物聯網技術作為實現業務數字化和智能化的關鍵基礎支撐技術，在智慧醫療中發揮著重要作用。本文探討了醫院內急救醫療設備物聯網解決方案，提出基于“云-邊-端”架構的急救設備物聯網設計方案：端側實現設備物聯，邊中進行流數據封裝、解析、分發以及計算，云上存儲數據并開展數據挖掘可視化等。該系統自從2021年1月在急診科上線運行以來，已穩定工作近20個月。項目組對近20個月的運行情況作了分析，包括數據采集情況分析、物聯網性能測試以及預測預警模型開發等，實施效果驗證了基于該技術方案的急救設備物聯網系統的可行性和可靠性，能長時間、持續采集急救設備數據并支持機器學習、人工智能算法模型的開發和部署。本文最后對急救設備物聯網中醫療設備數據交換、無線傳輸、院內外急救設備物聯以及下一步開展急救設備物聯網數據分析應用進行了展望。
引用本文： 范勇, 梁洪, 孫繼鵬, 張博穎, 朱海燕, 曹德森, 張政波, 何昆侖. 基于云邊端架構的急救醫療設備物聯網設計與實現. 生物醫學工程學雜志, 2023, 40(1): 103-109. doi: 10.7507/1001-5515.202211014 復制
0 引言
隨著我國經濟社會數字化轉型和產業智能升級，物聯網（Internet of Things，IoT）技術作為實現業務數字化和智能化的關鍵基礎支撐技術正蓬勃發展。物聯網過去被射頻識別技術（Radio Frequency Identification，RFID）項目組定義為基于標準通信協議唯一可尋址相互連接對象的全球網絡[1]，目前通常指基于RFID、傳感器、通信技術和互聯網協議等技術，讓各類傳感器設備進行協作，一起組網、通信、數據處理等，從而支持智能決策實現新的應用[2]，被視為新一代信息和通信技術（Information and Communications Technology，ICT）的重要組成[3]。醫療物聯網（Internet of Medical Things，IoMT）是物聯網在醫療健康領域的應用，通過感知和通信等技術將各類傳感器、醫療設備、信息系統連接起來，從而支持醫療過程中的數據采集、互操作、綜合分析利用等，涵蓋提升醫療服務質量、提高醫院工作效率和成本控制等方面，具體包括醫療設備、醫療環境監測、被服、藥品耗材管理等物聯網。
急診醫學以應對突發性疾病、創傷及突發公共衛生事件為主，需要迅速評估患者狀況并做出臨床決策，從而挽救患者生命和阻止疾病進一步惡化。急診醫學強調時效性，大多急危重癥救治都存在“黃金時間”窗口，在有限的時間內及時、準確、全面地獲取診療關鍵數據，對急診醫護人員評估患者傷病情、正確做出臨床決策十分重要，此時段進行合適的救治能最大限度地降低患者和傷員的病死率[4]。因此，將急診急救場景中的各類醫療設備互聯，實現數據匯聚與綜合分析，能為醫護人員提供決策支持信息，是急診救治智能化研究方向之一。
急救醫療設備物聯網主要針對急診急救中生命監測類、支持類醫療設備實現設備互聯、互操作以及數據整合分析。其主要優點在于：① 輔助床旁決策提升醫療質量，各種醫療設備產生的數據能被傳輸到統一架構的醫療物聯網數據平臺中，而不是零散分布在各個小的系統中或直接丟棄，導致信息的孤立或缺失，設備物聯數據與醫院其他信息系統數據整合，便于醫護人員便捷地查看和使用一定時間范圍內豐富的多模態醫療信息，對于急救時效來說，實時、全面、準確地提供了患者評估和救治所需的信息；② 提高工作效率，物聯網系統自動記錄關鍵數據，不再需要醫護人員手工記錄，避免了記錄過程中可能出現的錯誤，加速了信息的流通和利用；③ 促進臨床科研，通過對醫療設備物聯網數據的收集，進一步完善了臨床科研資料，為解決醫療實踐中的臨床問題形成診療決策證據，提供數據支撐。
急救醫療設備物聯網建設主要挑戰之一在于醫療設備種類多、接口形式多、數據協議標準不統一、不開放等，造成設備間數據交換困難[5-6]。目前，醫療設備物聯主要分為基于私有協議的設備互聯和基于通用、公開通信標準的設備互聯解決方案。部分廠商通過相互合作，獲得第三方廠商生理監測和生命支持類設備的接口協議，構建出一套基于廠商私有協議的設備互聯方案，如邁瑞醫療、Capsule Technologies、惠澤智信[7]，從而能讀取設備數據，包括波形信息、報警信息等。OpenICE開源集成臨床環境（Open Integrated Clinical Environment）致力于建立公開、通用的醫療物聯網數據通信標準，是ASTM F2761集成臨床環境標準的開源實現，它來源于麻省總醫院醫療設備即插即用（Medical Device Plug-and-Play，MD PnP）互操作性計劃的一個開源軟件項目，由用于醫療設備的軟件設備適配器、消息分發標準中間件和演示應用程序組成，支持的醫療設備包括來自Philips、Drager和GE醫療等供應商的麻醉機、呼吸機和患者監護儀[8]。當前醫療設備物聯網重點考慮了設備物聯，而設備物聯后高速率、高密度流數據傳輸，以及大規模實時數據存儲、查詢和分析尚未形成成熟的解決方案。
本文主要介紹解放軍總醫院急救醫療設備物聯網解決方案，包括急救設備互聯、數據采集與傳輸和流數據管理與利用，展示了該系統在急診搶救間部署的實際效果，包括獲取數據基本情況、急救設備物聯網性能測試以及基于物聯網數據的預測預警模型開發，以期為急救設備物聯網建設提供一種新的解決方案。
1 急救設備物聯網建設
1.1 急救設備物聯網架構設計
本研究采用基于“云-邊-端”的醫療物聯網架構，在“邊-端”采用了邁瑞醫療提供的基于數據采集模塊Benelink和數據轉換網關eGateway的設備物聯方案，其中“端”是通過Benelink模塊連接不同廠商、不同類型的醫療設備，將數據通過其N系列監護儀匯總到中央監護站；“邊”是中央監護站數據通過eGateway轉化封裝，在邊緣服務器完成數據解析分發，并上傳到云端服務器；“云”是在基于私有云的醫療物聯網數據平臺上構建分布式實時數據倉庫，實現數據分布式存儲、實時查詢。云邊端架構的急救設備物聯網架構圖如圖1所示。本研究提出的“云-邊-端”物聯網設計方案在醫院網絡互通的情況下可以滿足多家醫院使用，例如解放軍總醫院八個中心（原北京地區多家醫院），其中“邊”部署在各中心機房，“云”部署在一中心機房。結合急診業務，當前急救醫療設備物聯網“端”部署在監護設備密集的解放軍總醫院第一醫學中心急診搶救間。
圖1
急救設備物聯網架構
Figure1.
