基于云—边—端架构的医疗物联网数据平台设计与实现

Abstract

In the internet of medical things, data primarily exhibits time-series and streaming characteristics, featuring typical attributes such as large-scale volume, high transmission rates, and significant heterogeneity. Given these data properties and the application requirements of medical scenarios, the development of specialized data platforms tailored to these needs holds considerable research significance and practical value. This study innovatively proposes the internet of medical things data platform solution based on a cloud-edge-end architecture, and elaborates on its architecture, functions, and implementation effects. The edge side is responsible for streaming data access, storage, and computation; the cloud side encompasses three layers of services: resources, data, and applications, constructing a data lake to provide data analysis services. This study has been implemented in PLA General Hospital for verification. From 2021 to 2024, 263 medical devices have been connected accumulatively, with a total data volume of 24.07 TB and stable operation within 4 years. In the performance stress test, the platform achieved the data access throughput of 23.91 MB/s and the data storage efficiency of 30.98 MB/s. These results demonstrate the feasibility of the architecture platform. This study has engineered and successfully applied the cloud-edge-end architecture in complex internet of medical things scenarios, addressing challenges such as heterogeneous protocol compatibility of medical devices, real-time response to clinical operations, and large-scale storage and application of the internet of things data. The established data platform provides a solid data foundation for smart medical applications and holds significant value for the research of medical artificial intelligence and the construction of future smart hospitals.

0. 引言

物联网（internet of things，IOT）概念最早于1999年由美国麻省理工学院学者凯文·阿斯顿（Kevin Ashton）提出，其最初的概念是指通过射频识别（radio frequency identification，RFID）技术实现物品的智能识别与管理，构建物物相连的网络^[1-5]。随着IOT技术的发展和应用场景的拓展，已从“物物相连”扩展至“万物互联”。尤其是随着IOT、第五代移动通信技术（5th generation mobile communication technology，5G）^[6-7]、第六代无线网络技术（Wi-Fi 6）^[8-9]、第五代固定网络（5th generation fixed network，F5G）^[10-11]、云计算、大数据和人工智能（artificial intelligence，AI）^[12-13]等技术深度融合，IOT成为了各领域的关键支撑技术，它不仅是感知世界、获取数据的重要手段，其应用还带来了数据量的爆发式增长，为大数据与AI提供了丰富的数据基础。

医疗物联网（internet of medical things，IOMT）是IOT技术在医疗领域的应用，其通过感知和通信技术，将传感器、医疗设备、信息系统等联接起来，实现医疗场景中的人、机、物互联。IOMT支撑医疗数据的采集、传输、处理与分析，为智慧医院的医疗、服务和管理提供数据基础。因此，IOMT是医疗大数据和AI的重要支撑，也是未来智慧医院、智慧医疗发展的基础^[14-16]。

目前，IOMT建设过程面临医疗终端设备接入、网络设计、数据安全、标准化及数据平台构建等一系列挑战。本课题组在中国人民解放军总医院（简称：解放军总医院）IOMT试点项目建设过程中，系统地解决了上述问题，提出了全新的解决方案；本文重点介绍在IOMT数据平台上开展的探索性工作。IOMT的特点是数据量大、数据传输可靠性要求高，其通常以时序数据形式采集存储，以流数据方式传输使用，尤其是在医疗设备IOT领域表现更明显，因此平台设计需充分考虑其数据特性与应用场景需求。通过文献检索可知，目前国内IOMT相关研究方面虽然已有不少研究成果^[17-19]，但在数据平台建设方面尚没有一个完整、系统的解决方案；而国外技术虽然相对成熟，但多由卡普苏尔（Capsule）等少数企业掌握，相关公开研究较少。早期，如开放式互操作临床环境（OpenICE）等项目曾提出了设备物联方案^[20-22]，但在数据平台设计与实现方面却进展有限。本项目针对IOMT数据平台的建设开展了深入论证研究，提出了一套完整的数据平台建设方案。首先，采用“感知层—网络层—平台层—应用层”四层架构，并基于云—边—端模式构建数据平台；然后，在解放军总医院部署私有云，并在各医学中心配置边缘服务器，实现了解放军总医院多个医学中心的物联，为医疗设备、药品和耗材IOT以及其他IOMT系统的设计与实现提供了支撑条件。

本文详细介绍了IOMT数据平台的设计、实现与成效，采用云—边—端架构，期望能系统性解决医疗设备异构协议兼容、临床业务实时响应以及IOT数据大规模存储应用等难题。综上，希望本项目的设计方案和实施经验能对国内外同类平台建设提供一定的参考价值。

1. IOMT总体架构

IOMT的核心目的是对医疗设备、药品、医用耗材等医疗物资实体进行数字化，通过感知技术将“物”抽象为“数”，再通过建立网络、搭建平台，进行医疗大数据融合，最后基于数据分析与应用为医疗业务赋能。IOT通常采用“感知层—网络层—应用层”的三层架构^[23]，考虑到IOMT数据具有高速、大量、异构的特点，本研究加入“平台层”作为数据枢纽，用于数据汇聚接入、数据融合和数据治理，形成“感知层—网络层—平台层—应用层”的四层IOMT总体架构，如图1所示。

图 1.

