基于云边端架构的急救医疗设备物联网设计与实现

Abstract

Internet of Things (IoT) technology plays an important role in smart healthcare. This paper discusses IoT solution for emergency medical devices in hospitals. Based on the cloud-edge-device architecture, different medical devices were connected; Streaming data were parsed, distributed, and computed at the edge nodes; Data were stored, analyzed and visualized in the cloud nodes. The IoT system has been working steadily for nearly 20 months since it run in the emergency department in January 2021. Through preliminary analysis with collected data, IoT performance testing and development of early warning model, the feasibility and reliability of the in-hospital emergency medical devices IoT was verified, which can collect data for a long time on a large scale and support the development and deployment of machine learning models. The paper ends with an outlook on medical device data exchange and wireless transmission in the IoT of emergency medical devices, the connection of emergency equipment inside and outside the hospital, and the next step of analyzing IoT data to develop emergency intelligent IoT applications.

0. 引言

随着我国经济社会数字化转型和产业智能升级，物联网（Internet of Things，IoT）技术作为实现业务数字化和智能化的关键基础支撑技术正蓬勃发展。物联网过去被射频识别技术（Radio Frequency Identification，RFID）项目组定义为基于标准通信协议唯一可寻址相互连接对象的全球网络^[1]，目前通常指基于RFID、传感器、通信技术和互联网协议等技术，让各类传感器设备进行协作，一起组网、通信、数据处理等，从而支持智能决策实现新的应用^[2]，被视为新一代信息和通信技术（Information and Communications Technology，ICT）的重要组成^[3]。医疗物联网（Internet of Medical Things，IoMT）是物联网在医疗健康领域的应用，通过感知和通信等技术将各类传感器、医疗设备、信息系统连接起来，从而支持医疗过程中的数据采集、互操作、综合分析利用等，涵盖提升医疗服务质量、提高医院工作效率和成本控制等方面，具体包括医疗设备、医疗环境监测、被服、药品耗材管理等物联网。

急诊医学以应对突发性疾病、创伤及突发公共卫生事件为主，需要迅速评估患者状况并做出临床决策，从而挽救患者生命和阻止疾病进一步恶化。急诊医学强调时效性，大多急危重症救治都存在“黄金时间”窗口，在有限的时间内及时、准确、全面地获取诊疗关键数据，对急诊医护人员评估患者伤病情、正确做出临床决策十分重要，此时段进行合适的救治能最大限度地降低患者和伤员的病死率^[4]。因此，将急诊急救场景中的各类医疗设备互联，实现数据汇聚与综合分析，能为医护人员提供决策支持信息，是急诊救治智能化研究方向之一。

急救医疗设备物联网主要针对急诊急救中生命监测类、支持类医疗设备实现设备互联、互操作以及数据整合分析。其主要优点在于：① 辅助床旁决策提升医疗质量，各种医疗设备产生的数据能被传输到统一架构的医疗物联网数据平台中，而不是零散分布在各个小的系统中或直接丢弃，导致信息的孤立或缺失，设备物联数据与医院其他信息系统数据整合，便于医护人员便捷地查看和使用一定时间范围内丰富的多模态医疗信息，对于急救时效来说，实时、全面、准确地提供了患者评估和救治所需的信息；② 提高工作效率，物联网系统自动记录关键数据，不再需要医护人员手工记录，避免了记录过程中可能出现的错误，加速了信息的流通和利用；③ 促进临床科研，通过对医疗设备物联网数据的收集，进一步完善了临床科研资料，为解决医疗实践中的临床问题形成诊疗决策证据，提供数据支撑。

急救医疗设备物联网建设主要挑战之一在于医疗设备种类多、接口形式多、数据协议标准不统一、不开放等，造成设备间数据交换困难^[5-6]。目前，医疗设备物联主要分为基于私有协议的设备互联和基于通用、公开通信标准的设备互联解决方案。部分厂商通过相互合作，获得第三方厂商生理监测和生命支持类设备的接口协议，构建出一套基于厂商私有协议的设备互联方案，如迈瑞医疗、Capsule Technologies、惠泽智信^[7]，从而能读取设备数据，包括波形信息、报警信息等。OpenICE开源集成临床环境（Open Integrated Clinical Environment）致力于建立公开、通用的医疗物联网数据通信标准，是ASTM F2761集成临床环境标准的开源实现，它来源于麻省总医院医疗设备即插即用（Medical Device Plug-and-Play，MD PnP）互操作性计划的一个开源软件项目，由用于医疗设备的软件设备适配器、消息分发标准中间件和演示应用程序组成，支持的医疗设备包括来自Philips、Drager和GE医疗等供应商的麻醉机、呼吸机和患者监护仪^[8]。当前医疗设备物联网重点考虑了设备物联，而设备物联后高速率、高密度流数据传输，以及大规模实时数据存储、查询和分析尚未形成成熟的解决方案。