Architecture of IoT for emergency medical devices
1.2 急救設備互聯
針對各類急救類醫療設備存在的接口不統一、數據協議不同導致的急救設備間數據整合困難的問題，BeneLink數據采集模塊包含150多種主流醫療設備協議(呼吸機、麻醉機、輸注泵、血濾)，可以連接床旁呼吸機、輸液泵等醫療設備，包括邁瑞、GE、德格爾等品牌的麻醉機、呼吸機以及邁瑞、Fresenius等品牌輸液泵，獲取生理參數、波形、報警、趨勢信息等數據，并進一步將這些床旁設備數據轉發到其配套的N系列監護儀，實現床旁設備互聯和數據匯聚。配套BeneLink使用的是邁瑞BeneVision N系列智能監護儀，該系列監護儀具有高精度的床旁監護功能，監測內容有心電（electrocardiogram，ECG）、血氧（oxygen saturation，SpO2）、呼吸（respiration，RESP）、體溫、無創血壓、有創動脈壓、中心靜脈壓等，為后續進行臨床研究提供了高質量數據。具體使用時，首先在監護儀插槽中插入BeneLink模塊，然后使用RJ45線纜連接BeneLink模塊到ID適配器，ID適配器內燒錄了150多種醫療設備的編碼，用串口轉接線將ID適配器連接到其他醫療設備，其他醫療設備物聯時在監護儀配置對應的編碼，對應編碼的第三方醫療設備數據即可通過BeneLink傳到監護儀上。每個BeneLink模塊最多可連接四個外部醫療設備，這樣通過BeneLink模塊結合BeneVision N系列監護儀就可以完成與其他急救醫療設備的互聯。
1.3 數據采集與傳輸
各類急救設備通過BeneLink模塊實現物聯、數據采集和上傳，數據上傳至監護儀后，監護儀將這些不同格式的數據轉化為邁瑞監護儀私有協議數據，從而可以將第三方醫療設備的數據在監護儀和中央站上顯示。監護儀中數據包含第三方設備如呼吸機、輸液泵采集數據和監護儀自身采集數據，具體包括：心電、血氧等高采樣率的波形數據；心率、呼吸、血氧、血壓、體溫等生命體征數據；報警事件相關信息（事件名稱、發生時間和參數等）。患者住院ID、性別、出生日期基本信息則是通過中央站與急診專科系統對接獲取。邁瑞私有監護協議數據和患者基本信息通過eGateway打包轉化為衛生信息交換標準（Health Level Seven，HL7）格式推送到邊緣服務器，eGateway是用于邁瑞系統與第三方系統通過衛生信息交換協議進行交互的數據轉化網關。在本研究中eGateway除了將數據發送至邊緣服務器，同時將部分數據發送給急診專科系統并在急診專科系統中顯示用于急診救治的關鍵參數如實時心率、呼吸率和血氧等。為保障數據可靠真實，數據存儲雙備份，同時系統具有斷點續傳機制，由網絡或系統原因造成的數據網關與邊緣服務器數據流中斷，如在48 h內恢復通信，數據將會從斷點自動續傳，保障數據不會丟失。
1.4 流數據管理與利用
急救設備物聯網在“云-邊”對數據流進行管理和利用，如圖2所示，邊緣服務器中eGateway封裝的HL7格式數據,每秒實時發送給分布式流數據管理系統NiFi[9]做報文解析，交給分布式消息引擎Kafka[10]做數據分發，在云端實時數據庫Apache Druid[11]做數據存儲。其中NiFi可充分利用邊緣服務器集群實現數據并行采集，支持數據溯源和高可擴展性；Kafka可實現單節點每秒十萬記錄量級以上的數據穩定傳輸；Druid是一個高性能實時分析型數據庫，在實時數據可見性、即時查詢以及高并發方面性能較好。基于NiFi和Kafka的流式數據處理技術構建醫療物聯網數據流系統，通過多路并行化采集傳輸、分布式處理分析等技術可解決數據傳輸規模小、效率低等問題。
圖2
急救設備物聯網數據流管理及利用
Figure2.
