IoT: Plug and Play (รุ่นการดูแลสุขภาพ)

Feb 12 2023

ผู้แต่ง: Aditya Desai, Gauri Mane, Karishma Damania, Rubin Hazarika, Owais Hetavkar …68. 78.

ผู้เขียน: Aditya Desai , Gauri Mane , Karishma Damania , Rubin Hazarika , Owais Hetavkar

…68. 78. 96. 112. 120. 120. 120. 120…

อัตราการเต้นของหัวใจของฉันเพิ่มขึ้นหลายจุดขณะดูการแข่งขันฟุตบอลโลกรอบสุดท้ายระหว่างอาร์เจนตินากับฝรั่งเศสเมื่อวันที่ 18 ธันวาคม 2022 ทุกๆ จังหวะที่พลาดไป ทุกๆ การถอนหายใจด้วยความโล่งอก ทุกๆ ช่วงเวลาที่ตึงเครียดถูกบันทึกไว้ใน Apple Watch ของฉัน แชร์ผ่านอุปกรณ์ iOS ทั้งหมดของฉันและออกอากาศ ในบัญชี Strava ของฉัน ทีนี้ลองนึกภาพแฟน ๆ อีกหลายล้านคนเช่นฉันนั่งอยู่บนขอบที่นั่งของพวกเขาดูทุกช่วงเวลาที่กัดเล็บด้วยตาที่เบิกกว้าง ลองจินตนาการถึงปริมาณข้อมูลที่รวบรวม วิเคราะห์ และซิงค์ทั่วโลก

ทีนี้ลองจินตนาการถึงความเป็นไปได้

ลองนึกภาพโลกที่เราใช้เวลาศึกษาเรื่องราวเบื้องหลังการพุ่งสูงขึ้นของระดับออกซิเจนในเลือด และทุกๆ การหลับใหลของอัตราการหายใจ โลกที่อุปกรณ์สามารถรับรู้ได้ว่าพ่อมีสัญญาณเริ่มต้นของภาวะหัวใจเต้นผิดจังหวะหรือไม่ และจะแจ้งให้พ่อทราบเพื่อนัดหมาย เพื่อที่เขาจะได้ไปต่อในเกมต่อไปของลูกสาว และหลังจากนั้น

ลองนึกภาพโลกแบบนั้น

ในโพสต์นี้เราต้องการทำมากกว่าแค่จินตนาการ เราต้องการแนะนำคุณว่าเทคโนโลยีที่มีอยู่สามารถช่วยสร้างความเป็นจริงนี้ได้อย่างไร

ข้อมูลขนาดใหญ่และ IoT

ข้อมูลขนาดใหญ่หมายถึงชุดข้อมูลที่มีขนาดใหญ่มากและซับซ้อนซึ่งไม่สามารถประมวลผลได้โดยใช้เทคนิคการประมวลผลข้อมูลแบบดั้งเดิม ปริมาณข้อมูลที่สร้างขึ้นในยุคปัจจุบันเติบโตขึ้นอย่างมหาศาล และการขยายตัวนี้ได้จุดประกายให้เกิดเทคโนโลยีและวิธีการใหม่ในการจัดการ จัดเก็บ และวิเคราะห์ข้อมูลจำนวนมหาศาลนี้

IoT ย่อมาจาก “Internet of Things” หมายถึงเครือข่ายของอุปกรณ์ทางกายภาพ เช่น เซนเซอร์ เครื่องใช้ และยานพาหนะ ที่ฝังตัวอยู่กับอุปกรณ์อิเล็กทรอนิกส์ ซอฟต์แวร์ และการเชื่อมต่อที่ทำให้วัตถุเหล่านี้สามารถรวบรวมและแลกเปลี่ยนข้อมูลผ่านอินเทอร์เน็ตได้

วิถีชีวิตของมนุษย์ได้ผ่านการเปลี่ยนแปลงที่สำคัญอันเป็นผลมาจากอุปกรณ์ Internet of Things (IoT) IoT กำลังปฏิวัติวิธีที่เรามีส่วนร่วมกับเทคโนโลยี ตั้งแต่บ้านอัจฉริยะไปจนถึงการขนส่งอัจฉริยะ ปริมาณข้อมูลที่สร้างขึ้นโดยอุปกรณ์อัจฉริยะเหล่านี้ก็เพิ่มขึ้นอย่างรวดเร็วเช่นเดียวกันกับจำนวนอุปกรณ์ ข้อมูลขนาดใหญ่มีความสำคัญในยุค IoT สำหรับการทำความเข้าใจความหมายของข้อมูลจำนวนมหาศาลที่สร้างขึ้นโดยอุปกรณ์อัจฉริยะเหล่านี้

