复学习和调校,逐渐减少误报和漏报,开发出了能够胜任医疗现场工作的系统。

    成果

    完成独一无二的系统

    就这样,面向超导MRI设备的故障前兆诊断服务“Sentinel Analytics”问世了。

    将设备接入互联网,对设备进行远程人工监测的IoT/M2M服务有很种。但是,用机器学习等最尖端的运用数据的分析方法,并且摆脱了人为运用,实现了高精度前兆诊断的服务还较为罕见。

    通过Sentinel Analytics,可以在发生故障的几个月前检测故障前兆,以及在冷冻机损坏前有计划地修理和更换零部件,实现“预测维护”。有数据表明,与之前相比,运用Sentinel Analytics后,设备因故障而无法使用的时间(故障时间)减少了16.3%(对比本公司Sentinel客户支持)。对超导MRI设备而言,这是一个令人惊讶的数据。这不仅能够提高院方的医疗服务水平并且能够降低成本,最重要的是还有望减轻患者的负担。

    展望

    突破事业框架,将技术灵活用于社会创新事业

    医疗健康BU的目标并非向利用IoT/M2M的OT领域提供单个产品,而是结合IT和产品提供综合的医疗健康方案,并且计划实现包括地区整体医疗在内的、可持续医疗健康系统和个体化的医疗服务。不断扩大与公司外部的“协作创新”,摸索与医院合作进行整体优化的新型医疗经营机制。

    此外,通过PoC(Proof-of-Concept,概念验证)提取条件,为加强、扩大、深化IoT平台“Lumada”做出贡献也是医疗健康BU的一项重要职责。基于开发Sentinel Analytics时获得的知识,获得了很多构建数据分析系统等方面的经验,这些都有助于推进“Lumada”的发展。医疗健康BU将突破事业的框架,让相关技术灵活运用于整个社会创新事业。

    医疗现场的顾客协作创新
    柏健诊Clinic(备注:柏健诊Clinic为当地医疗机构名称)服务引进案例

    与实际应用“故障前兆诊断服务”的客户交流,介绍日立医疗健康事业部与客户合作解决课题的案例。

    公开日期: 2017年3月
    解决方案负责部门: 日立制作所 医疗健康事业部