本文主要介绍解放军总医院急救医疗设备物联网解决方案，包括急救设备互联、数据采集与传输和流数据管理与利用，展示了该系统在急诊抢救间部署的实际效果，包括获取数据基本情况、急救设备物联网性能测试以及基于物联网数据的预测预警模型开发，以期为急救设备物联网建设提供一种新的解决方案。

1. 急救设备物联网建设

1.1. 急救设备物联网架构设计

本研究采用基于“云-边-端”的医疗物联网架构，在“边-端”采用了迈瑞医疗提供的基于数据采集模块Benelink和数据转换网关eGateway的设备物联方案，其中“端”是通过Benelink模块连接不同厂商、不同类型的医疗设备，将数据通过其N系列监护仪汇总到中央监护站；“边”是中央监护站数据通过eGateway转化封装，在边缘服务器完成数据解析分发，并上传到云端服务器；“云”是在基于私有云的医疗物联网数据平台上构建分布式实时数据仓库，实现数据分布式存储、实时查询。云边端架构的急救设备物联网架构图如图1所示。本研究提出的“云-边-端”物联网设计方案在医院网络互通的情况下可以满足多家医院使用，例如解放军总医院八个中心（原北京地区多家医院），其中“边”部署在各中心机房，“云”部署在一中心机房。结合急诊业务，当前急救医疗设备物联网“端”部署在监护设备密集的解放军总医院第一医学中心急诊抢救间。

图 1.

Architecture of IoT for emergency medical devices

急救设备物联网架构

1.2. 急救设备互联

针对各类急救类医疗设备存在的接口不统一、数据协议不同导致的急救设备间数据整合困难的问题，BeneLink数据采集模块包含150多种主流医疗设备协议(呼吸机、麻醉机、输注泵、血滤)，可以连接床旁呼吸机、输液泵等医疗设备，包括迈瑞、GE、德格尔等品牌的麻醉机、呼吸机以及迈瑞、Fresenius等品牌输液泵，获取生理参数、波形、报警、趋势信息等数据，并进一步将这些床旁设备数据转发到其配套的N系列监护仪，实现床旁设备互联和数据汇聚。配套BeneLink使用的是迈瑞BeneVision N系列智能监护仪，该系列监护仪具有高精度的床旁监护功能，监测内容有心电（electrocardiogram，ECG）、血氧（oxygen saturation，SpO₂）、呼吸（respiration，RESP）、体温、无创血压、有创动脉压、中心静脉压等，为后续进行临床研究提供了高质量数据。具体使用时，首先在监护仪插槽中插入BeneLink模块，然后使用RJ45线缆连接BeneLink模块到ID适配器，ID适配器内烧录了150多种医疗设备的编码，用串口转接线将ID适配器连接到其他医疗设备，其他医疗设备物联时在监护仪配置对应的编码，对应编码的第三方医疗设备数据即可通过BeneLink传到监护仪上。每个BeneLink模块最多可连接四个外部医疗设备，这样通过BeneLink模块结合BeneVision N系列监护仪就可以完成与其他急救医疗设备的互联。

1.3. 数据采集与传输

各类急救设备通过BeneLink模块实现物联、数据采集和上传，数据上传至监护仪后，监护仪将这些不同格式的数据转化为迈瑞监护仪私有协议数据，从而可以将第三方医疗设备的数据在监护仪和中央站上显示。监护仪中数据包含第三方设备如呼吸机、输液泵采集数据和监护仪自身采集数据，具体包括：心电、血氧等高采样率的波形数据；心率、呼吸、血氧、血压、体温等生命体征数据；报警事件相关信息（事件名称、发生时间和参数等）。患者住院ID、性别、出生日期基本信息则是通过中央站与急诊专科系统对接获取。迈瑞私有监护协议数据和患者基本信息通过eGateway打包转化为卫生信息交换标准（Health Level Seven，HL7）格式推送到边缘服务器，eGateway是用于迈瑞系统与第三方系统通过卫生信息交换协议进行交互的数据转化网关。在本研究中eGateway除了将数据发送至边缘服务器，同时将部分数据发送给急诊专科系统并在急诊专科系统中显示用于急诊救治的关键参数如实时心率、呼吸率和血氧等。为保障数据可靠真实，数据存储双备份，同时系统具有断点续传机制，由网络或系统原因造成的数据网关与边缘服务器数据流中断，如在48 h内恢复通信，数据将会从断点自动续传，保障数据不会丢失。

