基于无线局域网实时定位系统的医疗设备可视化追溯监管系统研究

【作 者】张婧，周洪静

临沂市中心医院，临沂市，276400

0 引言

随着我国综合国力的日益增强，国内医疗机构引进的医疗设备在种类、规模、数量等层面显著提升[1]，传统的粗放式人工管理模式已经成为制约我国医疗设备可持续良性循环发展的制约因素，开发一款与智慧医疗发展相适应的医疗设备识别追溯系统成为当务之急。传统的医疗设备追溯监管模式大多采用人工纸质记录的方式，存在医疗设备定位信息反馈滞后、医疗设备可视化追溯效果不佳、医疗设备工作状态监管预警缺失等不足[2]，无法构建唯一标识系统框架，隔绝了医疗设备生产、经营、流通、使用之间的内在耦合关系，无法实现医疗设备完整寿命周期的可视化追溯监管。为了积极应对当下困境，积极把新技术应用于医疗设备追溯监管领域，开发了一款基于无线局域网实时定位系统的医疗设备可视化追溯监管系统，系统借助无线局域网基站实现医疗设备实时定位[3]，系统按照唯一标识系统编码规则赋予医疗设备唯一标识，完成医疗设备唯一标识数据库数据上传与校正工作，实现医疗设备实时定位与追溯。系统引入人工智能算法，借助基于深度学习的主动预警算法实现医疗设备工作状态监管预警，借助室内地图生成与轨迹回放实现医疗设备可视化追溯监管[4]。选取临沂市中心医院进行系统工程实践评估及临床统计学分析，结果表明系统对提高医疗设备监管信息化水平具有积极作用。

1 系统框架及数据结构分析

基于无线局域网实时定位系统的医疗设备可视化追溯监管系统涵盖医疗设备唯一标识底层编码数据生成，医疗设备实时位置更新与可视化追溯、医疗设备异常状态侦测与主动预警等完整医疗设备信息化监管体系效能，系统以较大医疗机构的实际需求为导向，兼顾工程化实现可行性，设计了医疗设备可视化追溯监管系统逻辑框架，具体如图1所示。医疗设备可视化追溯监管系统逻辑框架划分为底层编码数据生成层、实时位置更新与可视化追溯层、异常状态侦测与主动预警层、轨迹回放与人机交互层等，各层之间通过实时软件进程进行双向通信，各层遵循软件工程可重构模块化原则，层与层之间既存在数据传输耦合关系又在软件进程层面保持相对独立，各层在数据流控制下协同运转，共同实现医疗设备可视化追溯监管系统预设功能。

图1 医疗设备可视化追溯监管系统逻辑框架Fig.1 Logical structure of medical equipment traceability monitoring system

医疗设备可视化追溯监管系统数据结构分析是进行系统工程化实现的基础工作，对编码规则制定具有指导作用，根据医疗设备追溯监管数据的特征[5]，从编码识别符、编码数据库、编码数据载体等层面对医疗设备可视化追溯监管系统数据结构进行了分析，数据结构如图2所示。编码识别符属于非结构化数据，主要包括DI（静态数据驱动）生成面向静态字段的编码识别符，PI（动态数据驱动）。生成面向动态字段的编码识别符，差分曼彻斯特编码在SI（时钟信息驱动）的控制下完成静/动态编码识别符生成入库。编码数据库属于混合数据，完成静/动态数据元素注册，同时暂时存储医疗设备编码数据字段[6]。编码数据载体属于结构化数据，主要实现医疗设备编码数据载体物理化，遵循ISO 15693等射频协议，编码数据载体标准射频机器可读，物理载体包括实物ID柔性标签等。

图2 医疗设备可视化追溯监管系统数据结构Fig.2 Data structure of medical equipment traceability supervision

