Big data analytics for machinery performance evaluation and predictive maintenance in the healthcare industry

Nowadays laboratories are facing tremendous challenges to deliver the right accurate and precise results, in a very short time and with low costs for the patient and the healthcare system. They must deliver reliable patient outcomes across all care situations with a view to reduce risk and inefficiencies and thereby increase quality of care. This leads to increasing efforts and increased competition between laboratories for resources and work. Advances in medical technology is not sufficient alone to satisfy the growing and emerging needs. The use of digital technologies is assuming a key role in technological progress which, year by year, rises the technological level for biomedical equipment. The quantity and quality of data produced by medical devices are growing intensely and, meanwhile, data transferring technologies are evolving, offering faster, more stable and safer connections, allowing us to automate healthcare functions and to get maximum benefit from the generated information. Conscious of this the inevitable push for technological development, hospitals and medical companies are studying the significant potential and are starting to convert collected data into valuable information that can be used for numerous purposes including management of biomedical device maintenance. Big data and the advances of Internet of Things have the potential to improve the quality and efficiency of health care services as well as reducing the maintenance costs by minimizing the risks related with malfunctions of biomedical devices. In this view, the main goal of the present study is to manipulate part of the massive amount of data to deliver smarter medical technologies, able to communicate in advance the onset of a possible failure, reducing the risks for patients and the financial waste of corrective maintenance for medical companies. The innovative aspect of the present work lies in the attempt to use, in an experimental way, methods of artificial intelligence, to improve the management of medical devices by trying to predict failure events and not, as commonly happens in the clinical setting, to predict the onset of pathologies or improve methods for diagnostic imaging. Therefore, the purpose of this thesis is to investigate the real possibilities for Roche healthcare instruments to implement a predictive maintenance strategy based on the technologies currently present in the company. To this end, a predictive maintenance algorithm has been implemented which uses different forecasting models to calculate the probability of failure of the device in a seven-day time interval. The obtained models, although they have not achieved professional-ready performances, represent a good starting point for the future development and definition of new strategies for the implementation of predictive maintenance based on alarm’s analysis of machine logs. In the end, we will also list the challenges and opportunities of using a predictive maintenance management in the healthcare domain and we will discuss how they could be improved.

Al giorno d’oggi i laboratori di analisi all’interno degli ospedali si trovano ad affrontare enormi sfide per fornire in poco tempo risultati accurati, precisi e con bassi costi per il paziente e per il sistema sanitario. Essi devono fornire e garantire risultati affidabili in tutto il percorso diagnostico e di monitoraggio, al fine di ridurre i rischi e le inefficienze e quindi migliorare la qualità delle cure. Ciò porta a sforzi crescenti e una maggiore concorrenza tra le aziende fornitrici di dispositivi per quanto riguarda risorse e lavoro. I progressi nella tecnologia medica però non sono sufficienti da soli per soddisfare le esigenze crescenti ed emergenti. L'uso delle tecnologie digitali sta assumendo un ruolo chiave nel progresso tecnologico che, anno dopo anno, aumenta il livello tecnico delle apparecchiature biomediche. La quantità e la qualità dei dati prodotti dai dispositivi medici stanno crescendo intensamente e, nel frattempo, le tecnologie di trasferimento dei dati si stanno evolvendo, offrendo connessioni più veloci, più stabili e più sicure, permettendoci di automatizzare le funzioni sanitarie e ottenere il massimo beneficio dalle informazioni generate. Consapevoli di ciò e con l'inevitabile spinta dello sviluppo tecnologico, gli ospedali e le aziende biomediche stanno studiando il potenziale insito nelle informazioni derivanti dai diversi processi e stanno iniziando a convertire i dati raccolti in informazioni preziose che possono essere utilizzate per numerosi scopi, inclusa la gestione della manutenzione dei dispositivi biomedici. I big data e i progressi dell'Internet of Things hanno il potenziale per migliorare la qualità e l'efficienza dei servizi di assistenza sanitaria, nonché ridurre i costi di manutenzione minimizzando i rischi associati a malfunzionamenti dei dispositivi biomedici. In questa prospettiva, l'obiettivo principale del presente studio è quello di manipolare parte dell'enorme quantità di dati per fornire tecnologie mediche più intelligenti, in grado di comunicare in anticipo l'insorgenza di un possibile fallimento, riducendo i rischi per i pazienti e gli sprechi finanziari di manutenzione correttiva per aziende biomediche. L'aspetto innovativo del presente lavoro risiede nel tentativo di utilizzare, in modo sperimentale, metodi di intelligenza artificiale, per migliorare la gestione dei dispositivi medici, cercando di prevedere eventi di fallimento e non, come accade comunemente in ambito clinico, di prevedere l'insorgenza di patologie o il miglioramento dei metodi per l'imaging diagnostico. Pertanto, lo scopo di questa tesi è di studiare le reali possibilità per gli strumenti sanitari Roche di implementare una strategia di manutenzione predittiva basata sulle tecnologie attualmente presenti in azienda. A tal fine, è stato implementato un algoritmo di manutenzione predittiva che utilizza diversi modelli di previsione per calcolare la probabilità di guasto del dispositivo in un intervallo di tempo di sette giorni. I modelli ottenuti, sebbene non abbiano raggiunto prestazioni di livello professionale, rappresentano un buon punto di partenza per lo sviluppo futuro e la definizione di nuove strategie per l'implementazione della manutenzione predittiva basata sull'analisi degli allarmi dei registri delle macchine. Alla fine, elencheremo anche le sfide e le opportunità dell'utilizzo di una gestione della manutenzione predittiva nel settore sanitario e discuteremo di come potrebbero essere migliorate.