1.4. 流数据管理与利用

急救设备物联网在“云-边”对数据流进行管理和利用，如图2所示，边缘服务器中eGateway封装的HL7格式数据,每秒实时发送给分布式流数据管理系统NiFi^[9]做报文解析，交给分布式消息引擎Kafka^[10]做数据分发，在云端实时数据库Apache Druid^[11]做数据存储。其中NiFi可充分利用边缘服务器集群实现数据并行采集，支持数据溯源和高可扩展性；Kafka可实现单节点每秒十万记录量级以上的数据稳定传输；Druid是一个高性能实时分析型数据库，在实时数据可见性、即时查询以及高并发方面性能较好。基于NiFi和Kafka的流式数据处理技术构建医疗物联网数据流系统，通过多路并行化采集传输、分布式处理分析等技术可解决数据传输规模小、效率低等问题。

图 2.

Data stream management and utilization of IoT for emergency medical devices

急救设备物联网数据流管理及利用

急救设备物联网数据的分析应用主要使用边缘服务器中基于内存计算的大数据并行计算框架Spark^[12]，以Kafka为数据源接入数据，通过编写程序进行统计、数据清洗或数据聚合等流数据处理，之后将计算结果重新推送至Kafka，根据需求推送到云端服务器Druid数据库中存储。在Druid开展实时、高性能查询，可以将查询后数据导出对数据进行离线数据挖掘。同时物联网数据平台中集成Metabase报表工具，实现定制化报表开发，操作门槛低，通过图像化界面选择或编写简单结构化查询语句SQL，可用于医护人员根据需求生成分析图表。

2. 急救设备物联网实施效果

2.1. 急诊抢救间急救设备物联网实施效果

目前在解放军总医院第一医学中心急诊科部署上述急救医疗物联网，联网的医疗设备为急诊抢救间19台监护仪、输注泵以及根据抢救情况使用的呼吸机。系统自2021年1月上线运行，医护人员可在中央监护站或者医疗网电脑中实时查看设备工作状态、生命体征参数、波形数据、报警信息等。图3为在急诊抢救间医疗物联网实施示意图，图3a显示该患者使用的多个输液泵接入到BeneVision N17监护仪并在监护仪中显示输液泵的流速、累计输入量等参数，图3b为该患者监护仪数据在中央站的展示。

图 3.

The implementation of IoT for emergency medical devices in the emergency room

急诊抢救间医疗物联网实施效果

a．患者输液泵与监护仪互联；b．患者中央站监护数据

a. infusion pumps were interconnected with monitor; b. a patient’s monitoring data in central station

2.2. 急救设备物联网数据概览

截止2022年8月，急救设备医疗物联网总共收集了5 933名患者的监护仪、呼吸机、输注泵数据，由于患者基本信息从急诊专科信息中匹配时，部分患者基础数据缺失，当前统计男性患者3 111例，女性患者1 854例，共计4 965例，年龄（64.06±18.85）岁，在抢救间时长中位数为0.9天，详情见表1。图4左上展示了2021年1月到2022年8月期间接入急诊物联网患者人群的年龄分布，右上为患者在抢救间的时长分布，图4下为急诊抢救间患者数量逐月分布情况，其中10月—11月，我院急诊抢救间因疫情封控和计算机室网络升级的原因，无对应时间段患者数据，除此之外可以看到每月患者数据量约380例。目前整个急诊物联网数据中高采样波形数据共8.71 TB，体征数据816.96 GB，报警数据1.58 GB，每天数据仍在不断增加中。

表 1. Patient characteristics of IoT for emergency medical devices.

急救设备医疗物联网中患者基本情况

项目	总体	女	男
人数n	4 965	1 854	3 111
年龄/岁 ［均数（标准差）］	64.1（18.9）	66.6（18.7）	62.6（18.8）
抢救间时长/天 ［中位数（Q1，Q3）］	0.9（0.4，1.9）	0.9（0.4，2.0）	0.9（0.4，1.8）

图 4.

