Обеспечение устойчивости медицинского оборудования в условиях ограниченных ресурсов: диагностическая и вспомогательная платформа на базе ИИ для биомедицинских техников

Аннотация

В странах с низким и средним уровнем дохода значительная часть медицинского диагностического оборудования остается недоиспользованной или неработоспособной из-за отсутствия своевременного технического обслуживания, ограниченного доступа к техническим экспертным знаниям и минимальной поддержки со стороны производителей, особенно в отношении устройств, приобретенных через сторонних поставщиков или полученных в качестве пожертвований. Эта проблема способствует увеличению времени простоя оборудования, задержкам в постановке диагнозов и снижению качества обслуживания пациентов. В данном исследовании рассматривается разработка и валидация платформы поддержки на базе ИИ, предназначенной для помощи биомедицинским техникам в диагностике и ремонте медицинских устройств в режиме реального времени. Система объединяет LLM с удобным веб-интерфейсом, позволяя специалистам по визуализации/рентгенологам и биомедицинским техникам вводить коды ошибок или симптомы неисправности устройства и получать точные пошаговые инструкции по устранению неполадок. Платформа также включает глобальный форум для обсуждения между коллегами, предназначенный для поддержки обмена знаниями и предоставления дополнительного контекста для редких или неописанных проблем. Проверка концепции была проведена с использованием аппарата УЗИ Philips HDI 5000, что позволило достичь 100% точности в интерпретации кодов ошибок и 80% точности в предложении корректирующих действий. Это исследование демонстрирует осуществимость и потенциал систем на базе ИИ для поддержки технического обслуживания медицинских устройств с целью сокращения времени простоя оборудования для улучшения оказания медицинской помощи в условиях ограниченных ресурсов..

1 Введение и справочная информация

Медицинские изделия незаменимы для предоставления качественных медицинских услуг, включая диагностику, лечение и мониторинг состояния пациентов. В условиях достаточных ресурсов эти устройства получают регулярное техническое обслуживание, эксплуатируются обученными операторами и поддерживаются производителями. Напротив, в странах с низким и средним уровнем дохода (LMICs) ситуация существенно отличается. Исследования показывают, что от 40% до 70% медицинского оборудования в LMICs в любой момент времени не функционирует или используется неэффективно из-за таких факторов, как плохие системы технического обслуживания, нехватка запасных частей и недостаточно обученный персонал [2] [1] [3] [4]. Например, подробное тематическое исследование в Танзании показало, что 30–50% медицинского оборудования в странах Африки к югу от Сахары простаивает из-за неструктурированных методов технического обслуживания и ограниченного потенциала технических специалистов[5]. В Уганде исследование, проведенное в девяти третичных больницах и пяти научно-исследовательских институтах, выявило, что 34% медицинских изделий были неисправны, а у 85,6% отсутствовали руководства по эксплуатации, что затрудняло решение даже незначительных проблем [8]. Срок службы пригодных к использованию устройств часто сокращается на 80%, в основном из-за неопытности операторов и отсутствия протоколов профилактического обслуживания [11]. Всемирная организация здравоохранения оценивает, что до 70% пожертвованного оборудования не функционирует должным образом из-за несоответствия инфраструктуре или отсутствия обучения пользователей [6]. Более того, 40% устройств, пожертвованных организациями по восстановлению медицинских излишков (MSROs), неработоспособны из-за отсутствия документации или ограниченной поддержки со стороны производителя[12] [10].

Нехватка подготовленных техников по биомедицинской инженерии (BMETs) еще больше усугубляет проблему. Поскольку лишь немногие организации в мире предлагают формальное обучение BMET (например, Engineering World Health, Medisend) [12], во многих LMICs отсутствует рабочая сила, необходимая для поддержания работоспособности устройств. Кроме того, оборудование, пожертвованное или закупленное через сторонних поставщиков, часто поставляется без доступа к сервисным форумам производителя или поддержке по устранению неполадок, что оставляет техников изолированными и недостаточно оснащенными. Во многих африканских больницах и клиниках даже незначительные технические проблемы, такие как незнакомые коды ошибок или предупреждения о калибровке, могут привести к выводу устройств из эксплуатации на длительные периоды. Это ведет к значительным задержкам в диагностике, необоснованным направлениям пациентов и, в некоторых случаях, к предотвратимой смертности. Хотя инновации в области цифрового здравоохранения улучшили доступ к медицинской помощи и информации, очень немногие из них напрямую решают проблему операционного разрыва в обслуживании физической медицинской инфраструктуры. Данное исследование направлено на устранение этого разрыва путем проектирования и внедрения системы поддержки медицинских устройств на базе ИИ (INGENZI Tech) для устройств диагностической визуализации. Интегрируя передовые методы NLP со структурированными руководствами, данными журналов и экспертными знаниями коллег, система позволяет биомедицинским техникам действовать уверенно. Цель этого проекта — сократить время простоя, повысить эффективность работы техников и улучшить надежность системы здравоохранения, начиная с валидированного сценария использования на аппарате ультразвуковой диагностики Philips HDI 5000 в Восточной Африке..