Data stream management and utilization of IoT for emergency medical devices
急救設備物聯網數據的分析應用主要使用邊緣服務器中基于內存計算的大數據并行計算框架Spark[12]，以Kafka為數據源接入數據，通過編寫程序進行統計、數據清洗或數據聚合等流數據處理，之后將計算結果重新推送至Kafka，根據需求推送到云端服務器Druid數據庫中存儲。在Druid開展實時、高性能查詢，可以將查詢后數據導出對數據進行離線數據挖掘。同時物聯網數據平臺中集成Metabase報表工具，實現定制化報表開發，操作門檻低，通過圖像化界面選擇或編寫簡單結構化查詢語句SQL，可用于醫護人員根據需求生成分析圖表。
2 急救設備物聯網實施效果
2.1 急診搶救間急救設備物聯網實施效果
目前在解放軍總醫院第一醫學中心急診科部署上述急救醫療物聯網，聯網的醫療設備為急診搶救間19臺監護儀、輸注泵以及根據搶救情況使用的呼吸機。系統自2021年1月上線運行，醫護人員可在中央監護站或者醫療網電腦中實時查看設備工作狀態、生命體征參數、波形數據、報警信息等。圖3為在急診搶救間醫療物聯網實施示意圖，圖3a顯示該患者使用的多個輸液泵接入到BeneVision N17監護儀并在監護儀中顯示輸液泵的流速、累計輸入量等參數，圖3b為該患者監護儀數據在中央站的展示。
圖3
急診搶救間醫療物聯網實施效果
a．患者輸液泵與監護儀互聯；b．患者中央站監護數據
Figure3. The implementation of IoT for emergency medical devices in the emergency rooma. infusion pumps were interconnected with monitor; b. a patient’s monitoring data in central station
2.2 急救設備物聯網數據概覽
截止2022年8月，急救設備醫療物聯網總共收集了5 933名患者的監護儀、呼吸機、輸注泵數據，由于患者基本信息從急診專科信息中匹配時，部分患者基礎數據缺失，當前統計男性患者3 111例，女性患者1 854例，共計4 965例，年齡（64.06±18.85）歲，在搶救間時長中位數為0.9天，詳情見表1。圖4左上展示了2021年1月到2022年8月期間接入急診物聯網患者人群的年齡分布，右上為患者在搶救間的時長分布，圖4下為急診搶救間患者數量逐月分布情況，其中10月—11月，我院急診搶救間因疫情封控和計算機室網絡升級的原因，無對應時間段患者數據，除此之外可以看到每月患者數據量約380例。目前整個急診物聯網數據中高采樣波形數據共8.71 TB，體征數據816.96 GB，報警數據1.58 GB，每天數據仍在不斷增加中。
表1
急救設備醫療物聯網中患者基本情況
Table1.
Patient characteristics of IoT for emergency medical devices
圖4
急救設備物聯網中患者基本數據概覽
Figure4.
Overview of basic patient data in IoT for emergency medical devices
2.3 急救設備物聯網性能測試結果
項目組針對急救設備物聯網中的流式大數據組件進行了性能測試和調優，用于滿足實際業務場景下對數據流量的要求，主要包括設備并發數、數據解析速率、數據丟包率等方面。
2.3.1 設備并發測試
通過在NiFi上配置醫療物聯網業務流程，使用測試軟件模擬1 000個醫療設備包括監護儀、呼吸機發送數據，設備發送數據報文結構一致，每臺設備每秒發送1條體征報文和1條波形報文，單臺設備發送速率約為47 KB/s，其中體征報文約11 KB，波形報文約36 KB，波形報文可以涵蓋多種波形例如包括500 Hz心電信號、256 Hz呼吸信號等，將數據記錄到數據庫，觀察到NiFi各處理器無異常，數據庫中記錄數與發送測試數據量相等，數據無丟失，說明NiFi能支持1 000臺設備并發，服務端集群可正常負載1 000臺設備同時進行數據采集，平均每秒接入報文條數約2 000條，平均每秒處理數據量約為46.45 MB。
2.3.2 數據解析速率測試
NiFi解析醫療設備HL7報文，單線程模式下NiFi解析hl7報文速度為（1.75
0.5）MB/s，在服務器資源允許的情況下，增加處理器線程數能顯著提升處理速度，單機多線程，負載均衡情況下NiFi解析hl7報文速度為（5.5
1.5）MB/s。通過拓展集群節點數量，實現數據解析處理效率達到46.45 MB/s，滿足1 000臺設備全量數據并行采集處理的數據解析要求。實驗表明增加NiFi節點能明顯提升處理速度。
2.3.3 數據時延測試
通過對1 000條報文收發過程進行采樣，記錄端側設備報文發送、數據平臺中結構化數據存儲階段的采樣時間戳，計算兩者時間差，得到終端設備到數據服務中心之間的平均傳輸時延約為1.3 s。在數據傳輸過程中采用集群節點間負載均衡調度策略結合節點內多線程并發處理技術，充分利用分布式環境計算資源，實現了報文高效并行處理。
2.3.4 丟包率測試
將6萬條模擬數據以100條/s的速度輸入NiFi，解析數據后發送到Kafka，之后存儲到Druid數據庫中，驗證發現最后存儲到Druid中的數據條數仍為6萬條，證明NiFi數據傳輸可靠，丟包率極低，在6萬條模擬數據測試中無丟包現象。