เมื่อ IoT พบกับ HealthCare

การดูแลสุขภาพอาจได้รับประโยชน์จาก IoT โดยใช้เพื่อเพิ่มผลผลิต ลดค่าใช้จ่าย และเพิ่มผลลัพธ์ของผู้ป่วย IoT สามารถนำมาใช้ในการดูแลสุขภาพได้ด้วยวิธีต่อไปนี้:

อุปกรณ์ทางการแพทย์แบบสวมใส่:อุปกรณ์สวมใส่ที่ใช้เพื่อวัตถุประสงค์ทางการแพทย์ เช่น ตัวติดตามฟิตเนส สมาร์ทวอทช์ และเครื่องตรวจวัดระดับน้ำตาลแบบต่อเนื่อง สามารถรวบรวมข้อมูลเกี่ยวกับสภาวะสุขภาพ การออกกำลังกาย และความสม่ำเสมอในการรับประทานยาของผู้ป่วย ข้อมูลนี้สามารถใช้เพื่อระบุสัญญาณเตือนภัยล่วงหน้าของโรค ติดตามความคืบหน้าของผู้ป่วย และแจ้งการตัดสินใจในการรักษา นอกจากนี้ อุปกรณ์สวมใส่ยังสามารถสนับสนุนการตรวจติดตามผู้ป่วยจากระยะไกล ทำให้ผู้ให้บริการด้านการดูแลสุขภาพสามารถตรวจสอบผู้ป่วยจากระยะไกลและตอบสนองต่อการเปลี่ยนแปลงด้านสุขภาพได้อย่างรวดเร็ว

บันทึกสุขภาพอิเล็กทรอนิกส์ (EHRs):บุคลากรทางการแพทย์สามารถเข้าถึงและแบ่งปันข้อมูลทางอิเล็กทรอนิกส์ได้ ต้องขอบคุณ EHR ซึ่งเป็นที่เก็บข้อมูลส่วนกลางสำหรับข้อมูลของผู้ป่วย EHRs สามารถจัดเก็บและวิเคราะห์ข้อมูลที่จัดระบบและไม่มีโครงสร้างในปริมาณมหาศาล รวมถึงผลการตรวจทางห้องปฏิบัติการ ภาพรังสีวิทยา และข้อมูลที่สร้างขึ้นโดยผู้ป่วยจากอุปกรณ์สวมใส่ ด้วยการผสานรวมของเทคโนโลยี Big Data และ IoT การช่วยให้บุคลากรทางการแพทย์ทำการตัดสินใจที่มีการศึกษามากขึ้นโดยอิงจากความเข้าใจอย่างถ่องแท้เกี่ยวกับสุขภาพของผู้ป่วย สิ่งนี้สามารถปรับปรุงผลลัพธ์ของผู้ป่วยได้ EHR สามารถนำไปใช้ได้โดยใช้ AWS CloudWatch และ AWS CloudFormation

การตรวจติดตามผู้ป่วยทางไกล:ระบบตรวจติดตามทางไกลสามารถตรวจสอบสัญญาณชีพและพารามิเตอร์ด้านสุขภาพอื่นๆ สิ่งนี้ช่วยลดความจำเป็นในการเข้าพบผู้ป่วยและปรับปรุงผลลัพธ์ของผู้ป่วยโดยทำให้ผู้ให้บริการด้านการดูแลสุขภาพสามารถติดตามผู้ป่วยจากระยะไกลและตอบสนองต่อการเปลี่ยนแปลงด้านสุขภาพได้อย่างรวดเร็ว

ระบบสนับสนุนการตัดสินใจทางคลินิก:ระบบสนับสนุนการตัดสินใจทางคลินิกวิเคราะห์ข้อมูลผู้ป่วยจำนวนมหาศาลโดยใช้อัลกอริธึมและการเรียนรู้ของเครื่อง จากนั้นจึงให้คำแนะนำทันทีสำหรับการวินิจฉัยและการรักษาแก่บุคลากรทางการแพทย์ เทคโนโลยีเหล่านี้สามารถช่วยบุคลากรทางการแพทย์ในการตัดสินใจ เพิ่มผลลัพธ์ของผู้ป่วย และลดความเสี่ยง

อ้างอิงรูปภาพจาก: https://www.researchgate.net/publication/356364214_IOT_Big_Data_Analytics_in_Healthcare_Benefits_and_Challenges

