基于無線局域網實時定位系統的醫療設備可視化追溯監管系統研究

【作 者】張婧，周洪靜

臨沂市中心醫院，臨沂市，276400

0 引言

隨著我國綜合國力的日益增強，國內醫療機構引進的醫療設備在種類、規模、數量等層面顯著提升[1]，傳統的粗放式人工管理模式已經成為制約我國醫療設備可持續良性循環發展的制約因素，開發一款與智慧醫療發展相適應的醫療設備識別追溯系統成為當務之急。傳統的醫療設備追溯監管模式大多采用人工紙質記錄的方式，存在醫療設備定位信息反饋滯后、醫療設備可視化追溯效果不佳、醫療設備工作狀態監管預警缺失等不足[2]，無法構建唯一標識系統框架，隔絕了醫療設備生產、經營、流通、使用之間的內在耦合關系，無法實現醫療設備完整壽命周期的可視化追溯監管。為了積極應對當下困境，積極把新技術應用于醫療設備追溯監管領域，開發了一款基于無線局域網實時定位系統的醫療設備可視化追溯監管系統，系統借助無線局域網基站實現醫療設備實時定位[3]，系統按照唯一標識系統編碼規則賦予醫療設備唯一標識，完成醫療設備唯一標識數據庫數據上傳與校正工作，實現醫療設備實時定位與追溯。系統引入人工智能算法，借助基于深度學習的主動預警算法實現醫療設備工作狀態監管預警，借助室內地圖生成與軌跡回放實現醫療設備可視化追溯監管[4]。選取臨沂市中心醫院進行系統工程實踐評估及臨床統計學分析，結果表明系統對提高醫療設備監管信息化水平具有積極作用。

1 系統框架及數據結構分析

基于無線局域網實時定位系統的醫療設備可視化追溯監管系統涵蓋醫療設備唯一標識底層編碼數據生成，醫療設備實時位置更新與可視化追溯、醫療設備異常狀態偵測與主動預警等完整醫療設備信息化監管體系效能，系統以較大醫療機構的實際需求為導向，兼顧工程化實現可行性，設計了醫療設備可視化追溯監管系統邏輯框架，具體如圖1所示。醫療設備可視化追溯監管系統邏輯框架劃分為底層編碼數據生成層、實時位置更新與可視化追溯層、異常狀態偵測與主動預警層、軌跡回放與人機交互層等，各層之間通過實時軟件進程進行雙向通信，各層遵循軟件工程可重構模塊化原則，層與層之間既存在數據傳輸耦合關系又在軟件進程層面保持相對獨立，各層在數據流控制下協同運轉，共同實現醫療設備可視化追溯監管系統預設功能。

圖1 醫療設備可視化追溯監管系統邏輯框架Fig.1 Logical structure of medical equipment traceability monitoring system

醫療設備可視化追溯監管系統數據結構分析是進行系統工程化實現的基礎工作，對編碼規則制定具有指導作用，根據醫療設備追溯監管數據的特征[5]，從編碼識別符、編碼數據庫、編碼數據載體等層面對醫療設備可視化追溯監管系統數據結構進行了分析，數據結構如圖2所示。編碼識別符屬于非結構化數據，主要包括DI（靜態數據驅動）生成面向靜態字段的編碼識別符，PI（動態數據驅動）。生成面向動態字段的編碼識別符，差分曼徹斯特編碼在SI（時鐘信息驅動）的控制下完成靜/動態編碼識別符生成入庫。編碼數據庫屬于混合數據，完成靜/動態數據元素注冊，同時暫時存儲醫療設備編碼數據字段[6]。編碼數據載體屬于結構化數據，主要實現醫療設備編碼數據載體物理化，遵循ISO 15693等射頻協議，編碼數據載體標準射頻機器可讀，物理載體包括實物ID柔性標簽等。

圖2 醫療設備可視化追溯監管系統數據結構Fig.2 Data structure of medical equipment traceability supervision

