AI が病院の屋内資産追跡の課題を克服する方法

IoT アプリケーションでは、AI はデータ スタックの「最上位」で使用されることが多く、複数のソースから取得されることが多い大規模なデータ セットを操作します。 たとえば、病院の環境では、AI とリアルタイムの位置情報システムを予測分析に使用できます。天候に基づいて緊急治療室への入院を予測できますか? 使用状況に基づいて、機器のメンテナンスが必要になる時期をより正確に予測できますか?

しかし、あらゆる IoT スタックの「底部」では、AI がセンサー自体に適用され始めており、非常に大きな影響を及ぼしています。AI により、低品質のセンサーでも非常に高品質のパフォーマンスを実現できるようになり、一貫した投資収益率が得られます。 これまでの多くの IoT ソリューションでは、このような状況は発生していませんでした。

人工知能とリアルタイム位置情報システム

センサーにおける AI の応用例の 1 つに、リアルタイム ロケーション システム (RTLS) があります。 多くの業界では、モバイル資産を追跡し、重要なプロセスをより適切に監視、最適化、自動化するために、AI とリアルタイムの位置情報システムを採用しています。

病院における簡単な例としては、清潔な機器室（清潔な機器が使用のために保管される病院全体の保管室）の管理が挙げられます。 機器を必要とする看護師は、クリーンルーム内で必要なものを正確に見つけられる必要があります。

しかし、クリーンルームの在庫レベルが適切に維持されていない場合、機器が利用できなくなる可能性があり、病院は患者の安全とスタッフの生産性に影響を与える長時間の捜索を余儀なくされ、最終的には余剰在庫を確保するために高価な機器を過剰に（多くの場合は 2 倍の金額で）購入せざるを得なくなります。

機器の位置を自動的に特定できれば、各クリーンルーム内の使用可能な機器の数を簡単に追跡し、在庫が少なくなったときに自動的に補充を開始できます。 これは、デバイスがどの部屋に配置されているかを判断する必要がある RTLS の 1 つの用途です。病棟内ですか？それなら使えません。 クリーンルーム内ですか? その場合、利用できる機器の量に影響します。

機器の位置を自動的に特定できれば、各クリーンルームで使用可能な機器の量を簡単に追跡し、在庫が少なくなったときに自動的に補充を開始できます。これは、デバイスがどの部屋にあるかを判断する必要がある RTLS の 1 つの用途です。病棟内ですか？それなら在庫切れです。クリーンルーム内ですか？ その場合、利用可能なデバイスの数に影響します。

したがって、機器がどの部屋に設置されているかを非常に高い信頼性で特定することが重要です。探している 3 つの IV ポンプが実際には隣のクリーンルームにあるのに、患者室 12 にあると勘違いするような位置エラーが発生すると、使用可能なポンプを過大評価することになり、プロセスが中断されます。

RTLS では、モバイル タグが資産に取り付けられ、固定インフラストラクチャ (通常は天井または壁) によってタグの位置が決まります。これを実現するためにさまざまなワイヤレス テクノロジが使用されており、ここで AI が大きなプラスの影響を及ぼしています。使用される手法は、次の 2 つのいずれかに分類されます。

1. 超音波や赤外線など、壁を透過しない無線技術。各部屋に受信機を設置し、送信されるモバイル タグをリッスンすることで、部屋レベルの精度を実現できます。タグの音が聞こえる場合は、タグはあなたと同じ部屋にあるはずです。部屋レベルの精度を実現しました。

2. Wi-Fi や Bluetooth など、壁を貫通するワイヤレス テクノロジー (最も一般的なのは Bluetooth Low Energy (BLE))。受信機は建物全体に配置されており、受信したタグから送信される信号の強度を測定し、アルゴリズムを使用してタグの位置を特定します。

よくある質問

キャンプ 1 の問題は多面的であり、壁を貫通しないテクノロジーです。誰かがドアを開けたままにするとどうなりますか? (これはほとんどの病院で一般的な方針です)。壁がない場合、機器の位置をどのように決定しますか? (機器は屋外に保管されることが多いです)

答えは、各部屋に 1 台ずつ設置するというすでに高価な要件に加えて、さらに多くのインフラストラクチャ機器を追加することであり、つまり、これらのソリューションはすぐにコストがかかりすぎて導入が面倒になる可能性があります。

キャンプ 2 は必要なインフラストラクチャが少なく、価格の観点からも魅力的ですが、制限もあります。複数の固定受信機で単一のタグから受信した信号強度を測定すると、タグの位置を決定論的に計算できます。距離に応じて信号強度がどのように低下​​するかを示す一般的なモデルを使用することで、大まかな距離の推定が可能になり、3 つの距離推定値から 2D 位置の推定値が生成されます。ソフトウェアのジオフェンシングは、これらの 2D 座標を部屋の占有状況に変換します。

問題は、信号が範囲にわたって劣化する方法が複雑で厄介であり、信号の妨害（壁、機器、人）だけでなく、複数の信号反射の相互作用（「マルチパス フェーディング」）によっても影響を受けることです。最終結果では、位置の特定精度は 8 ～ 10 メートル、あるいはそれ以下となり、物体がどの部屋にあるのかを特定するのがやっとの状態になります。

機械学習

機械学習の経験がある人なら、チャンスに気づいたかもしれません。物体がどの部屋にあるかを判断するのは、追跡の問題ではなく、分類の問題なのです。 すべての啓示と同様に、新世代の RTLS 企業は、アルゴリズムから離れて、新鮮な目で問題を検討する必要がありました。 ここで AI が RTLS を変革します。

キャンプ 2 の低コストのテクノロジーを活用して、キャンプ 1 と同じパフォーマンス レベルを達成できたらどうでしょうか。コストをかけずにすべての価値を提供できたらどうでしょうか。BLE センサーを活用し、機械学習を適用することで、AI がまさにこれを実現します。

信号強度に基づいて非常に不正確な範囲推定を行うのではなく、信号強度を特徴として使用して分類アルゴリズムをトレーニングしてみませんか? 信号は複数の壁を透過するため、1 つのタグで複数の固定インフラストラクチャ デバイスからの信号を聞くことができ、部屋の占有状況について非常に高い信頼性で推論を行うための豊富な機能を提供します。 AI はインストール中に一度トレーニングされ、部屋 1 と部屋 2 などを区別するのに十分な特徴を学習します。

これは考え方の根本的な変化であり、非常に広範囲にわたる影響を及ぼします。 従来の Wi-Fi および BLE システムでは、建物内の混沌とし​​た信号伝播により信号強度に大きな変動が生じ、範囲推定アルゴリズムが混乱します。

結果の精度は非常に低くなりますが、逆に言えば、ある場所から別の場所への信号強度の同じ変化は、まさに ML を非常に強力なツールにする特徴的な変化です。 従来の手法を圧倒する信号伝播特性は、まさに人工知能に必要な素材です。

RTLS は、クラウドサイズの頭脳上で実行される高度な機械学習アルゴリズムが分類方法を使用してオブジェクトを特定できる新しい時代に入りました。 AI と RTLS の成果は、高性能で低コストのセンサーであり、重要なプロセスを改善し、病院がより低コストでより良いサービスを提供し、より良い成果を達成できるようにします。