การวิเคราะห์เชิงทำนาย — อัลกอริทึมและทฤษฎี

เมื่อขอบเขตของ IoT ข้อมูลขนาดใหญ่และการดูแลสุขภาพรวมกัน เราพบสาขาเวชศาสตร์ป้องกันที่กำลังเติบโต ยาป้องกันไม่ใช่แนวคิดใหม่ แนวปฏิบัติในการส่งเสริมวิถีชีวิตที่ดีต่อสุขภาพและการระบุบุคคลที่มีความเสี่ยงก่อนที่จะเสียชีวิตด้วยโรคภัยไข้เจ็บนั้นมีมายาวนานพอๆ กับด้านการแพทย์ สาขาวิชาชีวสารสนเทศ ชีวสถิติ และระบาดวิทยา เกี่ยวข้องอย่างยิ่งในการวิเคราะห์เชิงคาดการณ์และการตีความข้อมูลผู้ป่วย ภาคส่วนเฉพาะในวงการแพทย์เป็นที่ซึ่ง IoT และอัลกอริธึมการเรียนรู้ของเครื่องสามารถสร้างผลกระทบได้อย่างแท้จริง

IoT ได้เจาะเข้าไปในอุตสาหกรรมการแพทย์แล้วผ่านการใช้ตัวบ่งชี้ทางชีวภาพแบบดิจิทัล โดยทั่วไป ตัวบ่งชี้ทางชีวภาพคือโมเลกุลทางชีวภาพที่พบในเลือดหรือเนื้อเยื่อที่สามารถทำหน้าที่เป็นตัวบ่งชี้การทำงานของร่างกายที่ปกติหรือผิดปกติ สามารถบ่งชี้ถึงโรคหรืออาการเฉพาะหรือสามารถใช้วัดการตอบสนองของร่างกายต่อการรักษาประเภทใดประเภทหนึ่งได้ ไบโอมาร์คเกอร์ 'ดิจิทัล' มีจุดประสงค์เดียวกันกับตัวบ่งชี้ทางชีวภาพ แต่แทนที่จะอยู่ในร่างกายมนุษย์ กลับมีอยู่ในข้อมูลผู้ป่วย อัตราชีพจร น้ำตาลในเลือด การเดิน ล้วนเป็นตัวอย่างของตัวบ่งชี้ทางชีวภาพแบบดิจิทัลที่ใช้ในอุตสาหกรรมการแพทย์ในปัจจุบัน กล่าวอย่างกว้างๆ ข้อมูลชีวการแพทย์ทั้งหมดที่สามารถบ่งบอกถึงสุขภาพของผู้ป่วยและได้มาโดยใช้เครื่องมือดิจิทัลสามารถจัดประเภทเป็นตัวบ่งชี้ทางชีวภาพแบบดิจิทัล ความจำเป็นในการรับข้อมูลดิจิทัลนี้ได้ปูทางสำหรับอุปกรณ์ IoT ไม่ว่าจะเป็นอุปกรณ์สวมใส่ธรรมดาที่ติดตามสัญญาณชีพของผู้ป่วย (FitBit, Oura ring และอื่นๆ) หรืออุปกรณ์เทียมที่ติดตามการเต้นผิดปกติและระดับน้ำตาลในเลือด อุปกรณ์ IoT จะรวบรวมและจัดเก็บข้อมูลจำนวนมหาศาล

ฐานข้อมูล PhysioBankเป็นตัวอย่างข้อมูลผู้ป่วยแบบดิจิทัลที่ขยายตัวขึ้นเรื่อยๆ ซึ่งสามารถใช้เป็นตัวบ่งชี้ทางชีวภาพแบบดิจิทัลสำหรับยาป้องกันได้ มันมีชุดข้อมูลจากการตั้งค่าการดูแลที่สำคัญทางคลินิกและรูปคลื่นที่ประกอบด้วยข้อมูล ECG ชุดข้อมูลการเดินและการทรงตัว และข้อมูลของระบบประสาท การดำเนินการและดำเนินการวิเคราะห์เชิงคาดการณ์กับข้อมูลนี้คือที่มาของ Big Data อัลกอริทึมการจำแนกประเภทเป็นส่วนสำคัญของกระบวนการวินิจฉัยโรคนี้ การจำแนกประเภทในบริบทของข้อมูลทางการแพทย์ ใช้แบบจำลองที่ได้รับการฝึกฝนและได้รับการดูแลเพื่อจัดหมวดหมู่และ (อาจ) ทำนายสภาวะของผู้ป่วยหรือความอ่อนแอต่อโรคบางอย่าง ตามแบบจำลองการจัดประเภท ข้อมูลผู้ป่วยที่ป้อนสามารถอยู่ในรูปของข้อมูลอนุกรมเวลาดิบหรือรูปภาพ การใช้แบบจำลองการจำแนกเป็นที่แพร่หลายในการวิจัยในปัจจุบันเกี่ยวกับการระบุโรคหัวใจและหลอดเลือดในระยะเริ่มแรก โมเดลเหล่านี้บางรุ่นใช้ NLP และกำหนดแท็กส่วนของคำพูดให้กับส่วนประกอบต่างๆ ของ EHR (บันทึกสุขภาพอิเล็กทรอนิกส์) ของผู้ป่วย คำนามวลีสำคัญจากกระบวนการแท็กจะถูกส่งไปยังส่วนถัดไปของแบบจำลองที่ระบุไบโอมาร์คเกอร์ดิจิทัลต่างๆ เช่น ยา ประวัติครอบครัว ปัจจัยเสี่ยงของหัวใจ และกำหนดตัวบ่งชี้และลำดับเวลาให้กับผู้ป่วยที่มีความเสี่ยง แบบจำลองการจัดหมวดหมู่เหล่านี้ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลผู้ป่วยขนาดใหญ่ และสามารถเพิ่มความแม่นยำได้ด้วยการรวมข้อมูลจากอุปกรณ์ IoT ในชีวิตประจำวัน ปัจจัยเสี่ยงของหัวใจ — และกำหนดตัวบ่งชี้และลำดับเวลาให้กับผู้ป่วยที่มีความเสี่ยง แบบจำลองการจัดหมวดหมู่เหล่านี้ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลผู้ป่วยขนาดใหญ่ และสามารถเพิ่มความแม่นยำได้ด้วยการรวมข้อมูลจากอุปกรณ์ IoT ในชีวิตประจำวัน ปัจจัยเสี่ยงของหัวใจ — และกำหนดตัวบ่งชี้และลำดับเวลาให้กับผู้ป่วยที่มีความเสี่ยง แบบจำลองการจัดหมวดหมู่เหล่านี้ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลผู้ป่วยขนาดใหญ่ และสามารถเพิ่มความแม่นยำได้ด้วยการรวมข้อมูลจากอุปกรณ์ IoT ในชีวิตประจำวัน