2 系統關鍵模塊設計及實現

2.1 定位及編碼模塊

定位及編碼模塊是醫療設備可視化追溯監管系統底層數據驅動源頭，主要實現醫療設備實時定位與標準編碼并生成具有唯一屬性的設備實物ID標簽。基于脈沖超寬帶的設備無線定位系統，如圖3所示。采用基于脈沖超寬帶（IRUWB）技術的設備無線定位系統，主要包括位置感知層、無線局域網傳輸層、定位信息及移動軌跡解算層，通過構建無線局域網實時定位機制，醫療設備的定位精度可以達到10 cm左右，可以實時提供定位區域內目標醫療器械的定位信息及移動軌跡。定位標簽采用超低功耗有源模式[7]，可以實現180 d以上的免維護工作，定位系統提供開放式擴展API接口，可以方便地與第三方軟件實現數據。

圖3 基于脈沖超寬帶的設備無線定位系統Fig.3 Equipment wireless positioning system based on pulse ultra-wideband

RFID射頻標簽編碼規則采用差分曼切斯特編碼，具有較高的容錯性和較高的數據傳送效率，屬于同步時鐘約束下的編碼技術，編碼周期內的數據碼流和時鐘信息在物理層進行同步處理，利用物理層中每一位的跳變完成數據與時鐘的統一。差分曼徹斯特編碼具有編碼協議歸一性，基本編碼規則如下：在某個編碼周期內，若當前碼流為1，則令編碼碼元的前半部分與前一個編碼的電平具有相同屬性，后半部分碼元與前半部分碼元具有相反屬性；若當前碼流為0，則令編碼碼元的前半部分與前一個編碼的電平具有相反屬性，后半部分碼元與前半部分碼元具有相通屬性[8]。差分曼切斯特解碼具有邊沿捕獲性，流程示意，如圖4所示，在定時器中設置捕獲所有單元，開啟中斷標志位，讀取當前I/O的電平值，完成對應值的緩存，進行下一個邊沿捕獲，依次循環。

圖4 差分曼切斯特解碼流程示意Fig.4 Differential Manchester decoding process

2.2 可視化追溯及回放模塊

可視化追溯及回放模塊是實現人機友好交互的主要載體，借助定位及編碼模塊給出的定位及移動軌跡信息實現醫療設備實時追溯，引入專用存儲服務器存儲醫療設備追溯及移動軌跡數據，分配獨立的軟件進程，實現醫療設備移動軌跡實時追蹤，基于SVE SDK1.0開發了可視化人機交互界面，實現了醫療設備可視化追溯及實時移動軌跡回放，其效能如圖5所示。

圖5 可視化追溯及回放模塊效能Fig.5 Visual traceability and playback module performance diagram

醫療設備可視化追溯監管系統可視化追溯及回放模塊首先實現了醫療設備精細化管理，粗略估計，每年醫療設備維保費用降低30%以上；然后通過可視化追溯及回放模塊開放API接口，實現醫療設備精確配置，為患者提供醫療設備精確位置導航，粗略估計，平均為患者節省20%的就診時間；最后通過可視化追溯及回放模塊，優化了醫療設備管理模式，規范了醫療設備調配過程，很大程度上緩解了醫患關系，高效利用設備資源，減少流程等待時間，提高了院內服務評價。

2.3 監管及主動預警模塊

引入人工智能算法對醫療設備可視化追溯監管系統底層驅動數據進行深度分析，構建醫療設備工作狀態監管及主動預警機制。借助基于深度學習的主動預警算法實現醫療設備工作故障監管及主動預警，借助可視化追溯及回放模塊提供的開放API接口實現醫療設備可視化追溯監管。如圖6所示，提出了一種基于深度學習的醫療設備故障監管及主動預警算法。

圖6 基于深度學習的監管及主動預警模塊邏輯框架Fig.6 Supervision and active early warning module based on deep learning

算法涵蓋觸發醫療設備工作狀態實時監測子過程、觸發醫療設備故障狀態實時感知子過程、觸發醫療設備故障狀態主動預警子過程等三個子過程[9]。利用監測子過程采集到的醫療設備工作狀態數據作為深度學習原始數據集，利用感知子過程感知到的醫療設備故障工作狀態數據作為訓練數據集，在Actor進程中引入現實策略網絡（對應Critic進程中的現實Q網絡）與目標策略網絡（對應Critic進程中的目標Q網絡）實現醫療設備故障狀態特征提取與自學習，實現醫療設備工作故障狀態自主感知與決策[10]。基于深度學習的醫療設備故障監管及主動預警算法通過協同控制工作狀態（R）、故障狀態感知（S）、故障數據訓練（A）、故障主動預警（S'）等四個進程實現醫療設備工作狀態實時監測、故障狀態實時感知、故障數據特征提取與訓練、故障狀態主動預警等功能，為構建智慧化、自主化的醫療設備故障監管及主動預警機制提供支撐。