2.3.5 數據查取性能測試
對Druid數據庫中近24 h存儲的全部數據進行查詢并下載到本地，數據量不少于5.5 GB，普通查詢響應時間均在1 s內，復雜查詢時間為3～5 s，將全部數據寫入到csv文件中，所需時間小于7 min。
通過以上測試可以看出急救設備物聯網流數據處理技術可以完成大規模醫療設備數據的高強度采集、傳輸和解析工作，低延遲，無丟包，滿足急診業務環境的數據流量要求。
2.4 預測預警模型開發
目前基于急救設備物聯網監護儀、呼吸機數據，團隊開發了急救患者病情惡化預警系統，對早期預警評分（Early Warning Score，EWS）進行了改進。EWS基于心率、呼吸率、體溫、血壓、意識這5種參數，通過專家經驗劃分閾值然后求和進行評分，其不足之處在于沒有考慮變量之間交互作用，評分不夠精準，而且意識評分需要醫護人員進行判斷，評分流程難以自動化。團隊利用監護生理參數包括心率、呼吸、體溫、血氧、血壓數據，構建機器學習模型用于判斷患者病情，開發了患者狀態指數（Patient Status Index，PSI）算法。算法構建的主要思路是對生理數據的分布情況做無參數估計，估計方法采用核密度估計法，訓練樣本的概率密度分布函數通過高斯核函數以及相應的權重來確定，將患者的實時監護數據輸入該模型即得到了對應的概率分布，概率越大表示處在正常范圍內，越小表示處在異常或惡化狀態，將概率取倒數后對數化成患者的實時狀態指數評分，異常情況下該評分會升高，評分高于設定閾值時即可報警。這種醫學警報可以準確識別患者生理病理狀態變化，提前判斷患者是否將會出現病情惡化。項目組完成模型構建與性能驗證后，將PSI模型算法構建成SparkStreaming實時計算任務，部署到Spark集群運行，從而當新的患者數據傳入后實時完成計算并存入數據庫，同時可實時展現在物聯網平臺前端頁面。
3 討論與結論
本文對解放軍總醫院急救設備物聯網進行了介紹，采用了一種基于“云-邊-端”架構的醫療物聯網方案，“端”以邁瑞醫療提供的N系列監護儀為核心，配合BeneLink模塊收集急救設備數據；“邊”緣服務器完成設備數據實時轉化、解析與分發；“云”上數據實時存儲并可以對數據進一步利用分析。在急診科部署實施該方案，通過對急救設備物聯網性能測試和近20個月的實際運行，實時收集19張急診搶救間床位床旁設備數據，表明該架構物聯網可以完成醫療設備數據的采集、傳輸和解析工作，低延遲，無丟包，設備物聯網數據能實時上傳到云端數據平臺，在長時間運行過程中不會出現設備數據斷聯的情況。目前云端數據平臺累計收集到TB級規模的數據，基于收集數據開展了患者基本信息數據的提取、離線統計分析以及預測預警模型的開發，進一步驗證了本研究提出的急救設備物聯網的可行性，穩定性較好，能長時間、大規模地收集數據并支撐開展數據挖掘。
該研究存在以下不足：第一，急診科急救設備物聯使用含其他廠商私有協議的BeneLink模塊連接其他醫療設備，屬于基于私有協議的設備物聯，急救設備支持范圍只能是已有數據傳輸協議的部分廠商；第二，設備互聯方式需以N系列監護儀為物聯核心，BeneLink模塊需要將其他醫療設備數據傳送到監護儀然后由監護儀傳輸給邊緣服務器，這將導致需要將原有的床旁監護儀換成該系列，醫院原有其他型號監護儀不能適配；第三，我院急診搶救間呼吸機、輸液泵等設備是流動使用，在設備物聯時需要護士進行插線、輸入設備ID等操作，這些操作增加了醫護人員工作量，設備物聯不太方便；第四，當前物聯網數據平臺存儲了原始數據，但在數據分發、解析過程可能出現錯誤，流數據傳輸中沒有制定一些規則對流數據質量進行控制。
當前醫療物聯網設備物聯還缺乏統一的標準，數據通信協議的多樣化導致不同產商設備之間難以相互通信，醫療設備物聯大多是通過中間件對設備數據進行整合集成，不同廠商整合后得到的結果在數據標準、質量上參差不齊。將來理想的具有互操作性的醫療設備可以在設計生產時增加遵循公開、統一的衛生信息交換標準的輸入輸出模塊，這樣各類醫療設備的信息就可以直接進行通信、數據傳輸等，不需要通過中間件來進行轉換，這需要國家監管機構和醫療器械廠商共同協商制定標準。而且醫療設備需要具備安全可靠的無線通信模塊，能自動搜索匹配到相應的物聯網設備物聯節點中，方便醫護人員移動使用急救設備。
由于急救醫學與院前急救、突發公共衛生事件關系密切，未來院內急救醫療物聯網平臺建設中還需要考慮到急診中有大部分患者來自于救護車急救，因此需要將含大量生命支持類設備的智能救護車接入院內物聯網中[13]，便于院內醫務工作者及時了解患者、傷員的情況，為后續及時治療提供數據支撐和決策支持。智能救護車設備與院內急救設備物聯網可以使用低延遲、高速度的通信技術如5G技術搭建橋梁[14]。
最后，對急救設備物聯網平臺中獲取的數據進行分析是后續研發物聯網智能應用的關鍵，對物聯網數據進行探索和深度挖掘分析[15]，不僅需要具備大數據分析、實時數據處理等能力的物聯網平臺，而且需要由醫護人員、數據科學研究人員組成的跨學科合作團隊[16-17]，這樣才能基于醫療物聯網大數據和人工智能發展出智能化臨床輔助決策模型、工具以及系統，用于急診傷病情評估和救治。形成“物聯網”＋“人工智能”的急救設備智能物聯網。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：范勇負責急救設備物聯網性能測試、數據初步分析以及撰寫文章；梁洪、孫繼鵬、張博穎負責急救設備物聯網設計與實施；朱海燕、曹德森、張政波、何昆侖負責指導研究和文章審校。