2 系统关键模块设计及实现

2.1 定位及编码模块

定位及编码模块是医疗设备可视化追溯监管系统底层数据驱动源头，主要实现医疗设备实时定位与标准编码并生成具有唯一属性的设备实物ID标签。基于脉冲超宽带的设备无线定位系统，如图3所示。采用基于脉冲超宽带（IRUWB）技术的设备无线定位系统，主要包括位置感知层、无线局域网传输层、定位信息及移动轨迹解算层，通过构建无线局域网实时定位机制，医疗设备的定位精度可以达到10 cm左右，可以实时提供定位区域内目标医疗器械的定位信息及移动轨迹。定位标签采用超低功耗有源模式[7]，可以实现180 d以上的免维护工作，定位系统提供开放式扩展API接口，可以方便地与第三方软件实现数据。

图3 基于脉冲超宽带的设备无线定位系统Fig.3 Equipment wireless positioning system based on pulse ultra-wideband

RFID射频标签编码规则采用差分曼切斯特编码，具有较高的容错性和较高的数据传送效率，属于同步时钟约束下的编码技术，编码周期内的数据码流和时钟信息在物理层进行同步处理，利用物理层中每一位的跳变完成数据与时钟的统一。差分曼彻斯特编码具有编码协议归一性，基本编码规则如下：在某个编码周期内，若当前码流为1，则令编码码元的前半部分与前一个编码的电平具有相同属性，后半部分码元与前半部分码元具有相反属性；若当前码流为0，则令编码码元的前半部分与前一个编码的电平具有相反属性，后半部分码元与前半部分码元具有相通属性[8]。差分曼切斯特解码具有边沿捕获性，流程示意，如图4所示，在定时器中设置捕获所有单元，开启中断标志位，读取当前I/O的电平值，完成对应值的缓存，进行下一个边沿捕获，依次循环。

图4 差分曼切斯特解码流程示意Fig.4 Differential Manchester decoding process

2.2 可视化追溯及回放模块

可视化追溯及回放模块是实现人机友好交互的主要载体，借助定位及编码模块给出的定位及移动轨迹信息实现医疗设备实时追溯，引入专用存储服务器存储医疗设备追溯及移动轨迹数据，分配独立的软件进程，实现医疗设备移动轨迹实时追踪，基于SVE SDK1.0开发了可视化人机交互界面，实现了医疗设备可视化追溯及实时移动轨迹回放，其效能如图5所示。

图5 可视化追溯及回放模块效能Fig.5 Visual traceability and playback module performance diagram

医疗设备可视化追溯监管系统可视化追溯及回放模块首先实现了医疗设备精细化管理，粗略估计，每年医疗设备维保费用降低30%以上；然后通过可视化追溯及回放模块开放API接口，实现医疗设备精确配置，为患者提供医疗设备精确位置导航，粗略估计，平均为患者节省20%的就诊时间；最后通过可视化追溯及回放模块，优化了医疗设备管理模式，规范了医疗设备调配过程，很大程度上缓解了医患关系，高效利用设备资源，减少流程等待时间，提高了院内服务评价。

2.3 监管及主动预警模块

引入人工智能算法对医疗设备可视化追溯监管系统底层驱动数据进行深度分析，构建医疗设备工作状态监管及主动预警机制。借助基于深度学习的主动预警算法实现医疗设备工作故障监管及主动预警，借助可视化追溯及回放模块提供的开放API接口实现医疗设备可视化追溯监管。如图6所示，提出了一种基于深度学习的医疗设备故障监管及主动预警算法。

图6 基于深度学习的监管及主动预警模块逻辑框架Fig.6 Supervision and active early warning module based on deep learning

算法涵盖触发医疗设备工作状态实时监测子过程、触发医疗设备故障状态实时感知子过程、触发医疗设备故障状态主动预警子过程等三个子过程[9]。利用监测子过程采集到的医疗设备工作状态数据作为深度学习原始数据集，利用感知子过程感知到的医疗设备故障工作状态数据作为训练数据集，在Actor进程中引入现实策略网络（对应Critic进程中的现实Q网络）与目标策略网络（对应Critic进程中的目标Q网络）实现医疗设备故障状态特征提取与自学习，实现医疗设备工作故障状态自主感知与决策[10]。基于深度学习的医疗设备故障监管及主动预警算法通过协同控制工作状态（R）、故障状态感知（S）、故障数据训练（A）、故障主动预警（S'）等四个进程实现医疗设备工作状态实时监测、故障状态实时感知、故障数据特征提取与训练、故障状态主动预警等功能，为构建智慧化、自主化的医疗设备故障监管及主动预警机制提供支撑。