3 系統工程實踐評估及臨床統計學分析

醫療設備可視化追溯監管系統以工程實踐為導向，以臨床統計學分析為指引，在給出追溯監管系統關鍵模塊設計方案的基礎上對系統進行整體效能分析，遵循軟件工程規范醫療器械相關國家標準對系統開展工程實踐評估及臨床統計學分析，考慮到經濟便捷性，在臨沂市中心醫院設備科已裝備硬件平臺基礎上進行擴展適應性改造，具體如圖7所示。系統工程實踐評估及臨床統計學分析平臺布置采用三層模式，第一層通過內網總線接收醫療設備安裝的工作狀態監測終端發出的數據信息，通過設備科信息內網數據中心進入中心數據庫進行暫存與融合計算，在底層編碼寄主服務器集群中生成唯一性實物ID編碼；第二層借助醫療設備定位服務器集群實現醫療設備實時定位，通過數據總線上傳至軌跡地圖自生成服務器，實現醫療設備移動軌跡實施追溯，基于SVE SDK1.0開發可視化人機交互界面，實現醫療設備移動軌跡實時可視化追溯；第二層提供的可視化追溯數據通過追溯中心傳輸至異常偵測服務器集群，實現醫療設備故障狀態實時偵測并通過物聯網關傳輸至主動預警服務器集群，借助集群內寄主的深度學習算法實現醫療設備故障狀態主動預警。

圖7 系統工程實踐評估及臨床統計學分析平臺布置Fig.7 System engineering practice evaluation and clinical statistics analysis platform

為了進一步驗證系統的工程實踐評估及臨床統計學分析效能，基于圖7給出的系統工程實踐評估及臨床統計學分析平臺布置，選取本院2020年第一季度醫療設備運維管理相關數據為定量化載體，選取本院正在應用的醫療設備綜合管理系統作為對照組，從醫療設備定位信息精確率、醫療設備可視化追溯精確率、醫療設備異常狀態偵測精確率、醫療設備故障主動預警有效率等層面多維對比模型性能，具體內容如表1所示。為了確保基于無線局域網實時定位系統的醫療設備可視化追溯監管系統具有臨床實用性及工程評估實踐有效性，對系統開展隨機統計學分析。基于系統的數據特征，對系統開展集中趨勢度量、離中趨勢度量的統計學分析。基于Python仿真環境，借助統計學工具箱對模型進行了集中趨勢度量、離中趨勢度量下的統計學分析。針對集中趨勢度量，選定醫療設備可視追溯最優作為統計學分析的靠攏中心，尋找模型的眾數與中位數，選定醫療設備故障主動預警失效作為統計學分析的偏離中心，尋找模型的極差與分位差。

表1 系統工程實踐評估及臨床統計學分析對比表Tab.1 System engineering practice evaluation and clinical statistical analysis comparison table

4 結論

在智慧醫療蓬勃發展并大規模落地實施的大環境下，積極推動構建我國智慧化醫療管理體系，著重改善傳統醫療設備追溯監管模式存在的醫療設備定位信息反饋滯后、醫療設備可視化追溯效果不佳、醫療設備工作狀態監管預警缺失等不足，開發了一款基于無線局域網實時定位系統的醫療設備可視化追溯監管系統。綜合考慮臨床應用需求與工程開發便捷性，給出了系統架構并對系統數據結構進行了分析，引入無線局域網定位技術、差分曼切斯特編碼技術、基于SVE SDK1.0的可視化技術、導航回放技術、深度學習技術等設計并實現了定位及編碼模塊、可視化追溯及回放模塊、監管及主動預警模塊等系統關鍵模塊。為了確保系統具有臨床實用性及工程評估實踐有效性，對系統開展工程實踐評估及臨床統計學分析，從定性、定量兩個層面驗證了系統在醫療設備定位信息精確率、醫療設備可視化追溯精確率、醫療設備異常狀態偵測精確率、醫療設備故障主動預警有效率等層面具有明顯優勢，臨床統計學分析符合一線醫療機構實際臨床需求，具有一定的臨床應用價值。