The overall architecture of the IOMT

IOMT总体架构

在感知层，基于传感器、RFID标签与数据适配器等终端，识别医疗物资特征信息，采集获取医疗设备实时数据，实现物理实体向信息化数据的转化。在网络层，网络层依托有线与无线通信技术，建立可靠数据传输链路，保障数据在各系统间高效流转。在平台层，汇聚全部IOMT数据，运用大数据技术进行融合、治理与计算，形成高可用数据服务，支撑上层应用。在应用层，基于平台层整合后的高质量数据，结合医疗业务需求构建应用系统，优化流程并提升医疗效率。

数据平台是整体架构的核心，旨在消除“数据孤岛”。其设计优劣直接决定IOMT的数据可用性与应用成效，本文后续将重点阐述其设计方案与技术实现。

2. 基于云—边—端的IOMT数据平台架构

通常情况下，IOT数据平台采用云—端架构^[24]，但医疗场景的数据量巨大，易导致云平台过载，影响业务。为此，本研究采用云—边—端架构，其核心是在云与终端之间加入边缘平台，通过将部分云侧计算任务前置下沉，实现高效分流，从而保障系统性能与用户体验。本文将结合在解放军总医院建设的平台实例，对该架构进行说明。

解放军总医院云—边—端IOMT数据平台架构如图2所示。端侧执行感知采集；边缘平台部署于各医学中心，实现数据本地实时计算；云平台在解放军总医院集中进行数据汇聚与资源整合。三者经医疗内网协同，从而实现了全院物联数据的全流程处理。该架构不仅满足了大规模数据处理需求，还提供了高效的边缘计算与本地服务，最终为医疗业务系统构建起强大的资源底座与数据支撑。

图 2.

Architecture diagram of the cloud-edge-end IOMT data platform of the PLA General Hospital

解放军总医院云—边—端IOMT数据平台架构图

具体来看，端侧部署各类感知终端，包括传感器（获取医疗设备关键部件运行参数与环境参数，如计算机断层扫描设备探测器温度等）、数据适配器（获取监护设备实时生理数据，如心电波形、心率等）、RFID识别器（识别人员和医疗物资身份信息，如药品耗材追溯码等）；蓝牙定位信标（获取医疗物资位置信息，如手术室中器械耗材的坐标信息等），实现物理实体数据的全面采集。边侧部署流数据管理系统和本地业务系统，前者负责接收并实时处理终端上报的数据流，完成关联、去重、结构化等边缘计算任务；后者运行实时性要求高的业务应用（如中央监护站、药品耗材出入库管理系统等），就近使用数据，确保快速响应与运行稳定。云侧分为基础设施即服务（infrastructure as a service，IaaS）层、平台即服务（platform as a service，PaaS）层、软件即服务（software as a service，SaaS）层三部分，IaaS层提供底层计算、存储与网络资源；PaaS层构建数据湖，实现全院数据的统一汇聚、治理、建模与服务化，支撑高质量数据供给^[25-27]；SaaS层部署全院级分析应用，如设备效益分析、急危重症预测预警、AI模型训练、AI模型管理等，满足需全局数据与复杂计算的业务需求^[28-29]。

3. IOMT数据平台功能实现

在上述云—边—端架构中，端侧主要负责对医疗物资进行感知与数据采集，不属于数据平台范畴，因此本研究中不作详细阐述，本节将主要给出边缘平台和云平台的具体功能实现技术及方法，如图3所示。

图 3.