Overview of basic patient data in IoT for emergency medical devices

急救设备物联网中患者基本数据概览

2.3. 急救设备物联网性能测试结果

项目组针对急救设备物联网中的流式大数据组件进行了性能测试和调优，用于满足实际业务场景下对数据流量的要求，主要包括设备并发数、数据解析速率、数据丢包率等方面。

2.3.1. 设备并发测试

通过在NiFi上配置医疗物联网业务流程，使用测试软件模拟1 000个医疗设备包括监护仪、呼吸机发送数据，设备发送数据报文结构一致，每台设备每秒发送1条体征报文和1条波形报文，单台设备发送速率约为47 KB/s，其中体征报文约11 KB，波形报文约36 KB，波形报文可以涵盖多种波形例如包括500 Hz心电信号、256 Hz呼吸信号等，将数据记录到数据库，观察到NiFi各处理器无异常，数据库中记录数与发送测试数据量相等，数据无丢失，说明NiFi能支持1 000台设备并发，服务端集群可正常负载1 000台设备同时进行数据采集，平均每秒接入报文条数约2 000条，平均每秒处理数据量约为46.45 MB。

2.3.2. 数据解析速率测试

NiFi解析医疗设备HL7报文，单线程模式下NiFi解析hl7报文速度为（1.750.5）MB/s，在服务器资源允许的情况下，增加处理器线程数能显著提升处理速度，单机多线程，负载均衡情况下NiFi解析hl7报文速度为（5.51.5）MB/s。通过拓展集群节点数量，实现数据解析处理效率达到46.45 MB/s，满足1 000台设备全量数据并行采集处理的数据解析要求。实验表明增加NiFi节点能明显提升处理速度。

2.3.3. 数据时延测试

通过对1 000条报文收发过程进行采样，记录端侧设备报文发送、数据平台中结构化数据存储阶段的采样时间戳，计算两者时间差，得到终端设备到数据服务中心之间的平均传输时延约为1.3 s。在数据传输过程中采用集群节点间负载均衡调度策略结合节点内多线程并发处理技术，充分利用分布式环境计算资源，实现了报文高效并行处理。

2.3.4. 丢包率测试

将6万条模拟数据以100条/s的速度输入NiFi，解析数据后发送到Kafka，之后存储到Druid数据库中，验证发现最后存储到Druid中的数据条数仍为6万条，证明NiFi数据传输可靠，丢包率极低，在6万条模拟数据测试中无丢包现象。

2.3.5. 数据查取性能测试

对Druid数据库中近24 h存储的全部数据进行查询并下载到本地，数据量不少于5.5 GB，普通查询响应时间均在1 s内，复杂查询时间为3～5 s，将全部数据写入到csv文件中，所需时间小于7 min。

通过以上测试可以看出急救设备物联网流数据处理技术可以完成大规模医疗设备数据的高强度采集、传输和解析工作，低延迟，无丢包，满足急诊业务环境的数据流量要求。

2.4. 预测预警模型开发

目前基于急救设备物联网监护仪、呼吸机数据，团队开发了急救患者病情恶化预警系统，对早期预警评分（Early Warning Score，EWS）进行了改进。EWS基于心率、呼吸率、体温、血压、意识这5种参数，通过专家经验划分阈值然后求和进行评分，其不足之处在于没有考虑变量之间交互作用，评分不够精准，而且意识评分需要医护人员进行判断，评分流程难以自动化。团队利用监护生理参数包括心率、呼吸、体温、血氧、血压数据，构建机器学习模型用于判断患者病情，开发了患者状态指数（Patient Status Index，PSI）算法。算法构建的主要思路是对生理数据的分布情况做无参数估计，估计方法采用核密度估计法，训练样本的概率密度分布函数通过高斯核函数以及相应的权重来确定，将患者的实时监护数据输入该模型即得到了对应的概率分布，概率越大表示处在正常范围内，越小表示处在异常或恶化状态，将概率取倒数后对数化成患者的实时状态指数评分，异常情况下该评分会升高，评分高于设定阈值时即可报警。这种医学警报可以准确识别患者生理病理状态变化，提前判断患者是否将会出现病情恶化。项目组完成模型构建与性能验证后，将PSI模型算法构建成SparkStreaming实时计算任务，部署到Spark集群运行，从而当新的患者数据传入后实时完成计算并存入数据库，同时可实时展现在物联网平台前端页面。

