机器学习对关键医疗器械备件可用性的影响:受监督的机器学习视角

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健管理的管理
• 可靠性工程可靠性工程

背景情况:

• 关键医疗设备需要强有力的维护策略,以确保患者安全和运营效率.
• 传统的维护方法往往难以预测故障和有效管理备件库存.
• 集成高级分析为优化医疗设备管理提供了潜在的潜力.

研究的目的:

• 通过预测性备件管理,提高关键医疗设备的可靠性和运行质量.
• 为了减少设备停机时间,并优化医院环境中的维护计划.
• 通过先进的决策支持系统,提高整体医疗保健服务质量.

主要方法:

• 一种混合方法,将故障模式和效应分析 (FMEA) 与监督机器学习 (ML) 模型 (随机森林,人工神经网络,支持矢量机器) 结合起来.
• 分析了来自六家医院的各种医疗设备的2800份维护记录.
• 由FMEA衍生出的风险优先级号码 (RPN) 用作ML模型的输入特征,具有严格的超参数调整和交叉验证.

主要成果:

• 机器学习模型表现出高性能,随机森林和人工神经网络达到1.00准确度,支持矢量机器显示回忆率为0.94.
• 综合的FMEA-ML模型将医院的备件可用性提高了约12-15%.
• 预测分析成功加强了维护可追溯性,并确保了患者护理设备的连续性.

结论:

• 混合FMEA-ML模型为生物医学工程部门的维护规划提供了数据驱动的方法.
• 实施导致尽量减少停机时间,增强患者安全,并改善对医疗保健质量标准的遵守 (ISO 13485,JCI).
• 这种方法与联合国"健康与福祉可持续发展目标" (SDG3) 和"负责任的消费与生产" (SDG12) 一致.