0 引言
隨著我國經濟社會數字化轉型和產業智能升級，物聯網（Internet of Things，IoT）技術作為實現業務數字化和智能化的關鍵基礎支撐技術正蓬勃發展。物聯網過去被射頻識別技術（Radio Frequency Identification，RFID）項目組定義為基于標準通信協議唯一可尋址相互連接對象的全球網絡[1]，目前通常指基于RFID、傳感器、通信技術和互聯網協議等技術，讓各類傳感器設備進行協作，一起組網、通信、數據處理等，從而支持智能決策實現新的應用[2]，被視為新一代信息和通信技術（Information and Communications Technology，ICT）的重要組成[3]。醫療物聯網（Internet of Medical Things，IoMT）是物聯網在醫療健康領域的應用，通過感知和通信等技術將各類傳感器、醫療設備、信息系統連接起來，從而支持醫療過程中的數據采集、互操作、綜合分析利用等，涵蓋提升醫療服務質量、提高醫院工作效率和成本控制等方面，具體包括醫療設備、醫療環境監測、被服、藥品耗材管理等物聯網。
急診醫學以應對突發性疾病、創傷及突發公共衛生事件為主，需要迅速評估患者狀況并做出臨床決策，從而挽救患者生命和阻止疾病進一步惡化。急診醫學強調時效性，大多急危重癥救治都存在“黃金時間”窗口，在有限的時間內及時、準確、全面地獲取診療關鍵數據，對急診醫護人員評估患者傷病情、正確做出臨床決策十分重要，此時段進行合適的救治能最大限度地降低患者和傷員的病死率[4]。因此，將急診急救場景中的各類醫療設備互聯，實現數據匯聚與綜合分析，能為醫護人員提供決策支持信息，是急診救治智能化研究方向之一。
急救醫療設備物聯網主要針對急診急救中生命監測類、支持類醫療設備實現設備互聯、互操作以及數據整合分析。其主要優點在于：① 輔助床旁決策提升醫療質量，各種醫療設備產生的數據能被傳輸到統一架構的醫療物聯網數據平臺中，而不是零散分布在各個小的系統中或直接丟棄，導致信息的孤立或缺失，設備物聯數據與醫院其他信息系統數據整合，便于醫護人員便捷地查看和使用一定時間范圍內豐富的多模態醫療信息，對于急救時效來說，實時、全面、準確地提供了患者評估和救治所需的信息；② 提高工作效率，物聯網系統自動記錄關鍵數據，不再需要醫護人員手工記錄，避免了記錄過程中可能出現的錯誤，加速了信息的流通和利用；③ 促進臨床科研，通過對醫療設備物聯網數據的收集，進一步完善了臨床科研資料，為解決醫療實踐中的臨床問題形成診療決策證據，提供數據支撐。
急救醫療設備物聯網建設主要挑戰之一在于醫療設備種類多、接口形式多、數據協議標準不統一、不開放等，造成設備間數據交換困難[5-6]。目前，醫療設備物聯主要分為基于私有協議的設備互聯和基于通用、公開通信標準的設備互聯解決方案。部分廠商通過相互合作，獲得第三方廠商生理監測和生命支持類設備的接口協議，構建出一套基于廠商私有協議的設備互聯方案，如邁瑞醫療、Capsule Technologies、惠澤智信[7]，從而能讀取設備數據，包括波形信息、報警信息等。OpenICE開源集成臨床環境（Open Integrated Clinical Environment）致力于建立公開、通用的醫療物聯網數據通信標準，是ASTM F2761集成臨床環境標準的開源實現，它來源于麻省總醫院醫療設備即插即用（Medical Device Plug-and-Play，MD PnP）互操作性計劃的一個開源軟件項目，由用于醫療設備的軟件設備適配器、消息分發標準中間件和演示應用程序組成，支持的醫療設備包括來自Philips、Drager和GE醫療等供應商的麻醉機、呼吸機和患者監護儀[8]。當前醫療設備物聯網重點考慮了設備物聯，而設備物聯后高速率、高密度流數據傳輸，以及大規模實時數據存儲、查詢和分析尚未形成成熟的解決方案。
本文主要介紹解放軍總醫院急救醫療設備物聯網解決方案，包括急救設備互聯、數據采集與傳輸和流數據管理與利用，展示了該系統在急診搶救間部署的實際效果，包括獲取數據基本情況、急救設備物聯網性能測試以及基于物聯網數據的預測預警模型開發，以期為急救設備物聯網建設提供一種新的解決方案。
1 急救設備物聯網建設
1.1 急救設備物聯網架構設計
本研究采用基于“云-邊-端”的醫療物聯網架構，在“邊-端”采用了邁瑞醫療提供的基于數據采集模塊Benelink和數據轉換網關eGateway的設備物聯方案，其中“端”是通過Benelink模塊連接不同廠商、不同類型的醫療設備，將數據通過其N系列監護儀匯總到中央監護站；“邊”是中央監護站數據通過eGateway轉化封裝，在邊緣服務器完成數據解析分發，并上傳到云端服務器；“云”是在基于私有云的醫療物聯網數據平臺上構建分布式實時數據倉庫，實現數據分布式存儲、實時查詢。云邊端架構的急救設備物聯網架構圖如圖1所示。本研究提出的“云-邊-端”物聯網設計方案在醫院網絡互通的情況下可以滿足多家醫院使用，例如解放軍總醫院八個中心（原北京地區多家醫院），其中“邊”部署在各中心機房，“云”部署在一中心機房。結合急診業務，當前急救醫療設備物聯網“端”部署在監護設備密集的解放軍總醫院第一醫學中心急診搶救間。
圖1
急救設備物聯網架構
Figure1.
