Hospitals 4.0 amb una gestió més efectiva gràcies a algorismes de machine learning

Tècniques de localització col·laboratives: integració en els sistemes d’optimització de xarxa i aplicació en entorns IoT
maig 4, 2022
RODIN: Mètodes robustos d’inferència estadística, integritat de les dades i gestió de la interferència en xarxes de comunicació i aplicacions 5G
abril 22, 2022
02/05/2021

Un bessó digital que permetrà anticipar-se i optimitzar recursos

El projecte Hospitals 4.0 – Machine learning per a una gestió més efectiva, en el qual participa el Grup de Recerca Accionaments Elèctrics i Aplicacions Industrials (MCIA) de la Universitat Politècnica de Catalunya · BarcelonaTech (UPC), té com a principal objectiu la construcció d'un digital twin que permeti monitorar, visualitzar i gestionar l'estat de manteniment dels equipaments hospitalaris.

Aquest "bessó digital" representa amb exactitud l'actuació d'un entorn hospitalari real en un escenari simulat. La simulació permet a l'equip de gestió preparar-se davant possibles situacions reals i anticipar-se a actuacions futures mitjançant la recopilació de dades d'utilització i desgast dels sistemes.

Mitjançant l'optimització de la disponibilitat de recursos, i del manteniment d'aquests dins de l'entorn hospitalari, es garanteix la disponibilitat dels equips mèdics quan són necessaris. L'anticipació evitarà l'escassetat d'aquests o possibles problemes amb temps suficient per a poder buscar i començar a activar solucions.



Pilot sobre una instal·lació real ja en marxa

Hospitals 4.0 és un projecte de curta durada (aproximadament entre 9 i 10 mesos) i actualment es troba en la fase de recol·lecció de dades de l'Hospital de Terrassa. A més, s'estan realitzant els primers dissenys BIM (Building Information Modeling) de la zona que es pretén monitorar.

Sota aquest pilot es podran validar la concordança i la funcionalitat de les diverses tecnologies habilitadores dins de la Indústria 4.0 que fan possible aquest projecte, entre elles la simulació de sistemes, els bessons digitals, el machine learning, la intel·ligència artificial, la internet de les coses (IoT) i la interconnexió de sistemes.

Com a següent pas es començarà a dissenyar la part "lògica" del simulador d'ús de les instal·lacions. En aquest punt, MCIA es responsabilitza de la creació de l'algorisme de machine learning que, juntament amb el disseny dels fluxos de dades del simulador que està desenvolupant CT Solutions Group i la base de dades amb els històrics clínics, permetrà un sistema de gestió d'equips predictiu i correctiu.



Quins avantatges tindran els hospitals o centres de salut que comptin amb aquesta solució?

  • Reduir els costos millorant l'eficiència de l'ús d'equips de l'hospital. Gràcies al manteniment predictiu es podran anticipar imprevistos i, amb això, despeses no desitjades. També seran capaços de buscar el rendiment òptim d'aquests.
  • Millorar les operacions. L'anticipació dels possibles errors facilitarà el disseny i gestió del calendari de manteniments preventius, i minimitzarà els retards en les operacions periòdiques ocasionats per les incidències que requereixin solució urgent.
  • Millorar la sostenibilitat i medi ambient. Gràcies a la millora del consum energètic dels sistemes implicats en l'operativa de l'hospital, s'estarà contribuint conseqüentment a la millora del medi ambient i la sostenibilitat.
  • Mitigar els riscos. Permet executar simulacions que ajudaran a determinar i optimitzar l'operació de la instal·lació i el seu ús, així com determinar si el manteniment preventiu establert és el correcte.
  • Comprendre les interaccions del sistema. Els bessons digitals de diferents sistemes es poden combinar per a preveure com es relacionen entre si. Aquesta funció és molt útil en el cas de productes i serveis que procedeixen de diferents proveïdors.
  • Afinar la predicció. El model de machine learning recopila totes les dades necessàries per a crear algorismes predictius. Aquests sistemes d'intel·ligència artificial permeten prevenir fallades i millorar el funcionament dels sistemes.
  • Millorar la capacitat d'atenció al pacient. La incorporació d'algorismes de machine learning a la gestió de manteniment permetrà disposar d'un mecanisme de predicció de fallades, possibilitant la programació d'accions addicionals per a evitar la indisponibilitat dels equips. Al seu torn, l'increment de la disponibilitat dels equips mèdics permetrà millorar la capacitat i qualitat d'atenció al pacient.
  • Predir les necessitats de personal i recursos addicionals. Mitjançant el simulador d'operació de la instal·lació, es podrà predir i determinar el número de personal requerit davant diverses situacions, també si hi haurà equips suficients, i fins i tot anticipar-se a la falta d'uns certs medicaments.

Membres del projecte i suport estatal

El projecte està finançat mitjançant la línia d'ajudes de suport a les Agrupacions Empresarials Innovadores (AEI) del Ministeri d'Indústria, Comerç i Turisme amb un import de 32.351 euros. El seu lideratge recau en el clúster Smartech Cluster i compta amb la participació de l'Associació Clúster Salut Mental de Catalunya, MCIA UPC, BIM6D, Fundació Joan Costa Roma i Cadtech Ibérica.



Proyectos Relacionados