แม้ว่าทฤษฎีการวิเคราะห์เชิงคาดการณ์จะมีความสำคัญ แต่ก็ไม่สามารถทำได้มากหากปราศจากเทคโนโลยีปัจจุบันที่เปิดใช้งาน

เครื่องมือข้อมูลขนาดใหญ่ใน IOT

Amazon Web Services (AWS) นำเสนอเทคโนโลยีหลากหลายที่สามารถใช้เพื่อปรับใช้โซลูชัน Big Data และ IoT ในการดูแลสุขภาพ ต่อไปนี้เป็นเทคโนโลยี AWS บางส่วนที่สามารถใช้ได้:

AWS S3 / Redshift / DynamoDB:เป็นโซลูชันพื้นที่จัดเก็บที่สามารถใช้เพื่อจัดเก็บข้อมูลจำนวนมาก เช่น ข้อมูลผู้ป่วย บันทึกทางการแพทย์ ผลการทดสอบ และข้อมูลด้านสุขภาพอื่นๆ เป็นโซลูชันที่มีความพร้อมใช้งานสูงและปรับขนาดได้ พวกเขาสามารถจัดการข้อมูลจำนวนมากได้อย่างง่ายดายและเติบโตไปพร้อมกับความต้องการขององค์กรของคุณ สามารถใช้ Redshift เพื่อจัดเก็บและจัดการข้อมูลทางคลินิกจากแหล่งต่างๆ เช่น บันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) การทดลองทางคลินิก และอุปกรณ์ทางการแพทย์
AWS EC2 : สามารถใช้ Amazon EC2 เพื่อโฮสต์และเรียกใช้ระบบวิเคราะห์ภาพทางการแพทย์ ซึ่งสามารถประมวลผลและวิเคราะห์ภาพทางการแพทย์จำนวนมาก ให้ข้อมูลเชิงลึกอันมีค่าเกี่ยวกับสุขภาพของผู้ป่วยแก่ผู้ให้บริการด้านการดูแลสุขภาพ
AWS Kinesis / Kinesis Data Firehose / Kinesis Data Analytics : สามารถใช้ AWS Kinesis เพื่อสตรีมข้อมูลผู้ป่วยแบบเรียลไทม์ เช่น อัตราการเต้นของหัวใจ ความดันโลหิต และสัญญาณชีพอื่น ๆ ซึ่งช่วยให้ผู้ให้บริการด้านการดูแลสุขภาพตอบสนองต่อการเปลี่ยนแปลงด้านสุขภาพของผู้ป่วยได้อย่างรวดเร็ว สามารถใช้ AWS Kinesis Data Firehose เพื่อจัดเก็บข้อมูลผู้ป่วยได้อย่างปลอดภัย และเป็นไปตามข้อบังคับด้านการดูแลสุขภาพอย่างครบถ้วน เช่น Health Insurance Portability and Accountability Act สามารถใช้ AWS Kinesis Data Analysis เพื่อวิเคราะห์ข้อมูลผู้ป่วยแบบเรียลไทม์จากอุปกรณ์ทางการแพทย์ เช่น เครื่องติดตามฟิตเนสที่สวมใส่ได้และสมาร์ทวอทช์ ให้ข้อมูลเชิงลึกอันมีค่าเกี่ยวกับสุขภาพของผู้ป่วยแก่ผู้ให้บริการด้านการแพทย์และทำให้พวกเขาตอบสนองต่อการเปลี่ยนแปลงด้านสุขภาพของผู้ป่วยได้แบบเรียลไทม์
AWS QuickSight:สามารถใช้ AWS QuickSight เพื่อวิเคราะห์ข้อมูลผู้ป่วยและให้ข้อมูลเชิงลึกอันมีค่าแก่แพทย์เกี่ยวกับสุขภาพของผู้ป่วยและผลลัพธ์ของผู้ป่วย ซึ่งช่วยให้แพทย์สามารถสั่งยาที่เกี่ยวข้องได้