The technical roadmap for IOMT data platform

IOMT数据平台技术路线图

3.1. 边缘平台

流数据接入：在边缘侧部署数据流管理尼亚加拉文件（Niagarafiles，NiFi）组件，通过定制化数据流通道与处理器，实现多协议、高吞吐的异构数据无阻塞接入^[30]。

流数据存储：数据经由消息队列卡夫卡（Kafka）进入实时数据仓库德鲁伊（Druid）进行列式存储与快速查询，以满足业务系统对低延迟数据的需求^[31-33]。

边缘计算：利用批流一体处理引擎弗林克（Flink）完成数据关联、规则计算等实时处理，其结果通过Kafka总线分发至各业务系统，从而在边缘侧形成从数据接入、存储到计算应用的全流程闭环^[34-36]。

3.2. 云平台

IaaS层：通过虚拟化技术与网络化技术构建资源池，提供计算、存储与网络服务^[37-38]。

PaaS层：以数据湖为核心，集成Kafka、Flink、分布式计算引擎火花（Spark）、离线仓库蜂箱（Hive）、高性能数据库的列式数据库管理系统（click stream，data warehouse，ClickHouse）、哈多普分布式文件系统（Hadoop distributed file system，HDFS）等组件，实现数据集成、处理、治理与分析；同时构建图形处理器（graphics processing unit，GPU）计算集群，并借助机器学习生命周期模型管理平台（platform for the machine learning lifecycle，MLflow）管理AI模型全生命周期，为AI训练提供平台级服务^[39-41]。

SaaS层：基于容器化与微服务技术，部署急危重症预测预警、设备效益分析等全院级应用，通过标准化接口满足从实时预警到长期分析的多场景业务需求^[42]。

4. IOMT数据平台实施效果

目前，在解放军总医院建成的IOMT数据平台共覆盖7个医学中心，云平台部署于解放军总医院，由68台高性能服务器构成，提供虚拟化资源与IOMT数据湖，实现数据统一汇聚与存储。各医学中心部署由3台超融合服务器组成的边缘平台，负责实时接入本地医疗设备数据。终端层面通过串口通信、数据解析与RFID识别等技术，实时采集药品、耗材及医疗设备数据。平台对采集的IOMT数据进行解析、清洗、转化等处理，并与医院信息系统（hospital information system，HIS）等融合，以患者标识（identification，ID）为核心进行关联匹配，最终形成药品、耗材试剂、重症监护室（intensive care unit，ICU）设备、影像设备及病房IOMT五大主题临床数据库，依据业务需求实现数据的共享与定期推送。

从2021年1月—2025年1月，该数据平台共计接入采集263台医疗设备，数据存储总量为24.07 TB，其中ICU监护类设备23.98 TB，大型影像设备88.79 GB。数据平台近四年接入设备数和数据量统计图，如图4和图5所示。图4中，每年接入设备台数基本持平，2023年由于相关科室批量更换医疗设备，设备数略微下降；图5中，2024年由于部分设备更新为最新型号，数据采样率提高，因此数据量显著增加。整体来看，四年内该数据平台可以稳定运行，证明了本研究提出的基于云—边—端架构的IOMT数据平台的可行性。

图 4.

The number of devices connected to the data platform in the past four years

数据平台近四年接入设备数

图 5.

The amount of data accessed by the data platform in the past four years

数据平台近四年接入数据量

在平台性能表现方面，对其开展了极限压力测试，通过在1 h内模拟1 000台医疗设备进行数据采集与上传的方式，产生数据360万条，总数据量约为163 GB。如图6所示，在边缘平台单条数据平均处理时长为1 384 ms；如图7所示，数据接入吞吐量平均23.91 MB/s，服务端运行正常，未见缓存队列出现数据阻塞情况，数据库中记录数与发送测试数据量相等，数据无丢失，并且全部成功解析，证明平台至少具备1 000台医疗设备的并发接入能力。

图 6.

Edge platform data collection efficiency chart

边缘平台数据采集效率图

图 7.

Edge platform data storage efficiency monitoring chart

边缘平台数据存储效率监测图

在云平台，1 h内的1 000台医疗设备数据从汇聚到存入数据湖共计需65 min，数据存储吞吐量平均30.98 MB/s，如图8所示，查验完成存储的数据条目为359.93万条，数据丢失率为0.19‰，证明平台具备大规模数据存储能力。

图 8.

