Data Analytics – ein verborgener Schatz, den es zu heben lohnt

Infoteam Data Analytics – ein verborgener Schatz, den es zu heben lohnt

17.09.2018Autor / Redakteur: Stefan Förstel / Kathrin Schäfer

Medizingeräte stellen schon heute umfangreiche Betriebsdaten bereit. Viele Hersteller nutzen dieses verborgene Wissenspotenzial jedoch kaum. Dabei kann die systematische Sammlung, Aufbereitung und Analyse von Daten Verbesserungspotenziale identifizieren und Wettbewerbsvorteile generieren.

Anbieter zum Thema

KUMAVISION AG

Forum MedTech Pharma eV

Metecon GmbH

infoteam Software AG

Die Analyse von digitalen Daten ist in der Medizintechnik das zentrale Thema der Zukunft und bietet mit das größte Potenzial für künftige Geschäftsmodelle.
(Bild: Infoteam)

Analyse von digitalen Daten in der Medizintechnik
Predictive Maintenance für Medizingeräte

Team Data Science Process (TDSP) aus dem Hause Microsoft

Moderne Medizingeräte lassen sich heute bereits system- und standortübergreifend vernetzen und können so sämtliche Betriebsdaten für Analysen zur Verfügung stellen. Doch wie lassen sich diese Daten und das darin schlummernde Potenzial nutzen? Data Analytics, also die gezielte Datensammlung und -kategorisierung, ist die Antwort. Hierbei identifizieren Softwarealgorithmen auf Basis individueller mathematischer Modelle vorhandene Relationen innerhalb der gesammelten Daten, die menschliche Experten aufgrund der Komplexität oftmals nicht mehr erkennen.

Whitepaper Cover: Vogel Communications Group GmbH & Co. KG

„Die Analyse von digitalen Daten ist in der Medizintechnik das zentrale Thema der Zukunft und bietet mit das größte Potenzial für künftige Geschäftsmodelle“, ist Jürgen Andert, Head of Business Segment Medical Devices bei der Infoteam Software AG, überzeugt. Gerade in der Medizintechnik steht eine Vielzahl unterschiedlicher Daten zur Verfügung, sodass sich daraus vielfältige Anwendungsszenarien ableiten lassen:

Der Ausfall von Medizingeräten oder ihrer Komponenten lässt sich vorhersagen

Zum einen lässt sich der Ausfall von Medizingeräten oder Teilkomponenten vorhersagen. So können diese rechtzeitig überprüft und vor dem Ende ihrer Lebensleistung ausgetauscht werden (Predictive Maintenance). Die rechtzeitige Überprüfung führt wiederum zu einer längeren Lebensdauer der Geräte oder Komponenten. Darüber hinaus können Hersteller die Informationen nutzen, um bei zukünftigen Modellen Schwachstellen zu eliminieren.

Zum anderen ermöglicht die Analyse des Nutzerverhaltens Herstellern eine Usability-Optimierung der Systeme. Lässt sich erkennen, dass Nutzer auf der Suche nach einer Funktion immer denselben Umweg in der Navigation verfolgen, können diese Erkenntnisse bei einem Usability-Update optimierend eingesetzt werden. „Für die meisten Data-Analytics-Anwendungen ist ein individuell auf die Kundendaten abgestimmtes mathematisches Modell die richtige Vorgehensweise“, erklärt Andert. Es gibt zwei Herangehensweisen: zum einen den Top-down-Ansatz, also den Einsatz vorgefertigter Frameworks mit beschränkten und von vornherein festgelegten Algorithmen. Der andere, individuell entwickelte und präzise auf die konkrete Fragestellung des Kunden zugeschnittene Lösungsweg ist der Bottom-up-Ansatz. Um zusammen mit dem Kunden die für ihn beste Lösung implementieren zu können, durchlaufen solche Projekte drei wesentliche Schritte.

Schon heute stellen Medizingeräte wertvolle Daten zur Verfügung

Schritt 1 – Datensammlung und Datenhaltung: Die bereits gespeicherten, historischen Daten in ihrer ganzen Vielfalt bilden die Basis für Predictive-Analytics-Anwendungen: Die mathematischen Modelle können aus den Komponentenausfällen der Vergangenheit „lernen“ und das Erlernte auf aktuelle Daten anwenden. In solchen Fällen ist die Art der Datensammlung bereits etabliert und die Datenhaltung technologisch gesetzt. Unternehmen, die bislang noch keine Daten sammeln, müssen im ersten Schritt die Datenhaltung aufbauen.

Schritt 2 – Iterative Modellerstellung: Um zielführende Datenanalysen starten zu können, ist im Vorfeld eine Fragestellung herauszuarbeiten. Diese könnte lauten: „Lässt sich anhand bestimmter Daten die Lebensdauer einer bestimmten Komponente vorhersagen?“ Das mathematische Modell „lernt“ anhand historischer Daten und „erkennt“ Zusammenhänge, die in der Vergangenheit zu einem Ausfall geführt haben. Vielversprechende Methoden in diesem Sinne sind Modelle des maschinellen Lernens. Die hinsichtlich Datenvorbereitung und Komplexität aufwendigsten Modelle sind neuronale Netze, die bei professioneller Anwendung und ausreichend großer Datenbasis das größte Potenzial für einen präzisen Informationsgewinn bieten. Das entstandene ausgereifte mathematische Modell lässt sich auf Live-Sensordaten anwenden, um Komponentenausfälle vorhersagen zu können. Die Entwicklung eines Modells des maschinellen Lernens ist ein in mehreren Schritten verlaufendes iteratives Verfahren. Einer der etabliertesten Data-Science-Entwicklungsprozesse ist der von Microsoft entwickelte Team Data Science Process (TDSP).

Schritt 3 – Automatisierte Prozesse auf Basis von Data Analytics: Im Hinblick auf das Beispiel der prognostizierten verbleibenden Lebensdauer einer Teilkomponente kann in einem ausgereiften Modell nun eine Grenze definiert werden, ab der automatisiert ein festgelegter Prozess angestoßen wird. Das kann von Warnmeldungen über automatisierte Handlungsaufträge für Servicetechniker bis hin zu automatisch ausgelösten Bestellvorgängen von Ersatzteilen reichen. Hierfür müssen die Kompetenzen aus domänenspezifischem Prozesswissen, Datenanalyse und softwaregestützter Automatisierung vereint werden.

Fazit: Die Entwicklung von Predictive-Maintenance-Applikationen ist folglich kein in sich geschlossener Prozess, sondern ein Zusammenspiel mehrerer komplexer Disziplinen, und setzt Erfahrung in all diesen Bereichen voraus.