AWS SageMaker:สามารถใช้ AWS SageMaker เพื่อสร้างโมเดลแมชชีนเลิร์นนิงที่วิเคราะห์ข้อมูลผู้ป่วยเพื่อให้คำแนะนำส่วนบุคคลสำหรับการรักษา ปรับปรุงผลลัพธ์ของผู้ป่วย และลดค่าใช้จ่ายด้านการรักษาพยาบาล
AWS IoT Core/ กฎ AWS IoT: AWS IoT Coreสามารถใช้เพื่อตรวจสอบอุปกรณ์ทางการแพทย์และส่งการแจ้งเตือนเมื่อจำเป็นต้องมีการบำรุงรักษา ลดความเสี่ยงของความล้มเหลวของอุปกรณ์และปรับปรุงความปลอดภัยของผู้ป่วย สามารถใช้ กฎ AWS IoTเพื่อผสานรวมอุปกรณ์ทางการแพทย์ เช่น อุปกรณ์สวมใส่เข้ากับระบบนิเวศด้านการดูแลสุขภาพ ช่วยให้ผู้ให้บริการด้านการดูแลสุขภาพสามารถเข้าถึงข้อมูลผู้ป่วยแบบเรียลไทม์และตอบสนองต่อการเปลี่ยนแปลงด้านสุขภาพของผู้ป่วยได้อย่างรวดเร็ว
AWS CloudFront:บริการเครือข่ายการส่งเนื้อหา (CDN) สำหรับส่งเนื้อหาเว็บ วิดีโอ และแอปพลิเคชันที่มีเวลาแฝงต่ำและความเร็วการถ่ายโอนสูง ในการดูแลสุขภาพ รูปภาพและวิดีโอทางการแพทย์ เช่น เอ็กซ์เรย์ การสแกน CT และวิดีโอขั้นตอนทางการแพทย์ จำเป็นต้องส่งอย่างรวดเร็วและง่ายดาย สามารถใช้ CloudFront เพื่อส่งไฟล์เหล่านี้ได้อย่างรวดเร็วและมีประสิทธิภาพ แม้กระทั่งไปยังสถานที่ที่อยู่ห่างออกไป สิ่งนี้ช่วยให้ผู้ป่วยได้รับการดูแลที่ดีขึ้นและลดเวลารอคอย

สถาปัตยกรรมของการดูแลสุขภาพที่ใช้ IoT

สามชั้นพื้นฐานประกอบขึ้นเป็นสถาปัตยกรรมของ IoT ในการส่งมอบการดูแลสุขภาพ เลเยอร์เหล่านี้ทำงานร่วมกันเพื่อรวบรวม ประมวลผล และวิเคราะห์ข้อมูลจากแหล่งข้อมูลด้านสุขภาพต่างๆ:

ชั้นการรับรู้

เทคโนโลยีสำหรับการรับรู้และการระบุเป็นแกนหลักของ IoT การระบุด้วยคลื่นความถี่วิทยุ (RFID), เซ็นเซอร์อินฟราเรด, เว็บแคม, GPS, เซ็นเซอร์ทางการแพทย์ และเซ็นเซอร์อุปกรณ์อัจฉริยะเป็นตัวอย่างบางส่วนของเซ็นเซอร์ ซึ่งเป็นอุปกรณ์ที่สามารถตรวจจับการเปลี่ยนแปลงในสภาพแวดล้อมได้ เซ็นเซอร์เหล่านี้มีความสามารถในการรับรู้อย่างครอบคลุมผ่านวัตถุ ตำแหน่ง และการจดจำทางภูมิศาสตร์ พวกเขายังสามารถแปลงข้อมูลนี้เป็นสัญญาณดิจิทัลเพื่อการส่งผ่านเครือข่ายที่ง่ายขึ้น อุปกรณ์เซ็นเซอร์ IoT ที่มีศักยภาพในการช่วยชีวิตมีอยู่มากมาย แต่ไม่ใช่ทั้งหมดที่ผ่านการทดสอบทางคลินิกหรือแสดงให้เห็นว่ามีความปลอดภัยหรือมีประสิทธิภาพ ในภาคผนวก 1 ของมัลติมีเดียรายชื่ออุปกรณ์ IoT ที่สามารถรองรับและปรับปรุงการให้บริการด้านสุขภาพได้แสดงไว้

