Methodology for Interpretable ML Models for Predictive Maintenance of Medical Equipment Based on Event-Driven Operational Data

В статье решаются проблемы предиктивного обслуживания медицинского оборудования в условиях состояния телеметрии и специализированных датчиков состояния, когда в штате медицинской организации имеются только журналы эксплуатации и сервисного обслуживания (техническое обслуживание, ремонты, отказы, наработка). Предлагается концепция и методика построения интерпретируемых моделей машинного обучения для прогнозирования вероятности отклонения и оценки остаточного уровня медицинского оборудования на основе событийных операций и сервисных данных, извлекаемых из CMMS/БИМС-системы. Описан подход к построению деградационных траекторий по аварийным событиям эксплуатации и обслуживания, формирование принципиальных условий в условиях неполноты и неоднородности данных, а также структура интерпретируемых ML-моделей с ориентированным на инженерно-технический персонал и управленцев формами последствий (факторы риска, пороговые правила, временные горизонты риска). Работа носит методологический и гипотетический характер: план экспериментальной валидации и оценки качества прогнозирования по метрикам классификации и фиксированной регрессии для масштабных исследовательских и опытно-конструкторских работ. В статье рассматривается проблема прогнозирующего технического обслуживания медицинского оборудования в условиях отсутствия телеметрии или специализированных датчиков состояния, когда в системах CMMS/BIMS регистрируются только событийные журналы эксплуатации и обслуживания (техническое обслуживание, ремонт, отказы, часы работы). Предлагается методология построения интерпретируемых моделей машинного обучения для прогнозирования риска отказов и оценки остаточного срока службы (RUL) медицинского оборудования с использованием только событийных данных об эксплуатации и обслуживании. Подход основан на реконструкции траекторий деградации на основе дискретных событий эксплуатации и обслуживания, разработке признаков, связанных с деградацией, в условиях неполных и гетерогенных данных, а также на разработке интерпретируемой архитектуры машинного обучения, ориентированной на клинических инженеров и руководителей здравоохранения (факторы риска, пороговые правила, временные горизонты риска). Работа носит методологический и гипотетический характер: план экспериментальной проверки и метрики оценки для задач классификации и регрессии определены для последующих научно-исследовательских работ.