3. 讨论与结论

本文对解放军总医院急救设备物联网进行了介绍，采用了一种基于“云-边-端”架构的医疗物联网方案，“端”以迈瑞医疗提供的N系列监护仪为核心，配合BeneLink模块收集急救设备数据；“边”缘服务器完成设备数据实时转化、解析与分发；“云”上数据实时存储并可以对数据进一步利用分析。在急诊科部署实施该方案，通过对急救设备物联网性能测试和近20个月的实际运行，实时收集19张急诊抢救间床位床旁设备数据，表明该架构物联网可以完成医疗设备数据的采集、传输和解析工作，低延迟，无丢包，设备物联网数据能实时上传到云端数据平台，在长时间运行过程中不会出现设备数据断联的情况。目前云端数据平台累计收集到TB级规模的数据，基于收集数据开展了患者基本信息数据的提取、离线统计分析以及预测预警模型的开发，进一步验证了本研究提出的急救设备物联网的可行性，稳定性较好，能长时间、大规模地收集数据并支撑开展数据挖掘。

该研究存在以下不足：第一，急诊科急救设备物联使用含其他厂商私有协议的BeneLink模块连接其他医疗设备，属于基于私有协议的设备物联，急救设备支持范围只能是已有数据传输协议的部分厂商；第二，设备互联方式需以N系列监护仪为物联核心，BeneLink模块需要将其他医疗设备数据传送到监护仪然后由监护仪传输给边缘服务器，这将导致需要将原有的床旁监护仪换成该系列，医院原有其他型号监护仪不能适配；第三，我院急诊抢救间呼吸机、输液泵等设备是流动使用，在设备物联时需要护士进行插线、输入设备ID等操作，这些操作增加了医护人员工作量，设备物联不太方便；第四，当前物联网数据平台存储了原始数据，但在数据分发、解析过程可能出现错误，流数据传输中没有制定一些规则对流数据质量进行控制。

当前医疗物联网设备物联还缺乏统一的标准，数据通信协议的多样化导致不同产商设备之间难以相互通信，医疗设备物联大多是通过中间件对设备数据进行整合集成，不同厂商整合后得到的结果在数据标准、质量上参差不齐。将来理想的具有互操作性的医疗设备可以在设计生产时增加遵循公开、统一的卫生信息交换标准的输入输出模块，这样各类医疗设备的信息就可以直接进行通信、数据传输等，不需要通过中间件来进行转换，这需要国家监管机构和医疗器械厂商共同协商制定标准。而且医疗设备需要具备安全可靠的无线通信模块，能自动搜索匹配到相应的物联网设备物联节点中，方便医护人员移动使用急救设备。

由于急救医学与院前急救、突发公共卫生事件关系密切，未来院内急救医疗物联网平台建设中还需要考虑到急诊中有大部分患者来自于救护车急救，因此需要将含大量生命支持类设备的智能救护车接入院内物联网中^[13]，便于院内医务工作者及时了解患者、伤员的情况，为后续及时治疗提供数据支撑和决策支持。智能救护车设备与院内急救设备物联网可以使用低延迟、高速度的通信技术如5G技术搭建桥梁^[14]。

最后，对急救设备物联网平台中获取的数据进行分析是后续研发物联网智能应用的关键，对物联网数据进行探索和深度挖掘分析^[15]，不仅需要具备大数据分析、实时数据处理等能力的物联网平台，而且需要由医护人员、数据科学研究人员组成的跨学科合作团队^[16-17]，这样才能基于医疗物联网大数据和人工智能发展出智能化临床辅助决策模型、工具以及系统，用于急诊伤病情评估和救治。形成“物联网”＋“人工智能”的急救设备智能物联网。

重要声明

利益冲突声明：本文全体作者均声明不存在利益冲突。

作者贡献声明：范勇负责急救设备物联网性能测试、数据初步分析以及撰写文章；梁洪、孙继鹏、张博颖负责急救设备物联网设计与实施；朱海燕、曹德森、张政波、何昆仑负责指导研究和文章审校。

Funding Statement

解放军总医院医疗大数据研发项目（2018MBD-008，2018MBD-009）；2022年度军队后勤科研项目（145BHQ090003000X15）