Оптимизация эффективности планирования ресурсов больницы на основе алгоритма обнаружения аномалий с динамически взвешенным расстоянием

Почему важны более умные больницы

Современные больницы работают круглосуточно, потребляя огромные объёмы электроэнергии, чтобы поддерживать работу томографов, чистоту воздуха и безопасность пациентов. Тем не менее значительная часть этой энергии управляется и контролируется грубыми инструментами, которые медленно реагируют при сбоях, что приводит к потере денег и повышенному риску. В исследовании показано, как интеллектуальная цифровая система управления может в реальном времени отслеживать оборудование больницы, быстро выявлять необычное поведение и перестраивать вычислительные и энергетические ресурсы так, чтобы обслуживание оставалось быстрым, а потребление энергии становилось значительно эффективнее.

Скрытое «сердцебиение» больничных машин

За каждым отделением и операционной стоит сеть устройств: крупные потребители энергии, такие как МРТ и вентиляционные системы, повседневное освещение и множество датчиков. Сегодня многие больницы сталкиваются с перегруженным оборудованием в одних зонах, тогда как другие простаивают, а аномальное потребление энергии может оставаться незамеченным часами. Авторы показывают, что крупные объекты могут расходовать десятки миллионов киловатт-часов в год, причём на отопление, охлаждение и чистый воздух приходится до 60 процентов этой суммы. Традиционные списки правил и простые инструменты машинного обучения часто пропускают тонкие предупреждающие сигналы, особенно когда громкий «шум» от крупных машин заглушает слабые сигналы от маломощных устройств.

Обучение системы замечать действительно важное

Чтобы справиться с этой задачей, исследователи разработали новый способ измерения различий в поведении устройств. Вместо того чтобы обращаться со всеми показаниями одинаково, их метод придаёт больший вес оборудованию, критичному для ухода за пациентами, и корректирует оценку в зависимости от того, насколько сильно каждое устройство обычно колеблется по энергопотреблению. Вентилятор или МРТ могут давать всплески в нормальном режиме, тогда как освещение в палате должно оставаться стабильным. Прокручивая недавние данные короткими временными блоками и постоянно обновляя представление о том, что считается «нормой», система может поднять тревогу, когда небольшое, но важное устройство начинает вести себя странно, или когда крупный агрегат показывает паттерн, не соответствующий его обычному ритму. В тестах на данных реальной больницы такой подход обнаружил аномальные энергетические события с точностью более 95 процентов и делал это всего за несколько тысячных секунды на одно показание.

Позволяя компьютерам в реальном времени перераспределять работу

Выявить проблему — это только половина дела; следующий шаг — действовать. Команда создала двухуровневую инфраструктуру планирования, которая сначала изолирует подозрительные задачи, чтобы они не тянули вниз остальную систему. С помощью облачной платформы аномальные потребители энергии перемещаются в свои виртуальные «комнаты», в то время как нормальные задачи продолжают работу в других местах. Затем для здоровой нагрузки второй слой, основанный на контейнерах и микросервисах, ищет способы разместить задачи на серверах так, чтобы поддерживать быструю коммуникацию и минимальное энергопотребление. Движок планирования заимствует идеи из эволюционных алгоритмов и контролируемого случайного поиска, чтобы избежать плохих решений и постепенно улучшать выбор. На практике такая схема повысила общую энергоэффективность почти до 90 процентов и удерживала время отклика критических задач, таких как оповещения мониторинга пациентов, ниже пяти секунд.

Защита данных при одновременном сокращении энергопотребления

Поскольку больничные системы обрабатывают чувствительные медицинские и эксплуатационные данные, авторы внедряют лёгкий, но непрерывный слой безопасности в свою архитектуру. Сканирующий модуль проверяет виртуальные машины и контейнеры на известные уязвимости, ранжируя их по тому, насколько легко ими можно воспользоваться, и по давности патчей. Упрощённая схема шифрования защищает данные при передаче и в покое, а правила доступа адаптируются к контексту, например к местоположению устройства и необычному поведению. Эти меры тесно связаны с планировщиком: при обнаружении серьёзной уязвимости затронутые задачи могут быть автоматически перемещены, а ключи шифрования — обновлены без значительного замедления остальной системы. В тестах проверки уязвимостей работали быстрее и находили больше проблем, чем старые методы, с умерённой дополнительной затратой вычислительных ресурсов.

Что это значит для будущих умных больниц

В целом исследование демонстрирует, что больницы могут перейти от запоздалой реакции на энергетические и сетевые проблемы к их прогнозированию и сдерживанию в почти реальном времени. Объединив более тонкое обнаружение аномалий, гибкое планирование и встроенную безопасность, предложенная схема сократила потери, сохранила быстроту критических сервисов и снизила риск того, что скрытые дефекты или атаки распространятся по инфраструктуре. Работа была продемонстрирована на примере одной крупной больницы и частично использовала смоделированные редкие события, поэтому её эффективность в более мелких или существенно отличающихся учреждениях ещё предстоит проверить. Тем не менее это указывает на будущее, в котором больничные здания тихо настраивают себя, поддерживая надёжную помощь при меньшем расходе энергии и с повышенной защитой данных пациентов.

Цитирование: Liu, Y., Mai, L., Huang, F. et al. Optimization of hospital resource scheduling efficiency based on dynamic weighted distance anomaly detection algorithm. Sci Rep 16, 16076 (2026). https://doi.org/10.1038/s41598-026-44415-6

Ключевые слова: управление энергопотреблением в больнице, обнаружение аномалий, планирование ресурсов, умная больница, ИТ в здравоохранении