3 系统工程实践评估及临床统计学分析

医疗设备可视化追溯监管系统以工程实践为导向，以临床统计学分析为指引，在给出追溯监管系统关键模块设计方案的基础上对系统进行整体效能分析，遵循软件工程规范医疗器械相关国家标准对系统开展工程实践评估及临床统计学分析，考虑到经济便捷性，在临沂市中心医院设备科已装备硬件平台基础上进行扩展适应性改造，具体如图7所示。系统工程实践评估及临床统计学分析平台布置采用三层模式，第一层通过内网总线接收医疗设备安装的工作状态监测终端发出的数据信息，通过设备科信息内网数据中心进入中心数据库进行暂存与融合计算，在底层编码寄主服务器集群中生成唯一性实物ID编码；第二层借助医疗设备定位服务器集群实现医疗设备实时定位，通过数据总线上传至轨迹地图自生成服务器，实现医疗设备移动轨迹实施追溯，基于SVE SDK1.0开发可视化人机交互界面，实现医疗设备移动轨迹实时可视化追溯；第二层提供的可视化追溯数据通过追溯中心传输至异常侦测服务器集群，实现医疗设备故障状态实时侦测并通过物联网关传输至主动预警服务器集群，借助集群内寄主的深度学习算法实现医疗设备故障状态主动预警。

图7 系统工程实践评估及临床统计学分析平台布置Fig.7 System engineering practice evaluation and clinical statistics analysis platform

为了进一步验证系统的工程实践评估及临床统计学分析效能，基于图7给出的系统工程实践评估及临床统计学分析平台布置，选取本院2020年第一季度医疗设备运维管理相关数据为定量化载体，选取本院正在应用的医疗设备综合管理系统作为对照组，从医疗设备定位信息精确率、医疗设备可视化追溯精确率、医疗设备异常状态侦测精确率、医疗设备故障主动预警有效率等层面多维对比模型性能，具体内容如表1所示。为了确保基于无线局域网实时定位系统的医疗设备可视化追溯监管系统具有临床实用性及工程评估实践有效性，对系统开展随机统计学分析。基于系统的数据特征，对系统开展集中趋势度量、离中趋势度量的统计学分析。基于Python仿真环境，借助统计学工具箱对模型进行了集中趋势度量、离中趋势度量下的统计学分析。针对集中趋势度量，选定医疗设备可视追溯最优作为统计学分析的靠拢中心，寻找模型的众数与中位数，选定医疗设备故障主动预警失效作为统计学分析的偏离中心，寻找模型的极差与分位差。

表1 系统工程实践评估及临床统计学分析对比表Tab.1 System engineering practice evaluation and clinical statistical analysis comparison table

4 结论

在智慧医疗蓬勃发展并大规模落地实施的大环境下，积极推动构建我国智慧化医疗管理体系，着重改善传统医疗设备追溯监管模式存在的医疗设备定位信息反馈滞后、医疗设备可视化追溯效果不佳、医疗设备工作状态监管预警缺失等不足，开发了一款基于无线局域网实时定位系统的医疗设备可视化追溯监管系统。综合考虑临床应用需求与工程开发便捷性，给出了系统架构并对系统数据结构进行了分析，引入无线局域网定位技术、差分曼切斯特编码技术、基于SVE SDK1.0的可视化技术、导航回放技术、深度学习技术等设计并实现了定位及编码模块、可视化追溯及回放模块、监管及主动预警模块等系统关键模块。为了确保系统具有临床实用性及工程评估实践有效性，对系统开展工程实践评估及临床统计学分析，从定性、定量两个层面验证了系统在医疗设备定位信息精确率、医疗设备可视化追溯精确率、医疗设备异常状态侦测精确率、医疗设备故障主动预警有效率等层面具有明显优势，临床统计学分析符合一线医疗机构实际临床需求，具有一定的临床应用价值。