Architecture of IoT for emergency medical devices
1.2 急救設備互聯
針對各類急救類醫療設備存在的接口不統一、數據協議不同導致的急救設備間數據整合困難的問題，BeneLink數據采集模塊包含150多種主流醫療設備協議(呼吸機、麻醉機、輸注泵、血濾)，可以連接床旁呼吸機、輸液泵等醫療設備，包括邁瑞、GE、德格爾等品牌的麻醉機、呼吸機以及邁瑞、Fresenius等品牌輸液泵，獲取生理參數、波形、報警、趨勢信息等數據，并進一步將這些床旁設備數據轉發到其配套的N系列監護儀，實現床旁設備互聯和數據匯聚。配套BeneLink使用的是邁瑞BeneVision N系列智能監護儀，該系列監護儀具有高精度的床旁監護功能，監測內容有心電（electrocardiogram，ECG）、血氧（oxygen saturation，SpO2）、呼吸（respiration，RESP）、體溫、無創血壓、有創動脈壓、中心靜脈壓等，為后續進行臨床研究提供了高質量數據。具體使用時，首先在監護儀插槽中插入BeneLink模塊，然后使用RJ45線纜連接BeneLink模塊到ID適配器，ID適配器內燒錄了150多種醫療設備的編碼，用串口轉接線將ID適配器連接到其他醫療設備，其他醫療設備物聯時在監護儀配置對應的編碼，對應編碼的第三方醫療設備數據即可通過BeneLink傳到監護儀上。每個BeneLink模塊最多可連接四個外部醫療設備，這樣通過BeneLink模塊結合BeneVision N系列監護儀就可以完成與其他急救醫療設備的互聯。
1.3 數據采集與傳輸
各類急救設備通過BeneLink模塊實現物聯、數據采集和上傳，數據上傳至監護儀后，監護儀將這些不同格式的數據轉化為邁瑞監護儀私有協議數據，從而可以將第三方醫療設備的數據在監護儀和中央站上顯示。監護儀中數據包含第三方設備如呼吸機、輸液泵采集數據和監護儀自身采集數據，具體包括：心電、血氧等高采樣率的波形數據；心率、呼吸、血氧、血壓、體溫等生命體征數據；報警事件相關信息（事件名稱、發生時間和參數等）。患者住院ID、性別、出生日期基本信息則是通過中央站與急診專科系統對接獲取。邁瑞私有監護協議數據和患者基本信息通過eGateway打包轉化為衛生信息交換標準（Health Level Seven，HL7）格式推送到邊緣服務器，eGateway是用于邁瑞系統與第三方系統通過衛生信息交換協議進行交互的數據轉化網關。在本研究中eGateway除了將數據發送至邊緣服務器，同時將部分數據發送給急診專科系統并在急診專科系統中顯示用于急診救治的關鍵參數如實時心率、呼吸率和血氧等。為保障數據可靠真實，數據存儲雙備份，同時系統具有斷點續傳機制，由網絡或系統原因造成的數據網關與邊緣服務器數據流中斷，如在48 h內恢復通信，數據將會從斷點自動續傳，保障數據不會丟失。
1.4 流數據管理與利用
急救設備物聯網在“云-邊”對數據流進行管理和利用，如圖2所示，邊緣服務器中eGateway封裝的HL7格式數據,每秒實時發送給分布式流數據管理系統NiFi[9]做報文解析，交給分布式消息引擎Kafka[10]做數據分發，在云端實時數據庫Apache Druid[11]做數據存儲。其中NiFi可充分利用邊緣服務器集群實現數據并行采集，支持數據溯源和高可擴展性；Kafka可實現單節點每秒十萬記錄量級以上的數據穩定傳輸；Druid是一個高性能實時分析型數據庫，在實時數據可見性、即時查詢以及高并發方面性能較好。基于NiFi和Kafka的流式數據處理技術構建醫療物聯網數據流系統，通過多路并行化采集傳輸、分布式處理分析等技術可解決數據傳輸規模小、效率低等問題。
圖2
急救設備物聯網數據流管理及利用
Figure2.