ชั้นเครือข่าย

เทคโนโลยี IoT มีระดับเครือข่ายที่ประกอบด้วยเครือข่ายแบบใช้สายและไร้สายที่สื่อสารและจัดเก็บข้อมูลที่ประมวลผล (เลเยอร์ 1) ไว้ในเครื่องหรือจากส่วนกลาง ความถี่ต่ำ ปานกลาง และสูงสามารถใช้สำหรับการสื่อสารระหว่างออบเจ็กต์ได้ทั้งหมด โดยความถี่สูงจะเป็นจุดสนใจหลักของ IoT สิ่งเหล่านี้ประกอบด้วยเครือข่ายเซ็นเซอร์ไร้สาย, Bluetooth, Zigbee, Wi-Fi พลังงานต่ำ และระบบส่วนกลางสำหรับการสื่อสารเคลื่อนที่ ตลอดจนเทคโนโลยีการสื่อสารระยะสั้น เช่น RFID, Bluetooth และ Wi-Fi พลังงานต่ำ เครือข่ายรุ่นที่สี่ (5G) กำลังพัฒนาและคาดว่าจะเป็นตัวขับเคลื่อนหลักในการเติบโตของแอปพลิเคชัน IoT สำหรับการดูแลสุขภาพ โดยมีศักยภาพในการเชื่อมต่อที่เชื่อถือได้กับอุปกรณ์ได้สูงสุดหลายพันเครื่องในเวลาเดียวกัน เครือข่ายเซลลูลาร์รุ่นที่สี่ (4G) ความถี่สูงได้เห็นศักยภาพในการสื่อสารมากยิ่งขึ้น

ชั้นแอ็พพลิเคชัน:

การให้บริการเฉพาะแอปพลิเคชันแก่ผู้ใช้เป็นความรับผิดชอบของชั้นแอปพลิเคชัน ซึ่งนำไปใช้และตีความข้อมูลด้วย ปัญญาประดิษฐ์ถูกนำมาใช้ในแอปพลิเคชันทางการแพทย์ที่มีแนวโน้มมากที่สุดที่ Internet of Things (AI) ให้บริการ AI มีแอปพลิเคชันทางวิทยาศาสตร์ที่หลากหลาย รวมถึงการวิเคราะห์ภาพ การจดจำข้อความโดยใช้การประมวลผลภาษาธรรมชาติ การออกแบบฤทธิ์ทางเภสัชวิทยา และการทำนายการแสดงออกของยีนกลายพันธุ์ แมชชีนเลิร์นนิงเชิงลึกและการดูแลสุขภาพบนพื้นฐาน IoT สามารถช่วยให้ผู้เชี่ยวชาญทางการแพทย์รับรู้สิ่งที่มองไม่เห็น และเสนอความสามารถในการวินิจฉัยใหม่ที่ได้รับการปรับปรุง การรวมเทคโนโลยีและทักษะของแพทย์ช่วยปรับปรุงประสิทธิภาพของระบบอย่างสม่ำเสมอ แม้ว่าความมั่นใจในการวินิจฉัยอาจไม่เคยเข้าใกล้ 100% การใช้ AI กับภาพเรตินา เช่น

การใช้งานสำหรับการตรวจสอบอุปกรณ์ IoT แบบเรียลไทม์ด้วย Amazon Web Services (AWS) Kinesis

เทมเพลต AWS CloudFormation ออกแบบมาเพื่อปรับใช้โซลูชันแบบ end-to-end สำหรับการตรวจสอบอุปกรณ์ IoT แบบเรียลไทม์ โซลูชันเกี่ยวข้องกับการปรับใช้บริการ AWS ต่างๆ เพื่ออ่าน ประมวลผล และแสดงเมตริกกิจกรรมและการเชื่อมต่ออุปกรณ์อย่างปลอดภัย