Cloud platform data storage efficiency monitoring chart

云平台数据存储效率监测图

从应用效果上来看，基于263台医疗设备的IOMT数据，在解放军总医院各医学中心本地可以开展患者实时状态监控、医疗设备运行管理、医疗系统信息集成等业务。ICU的IOMT系统通过自动采集并解析患者生理数据，直接对接HIS系统，平均每日为每床护士减少了0.8 h的手工记录时间；同时，构建了以患者为中心的重症ICU临床监测系统，将实时医疗设备物联数据与HIS系统数据做集成，打造患者ICU全息地图，辅助医生诊疗决策，如图9所示。影像设备IOMT系统则通过解析医学数字成像和通信（digital imaging and communications in medicine，DICOM）头文件与传输日志，实时获取设备扫描与运行数据，并经处理形成标准的影像数据模型。除此之外，平台还试点运行了耗材、药品与医疗设备信息管理系统，推动了药品、耗材及麻醉手术中心设备的精细化管理。目前，平台已积累超过12 000例患者数据，为疾病预测、术后风险评估等科研工作提供了丰富样本，全面支撑智慧医院的建设。

图 9.

Interface screenshot of the multi-dimensional panoramic system for ICU patients

ICU患者多维度全景系统界面图

5. 结果与讨论

本文针对复杂IOMT场景下的高效数据接入与存储分析需求，提出了基于云—边—端架构的IOMT数据平台设计方案，并在解放军总医院完成了部署与应用。应用效果表明，云—边—端范式可以良好地适配IOMT场景，解决了异构设备互联接入、流数据处理以及海量数据存储等问题，建设的数据平台实现了全院医疗设备的大规模互联与跨院区数据汇聚治理功能，为智慧医院建设提供了有力数据支撑。

平台逻辑架构采用“感知层—网络层—平台层—应用层”四层模型，便于划分系统功能边界；物理架构则在传统云与终端之间引入边缘层，通过在数据源头部署边缘节点，将部分云端能力下沉，实现数据就近处理。该设计既减轻了中心云压力，又满足了医疗业务对实时性的要求，使数据产生即可用。云端则继续承担资源管理、海量数据汇聚存储等任务，为大数据分析与AI技术提供关键支持。国外知名IOMT厂商Capsule以及麻省理工大学的OpenICE项目，主要针对感知层中的医疗设备互联和电子病历集成等问题提出了各自的技术方案，但缺少能有效管理大规模IOMT数据的完备架构和高度集成的一体化平台。本研究聚焦于云—边—端架构的数据平台设计，打通了从数据产生到数据应用的全过程数据链，满足了海量IOMT数据实时应用与高效存储治理的临床需求，从而填补了这一空白。

在具体实现上，考虑到医疗设备数据发送频率快、数据密度高的特点，本文提出在边缘侧部署NiFi系统，通过多线程并行接入与流量控制机制，保障了高并发环境下IOMT数据的稳定传输。云平台则集成Kafka、Flink、HDFS、Druid与ClickHouse等组合技术栈，分别负责数据接入、实时处理、原始数据存储、时序数据与结构化数据管理，并部署虚拟化组件与云边协同系统，实现对边缘资源的统一调度。平台经性能测试与四年实际运行，验证了其合理性与可靠性。

IOMT平台作为数据的核心承载环节，对医疗业务的支撑效果是显著的。首先，边缘侧接入的数据经过简单处理加工，可以直接推送至本地业务系统，如患者实时状态监控、医疗设备运行管理、医疗系统信息集成等，这与传统的云与终端模式相比可以带来更低时延、更便捷的用户体验，并且极端情况下边和云的通信中断后，业务系统依然可以在边缘平台持续运行，这也增加了整体平台的稳定性。其次，云平台汇聚存储的大规模IOMT数据，可以用来支撑全院区医疗物资使用状况的综合研判分析，以数据驱动医院管理决策的制定，满足智慧医院的精细化运营管理需求。最后，覆盖患者维度、设备维度、药品及耗材维度的多源大样本数据，可以支持医疗大数据分析、医学AI研究的落地应用，解决了医疗科研过程数据获取难的痛点问题。

本文的研究目前仍存在一些问题和挑战。第一，随着积累数据量的增大，如何科学地制定数据治理与分层存储策略是当前面临的主要问题。第二，医疗数据高度敏感，涉及患者隐私，如何兼顾平台性能和数据安全是一大挑战。第三，IOMT平台与其他医疗信息系统集成的不充分，缺乏与第三方系统对接的统一标准与数据模型。因此，针对数据治理策略、数据安全、数据标准化的问题将是IOMT数据平台今后的主要研究方向。随着IOMT技术发展，该平台与AI技术的结合将展现出更广阔前景，或可在疾病预测、治疗方案推荐乃至AI医生等方向实现突破。数据是智慧医疗和智慧医院建设的基础，本文提出的IOMT数据平台解决方案，可以有效地解决数据来源问题，进一步推动医疗行业在“数据+算法+服务”的创新生态驱动下，向智能化与个性化转型。

Funding Statement

科研项目（BHQ090003000X15）