Data stream management and utilization of IoT for emergency medical devices
急救設備物聯網數據的分析應用主要使用邊緣服務器中基于內存計算的大數據并行計算框架Spark[12]，以Kafka為數據源接入數據，通過編寫程序進行統計、數據清洗或數據聚合等流數據處理，之后將計算結果重新推送至Kafka，根據需求推送到云端服務器Druid數據庫中存儲。在Druid開展實時、高性能查詢，可以將查詢后數據導出對數據進行離線數據挖掘。同時物聯網數據平臺中集成Metabase報表工具，實現定制化報表開發，操作門檻低，通過圖像化界面選擇或編寫簡單結構化查詢語句SQL，可用于醫護人員根據需求生成分析圖表。
2 急救設備物聯網實施效果
2.1 急診搶救間急救設備物聯網實施效果
目前在解放軍總醫院第一醫學中心急診科部署上述急救醫療物聯網，聯網的醫療設備為急診搶救間19臺監護儀、輸注泵以及根據搶救情況使用的呼吸機。系統自2021年1月上線運行，醫護人員可在中央監護站或者醫療網電腦中實時查看設備工作狀態、生命體征參數、波形數據、報警信息等。圖3為在急診搶救間醫療物聯網實施示意圖，圖3a顯示該患者使用的多個輸液泵接入到BeneVision N17監護儀并在監護儀中顯示輸液泵的流速、累計輸入量等參數，圖3b為該患者監護儀數據在中央站的展示。
圖3
急診搶救間醫療物聯網實施效果
a．患者輸液泵與監護儀互聯；b．患者中央站監護數據
Figure3. The implementation of IoT for emergency medical devices in the emergency rooma. infusion pumps were interconnected with monitor; b. a patient’s monitoring data in central station
2.2 急救設備物聯網數據概覽
截止2022年8月，急救設備醫療物聯網總共收集了5 933名患者的監護儀、呼吸機、輸注泵數據，由于患者基本信息從急診專科信息中匹配時，部分患者基礎數據缺失，當前統計男性患者3 111例，女性患者1 854例，共計4 965例，年齡（64.06±18.85）歲，在搶救間時長中位數為0.9天，詳情見表1。圖4左上展示了2021年1月到2022年8月期間接入急診物聯網患者人群的年齡分布，右上為患者在搶救間的時長分布，圖4下為急診搶救間患者數量逐月分布情況，其中10月—11月，我院急診搶救間因疫情封控和計算機室網絡升級的原因，無對應時間段患者數據，除此之外可以看到每月患者數據量約380例。目前整個急診物聯網數據中高采樣波形數據共8.71 TB，體征數據816.96 GB，報警數據1.58 GB，每天數據仍在不斷增加中。
表1
急救設備醫療物聯網中患者基本情況
Table1.
Patient characteristics of IoT for emergency medical devices
圖4
急救設備物聯網中患者基本數據概覽
Figure4.
Overview of basic patient data in IoT for emergency medical devices
2.3 急救設備物聯網性能測試結果
項目組針對急救設備物聯網中的流式大數據組件進行了性能測試和調優，用于滿足實際業務場景下對數據流量的要求，主要包括設備并發數、數據解析速率、數據丟包率等方面。
2.3.1 設備并發測試
通過在NiFi上配置醫療物聯網業務流程，使用測試軟件模擬1 000個醫療設備包括監護儀、呼吸機發送數據，設備發送數據報文結構一致，每臺設備每秒發送1條體征報文和1條波形報文，單臺設備發送速率約為47 KB/s，其中體征報文約11 KB，波形報文約36 KB，波形報文可以涵蓋多種波形例如包括500 Hz心電信號、256 Hz呼吸信號等，將數據記錄到數據庫，觀察到NiFi各處理器無異常，數據庫中記錄數與發送測試數據量相等，數據無丟失，說明NiFi能支持1 000臺設備并發，服務端集群可正常負載1 000臺設備同時進行數據采集，平均每秒接入報文條數約2 000條，平均每秒處理數據量約為46.45 MB。
2.3.2 數據解析速率測試
NiFi解析醫療設備HL7報文，單線程模式下NiFi解析hl7報文速度為（1.750.5）MB/s，在服務器資源允許的情況下，增加處理器線程數能顯著提升處理速度，單機多線程，負載均衡情況下NiFi解析hl7報文速度為（5.51.5）MB/s。通過拓展集群節點數量，實現數據解析處理效率達到46.45 MB/s，滿足1 000臺設備全量數據并行采集處理的數據解析要求。實驗表明增加NiFi節點能明顯提升處理速度。
2.3.3 數據時延測試
通過對1 000條報文收發過程進行采樣，記錄端側設備報文發送、數據平臺中結構化數據存儲階段的采樣時間戳，計算兩者時間差，得到終端設備到數據服務中心之間的平均傳輸時延約為1.3 s。在數據傳輸過程中采用集群節點間負載均衡調度策略結合節點內多線程并發處理技術，充分利用分布式環境計算資源，實現了報文高效并行處理。
2.3.4 丟包率測試
將6萬條模擬數據以100條/s的速度輸入NiFi，解析數據后發送到Kafka，之后存儲到Druid數據庫中，驗證發現最后存儲到Druid中的數據條數仍為6萬條，證明NiFi數據傳輸可靠，丟包率極低，在6萬條模擬數據測試中無丟包現象。