เมื่ออุปกรณ์ IoT ที่เชื่อมต่อส่งข้อมูลไปยัง AWS IoT กฎ AWS IoT จะถูกเรียกใช้ ซึ่งจะส่งข้อมูลไปยังสตรีมการส่งข้อมูล Kinesis สตรีมการจัดส่งจัดเก็บข้อมูลขาเข้าในบัคเก็ต Amazon S3 เป็นไฟล์เก็บถาวร และส่งไปยังแอปพลิเคชัน Kinesis Data Analytics เพื่อประมวลผล จากนั้นแอปพลิเคชันจะส่งข้อมูลที่ผ่านการประมวลผลไปยังฟังก์ชัน Lambda ซึ่งจะส่งต่อเป็นสตรีมแบบเรียลไทม์ไปยังตาราง DynamoDB เพื่อจัดเก็บซึ่งจะใช้เพื่อแสดงเมตริกตามเวลาจริงบนแดชบอร์ด นอกจากนี้ แอปพลิเคชันยังส่งข้อมูลที่ประมวลผลไปยังสตรีมการส่งข้อมูล Kinesis ที่สอง ซึ่งเก็บถาวรข้อมูลนั้นในบัคเก็ต Amazon S3 ซึ่งตอบสนองวัตถุประสงค์ของการเก็บถาวรอีกครั้ง

นอกจากนี้ เพื่อรักษาชั้นความปลอดภัยระหว่างข้อมูลที่ผลิตโดยอุปกรณ์ IoT และบัญชีหรือผู้ใช้ที่ได้รับอนุญาตให้เข้าถึงเมตริกเหล่านี้ กลุ่มผู้ใช้ Amazon Cognito จะถูกใช้เพื่อมอบสิทธิ์การเข้าถึงแดชบอร์ดที่จัดส่งโดยใช้ Amazon การกระจาย CloudFront

การใช้งานแดชบอร์ด:

โซลูชันนี้ใช้องค์ประกอบหลักสี่ประการของโค้ดเพื่อวิเคราะห์และสร้างเมตริกบนแดชบอร์ดแบบเรียลไทม์ แอปพลิเคชัน Amazon Kinesis Data Analytics ประมวลผลสตรีมข้อมูลโดยใช้การสืบค้น SQL และสร้างผลลัพธ์ จากนั้นจึงใช้ฟังก์ชัน AWS Lambda เพื่อส่งข้อมูลที่ประมวลผลแล้วไปยังตาราง Amazon DynamoDB เพื่อจัดเก็บ ไฟล์ JavaScript ใช้ผลลัพธ์ของการสืบค้น SQL เพื่อเติมแผนภูมิบนแดชบอร์ด ในขณะที่ไฟล์ HTML แสดงแผนภูมิแบบเรียลไทม์

รหัสส่วนประกอบ:

การเผยแพร่ข้อความ:

สำหรับการสาธิตนี้ สคริปต์ send-messages.sh ใช้เพื่อเผยแพร่ข้อความที่สร้างขึ้น 1,000 ข้อความจากอุปกรณ์ที่เชื่อมต่อ 5 เครื่องไปยัง 'iot_device_analytics' ระดับบนสุด

aws iot-data publish --topic "$TOPIC" --payload "{\"id\":\"1\",\"device\":\"$DEVICE\",\"flow\":$FLOW,\"temp\":$TEMP,\"humidity\":$HUMIDITY,\"sound\":$SOUND}" --profile "$PROFILE" --region "$REGION"

แบบสอบถาม SQL นี้กำหนดอุณหภูมิเฉลี่ยที่บันทึกโดยอุปกรณ์ที่เชื่อมต่อทั้งหมดโดยเพิ่มทีละหนึ่งนาที ผลลัพธ์จะถูกบันทึกไว้ในสตรีมเอาต์พุตในแอปพลิเคชันที่เรียกว่า FAN_OUT_STREAM และระบุเป็น 'AvgTempValue' พร้อมกับค่าที่เกี่ยวข้อง

-- 6. Average of the data point (temp) across all devices
CREATE OR REPLACE PUMP avg_aggregate_pump AS INSERT INTO FAN_OUT_STREAM
SELECT STREAM
 STEP(source_sql_stream_001."COL_time" BY INTERVAL '1' MINUTE) AS event_timestamp,
 'AvgTempValue',
 'All',
 0,
 'Average',
 AVG("temp") AS avg_value
FROM source_sql_stream_001
GROUP BY STEP(source_sql_stream_001.rowtime BY INTERVAL '1' MINUTE), STEP(source_sql_stream_001."COL_time" BY INTERVAL '1' MINUTE);

แอปพลิเคชัน Kinesis Data Analytics เมื่อประมวลผลข้อมูลจะทริกเกอร์ฟังก์ชัน UpdateDDBLambda ซึ่งจะถ่ายโอนข้อมูลไปยังตาราง DynamoDB เป็นสตรีมแบบเรียลไทม์

def put_record(metric_type, event_time, data, concurrency_token=None):
   item = {
       'MetricType': {'S':metric_type},
       'EventTime': {'S':event_time},
       'Data': {'S':dumps(data)},
       'ConcurrencyToken': {'N':str(randint(0,maxsize))}
   }


   if concurrency_token:
       client.put_item(
           TableName = table_name,
           Item = item,
           ConditionExpression = 'ConcurrencyToken = :concurrency_token',
           ExpressionAttributeValues = {':concurrency_token': {'N': str(concurrency_token)}}
       )
   else:
       client.put_item(TableName = table_name, Item = item)

ไฟล์ dash.js เติมแผนภูมิด้วยการอ่านค่าอุณหภูมิเฉลี่ยที่บันทึกโดยอุปกรณ์ที่เชื่อมต่อทั้งหมด

docClient.query(PerDeviceAvgTempParams, function(err, data) {
if (err) console.log(err);
else {
avgTempPerDeviceQueryTime = updateHorizontalBarChart(data, 20, avgTempPerDeviceChart, avgTempPerDeviceQueryTime, splitFunc);
}
});

ไฟล์ index.html แสดงผลส่วนประกอบ HTML ที่ได้รับเป็นผลลัพธ์จากการสืบค้น SQL

<div class="col-md-5 col-md-offset-1 col-xs-12">
<div class="x_title">
<h3>Average Temperature Value</h3>
</div>
<div class="x_content">
<canvas id="avgTempValueCanvas"></canvas>
</div>
</div>

การตรวจจับสิ่งผิดปกติด้วย IoT

โซลูชันการตรวจสอบอุปกรณ์ IoT แบบเรียลไทม์ใช้คุณลักษณะการตรวจจับความผิดปกติที่รวมอยู่ใน Amazon Kinesis เพื่อตรวจสอบสตรีมข้อมูล การแจ้งเตือนจะทำงานเมื่อตรวจพบการเบี่ยงเบนที่ผิดปกติ และข้อมูลจะแสดงในกราฟการตรวจจับความผิดปกติในแดชบอร์ด ตัวอย่างเช่น หากอุปกรณ์มักจะบันทึกค่าที่อ่านได้ในช่วง 0–30°C และค่าผิดปกติเช่น 58°C ปรากฏขึ้น สิ่งนี้จะแสดงออกมาในกราฟความผิดปกติ สิ่งนี้มีประโยชน์อย่างยิ่งเนื่องจากปริมาณข้อมูลที่ผลิตโดยข้อมูลจำนวนมากนั้นมีความเร็วและปริมาณสูงมาก แต่การใช้ความสามารถของ AWS Kinesis ช่วยให้ผู้ใช้ได้รับแจ้งทันทีเมื่อมีการเปลี่ยนแปลงหรือความผิดปกติอย่างกะทันหันในประสิทธิภาพของระบบ

ดังนั้น ด้วยการปรับใช้โซลูชันการตรวจสอบอุปกรณ์ IoT แบบเรียลไทม์จาก AWS เราจะเห็นว่าการวิเคราะห์ข้อมูลขนาดใหญ่ที่ผสานรวมเข้ากับอุปกรณ์ IoT ช่วยให้องค์กรสามารถติดตามข้อมูลอนุกรมเวลาเกี่ยวกับการเชื่อมต่อและกิจกรรมของอุปกรณ์ ตอบสนองต่อเงื่อนไขที่เปลี่ยนแปลงได้อย่างรวดเร็ว และทำให้ การตัดสินใจที่มีข้อมูลครบถ้วนเพื่อให้มั่นใจถึงความน่าเชื่อถือ ความพร้อมใช้งาน และประสิทธิภาพของอุปกรณ์ IoT นอกจากนี้ เรายังมีความยืดหยุ่นในการพัฒนาโซลูชันส่วนบุคคลดังกล่าวสำหรับความต้องการไม่ว่าจะเล็กหรือใหญ่ก็ตาม ในขณะเดียวกันก็มั่นใจได้ว่าสิ่งเหล่านี้สามารถสร้าง ปรับขนาด และบำรุงรักษาโดยใช้แพลตฟอร์มระบบคลาวด์ เช่น AWS

การแปลงโลกเป็นดิจิทัลอย่างค่อยเป็นค่อยไปและหลีกเลี่ยงไม่ได้เป็นสิ่งที่สวยงาม ช่วยให้สามารถเชื่อมต่อในระดับที่ไม่อาจหยั่งรู้ได้เมื่อไม่กี่ทศวรรษที่ผ่านมา หัวใจของการปฏิวัติดิจิทัลนี้คือ IoT และในขณะที่มนุษยชาติเริ่มยอมรับบทบาทและความสำคัญในด้านการดูแลสุขภาพ โลกที่เราจินตนาการว่าสามารถสร้างและจะสร้างได้