2.3.5 數據查取性能測試
對Druid數據庫中近24 h存儲的全部數據進行查詢并下載到本地，數據量不少于5.5 GB，普通查詢響應時間均在1 s內，復雜查詢時間為3～5 s，將全部數據寫入到csv文件中，所需時間小于7 min。
通過以上測試可以看出急救設備物聯網流數據處理技術可以完成大規模醫療設備數據的高強度采集、傳輸和解析工作，低延遲，無丟包，滿足急診業務環境的數據流量要求。
2.4 預測預警模型開發
目前基于急救設備物聯網監護儀、呼吸機數據，團隊開發了急救患者病情惡化預警系統，對早期預警評分（Early Warning Score，EWS）進行了改進。EWS基于心率、呼吸率、體溫、血壓、意識這5種參數，通過專家經驗劃分閾值然后求和進行評分，其不足之處在于沒有考慮變量之間交互作用，評分不夠精準，而且意識評分需要醫護人員進行判斷，評分流程難以自動化。團隊利用監護生理參數包括心率、呼吸、體溫、血氧、血壓數據，構建機器學習模型用于判斷患者病情，開發了患者狀態指數（Patient Status Index，PSI）算法。算法構建的主要思路是對生理數據的分布情況做無參數估計，估計方法采用核密度估計法，訓練樣本的概率密度分布函數通過高斯核函數以及相應的權重來確定，將患者的實時監護數據輸入該模型即得到了對應的概率分布，概率越大表示處在正常范圍內，越小表示處在異常或惡化狀態，將概率取倒數后對數化成患者的實時狀態指數評分，異常情況下該評分會升高，評分高于設定閾值時即可報警。這種醫學警報可以準確識別患者生理病理狀態變化，提前判斷患者是否將會出現病情惡化。項目組完成模型構建與性能驗證后，將PSI模型算法構建成SparkStreaming實時計算任務，部署到Spark集群運行，從而當新的患者數據傳入后實時完成計算并存入數據庫，同時可實時展現在物聯網平臺前端頁面。
3 討論與結論
本文對解放軍總醫院急救設備物聯網進行了介紹，采用了一種基于“云-邊-端”架構的醫療物聯網方案，“端”以邁瑞醫療提供的N系列監護儀為核心，配合BeneLink模塊收集急救設備數據；“邊”緣服務器完成設備數據實時轉化、解析與分發；“云”上數據實時存儲并可以對數據進一步利用分析。在急診科部署實施該方案，通過對急救設備物聯網性能測試和近20個月的實際運行，實時收集19張急診搶救間床位床旁設備數據，表明該架構物聯網可以完成醫療設備數據的采集、傳輸和解析工作，低延遲，無丟包，設備物聯網數據能實時上傳到云端數據平臺，在長時間運行過程中不會出現設備數據斷聯的情況。目前云端數據平臺累計收集到TB級規模的數據，基于收集數據開展了患者基本信息數據的提取、離線統計分析以及預測預警模型的開發，進一步驗證了本研究提出的急救設備物聯網的可行性，穩定性較好，能長時間、大規模地收集數據并支撐開展數據挖掘。
該研究存在以下不足：第一，急診科急救設備物聯使用含其他廠商私有協議的BeneLink模塊連接其他醫療設備，屬于基于私有協議的設備物聯，急救設備支持范圍只能是已有數據傳輸協議的部分廠商；第二，設備互聯方式需以N系列監護儀為物聯核心，BeneLink模塊需要將其他醫療設備數據傳送到監護儀然后由監護儀傳輸給邊緣服務器，這將導致需要將原有的床旁監護儀換成該系列，醫院原有其他型號監護儀不能適配；第三，我院急診搶救間呼吸機、輸液泵等設備是流動使用，在設備物聯時需要護士進行插線、輸入設備ID等操作，這些操作增加了醫護人員工作量，設備物聯不太方便；第四，當前物聯網數據平臺存儲了原始數據，但在數據分發、解析過程可能出現錯誤，流數據傳輸中沒有制定一些規則對流數據質量進行控制。
當前醫療物聯網設備物聯還缺乏統一的標準，數據通信協議的多樣化導致不同產商設備之間難以相互通信，醫療設備物聯大多是通過中間件對設備數據進行整合集成，不同廠商整合后得到的結果在數據標準、質量上參差不齊。將來理想的具有互操作性的醫療設備可以在設計生產時增加遵循公開、統一的衛生信息交換標準的輸入輸出模塊，這樣各類醫療設備的信息就可以直接進行通信、數據傳輸等，不需要通過中間件來進行轉換，這需要國家監管機構和醫療器械廠商共同協商制定標準。而且醫療設備需要具備安全可靠的無線通信模塊，能自動搜索匹配到相應的物聯網設備物聯節點中，方便醫護人員移動使用急救設備。
由于急救醫學與院前急救、突發公共衛生事件關系密切，未來院內急救醫療物聯網平臺建設中還需要考慮到急診中有大部分患者來自于救護車急救，因此需要將含大量生命支持類設備的智能救護車接入院內物聯網中[13]，便于院內醫務工作者及時了解患者、傷員的情況，為后續及時治療提供數據支撐和決策支持。智能救護車設備與院內急救設備物聯網可以使用低延遲、高速度的通信技術如5G技術搭建橋梁[14]。
最后，對急救設備物聯網平臺中獲取的數據進行分析是后續研發物聯網智能應用的關鍵，對物聯網數據進行探索和深度挖掘分析[15]，不僅需要具備大數據分析、實時數據處理等能力的物聯網平臺，而且需要由醫護人員、數據科學研究人員組成的跨學科合作團隊[16-17]，這樣才能基于醫療物聯網大數據和人工智能發展出智能化臨床輔助決策模型、工具以及系統，用于急診傷病情評估和救治。形成“物聯網”＋“人工智能”的急救設備智能物聯網。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：范勇負責急救設備物聯網性能測試、數據初步分析以及撰寫文章；梁洪、孫繼鵬、張博穎負責急救設備物聯網設計與實施；朱海燕、曹德森、張政波、何昆侖負責指導研究和文章審校。