2 Связанные работы и дифференциация

Хотя в мире существует ряд платформ на базе ИИ для управления медицинскими устройствами, большинство из них привязаны к проприетарному оборудованию, работают исключительно в режиме онлайн или ориентированы на системы здравоохранения с высокими ресурсами. В таблице 1 представлен сравнительный обзор значимых коммерческих решений и определено место INGENZI Tech в этом ландшафте..

Параллельно с этим академические исследования достигли значительного прогресса в области предиктивного технического обслуживания медицинского оборудования. Например, Shamayleh et al. [13] развернули систему технического обслуживания на основе IoT для более чем 8000 медицинских устройств в Малайзии, добившись снижения затрат на 25% с использованием классификации отказов на основе SVM. Аналогичным образом, Zamzam et al. [14] достигли точности прогнозирования 99,4%, используя методы слияния данных с датчиков, примененные к более чем 13 000 единиц медицинских активов. Mohamed et al. [15] предложили подход с использованием цифровых двойников для оборудования МРТ, сократив время простоя машин на 20%. Подходы глубокого обучения, такие как гибридные модели CNN-LSTM, показали точность 92–99% при оценке остаточного срока службы для нескольких категорий медицинских устройств [16, 17]. Luschi et al. [18] дополнительно продемонстрировали, как предиктивная аналитика, интегрированная с системами позиционирования IoT, может поддерживать рабочие процессы технического обслуживания в больницах в структурированных средах..

Несмотря на этот прогресс, такие системы обычно требуют непрерывных потоков данных, сенсорной инфраструктуры и надежного подключения — условий, которые часто отсутствуют в странах с низким и средним уровнем дохода. Исследования Anazodo et al. [4] и Diaconu et al. [2] подчеркивают инфраструктурные барьеры для использования медицинского оборудования в странах с низким и средним уровнем дохода, включая плохой доступ к интернету, нестабильное электроснабжение и отсутствие поддержки от OEM, особенно для безвозмездно переданных устройств..

В области управления знаниями Abidi [19], а также Tabrizi и Morgan [20] подчеркивают необходимость создания платформ для совместного использования технических знаний в здравоохранении. Хотя в предыдущих работах была продемонстрирована эффективность обучающих платформ [21], лишь немногие системы сочетают это с ИИ-руководством в режиме реального времени и с учетом контекста для медицинского оборудования.

INGENZI Tech выделяется благодаря своему интегрированному дизайну, адаптированному для стран с низким и средним уровнем дохода. В отличие от систем, которые фокусируются исключительно на предиктивной аналитике [14, 15] или рабочих процессах обслуживания со стороны производителя [22], INGENZI Tech предлагает диагностическую платформу для конечных пользователей, объединяющую:

• ⟦ Многоязычный чат-бот на базе LLM для пошагового руководства по работе с устройствами.
• ⟦ Архитектура на основе RAG с сегментированными векторными хранилищами для снижения галлюцинаций и повышения контекстуальной точности [23, 24]⟧.
• ⟦ Развертывание с приоритетом автономной работы, подходящее для клиник с низкой пропускной способностью сети и сельских медицинских учреждений.
• ⟦ Одноранговый технический форум для непрерывной обратной связи, локальной адаптации и улучшения моделей [19, 20]⟧.

Фаза 0 проверки концепции нацелена на ультразвуковой аппарат Philips HDI 5000, который часто встречается в африканских клиниках, но зачастую не имеет технической поддержки, что решает проблемы, поднятые в недавних опросах о неработоспособности оборудования [8, 1]. Будущие фазы включают масштабирование на аппараты КТ, МРТ и рентгеновские установки..

⟦Table 1: Сравнительный обзор существующих решений для медицинского обслуживания на базе ИИ.

AI Solution	Strengths	Limitations in LMIC Context / Differentiation vs. INGENZI Tech
Bruviti	LLM-powered diagnostics; preserves institutional knowledge; supports global manufacturers	No public deployments in LMICs; not optimized for offline use or multilingual environments; high dependency on OEM integrations
Hadleigh Health, Vestfrost EMS, Nexleaf Analytics	IoT-based predictive maintenance; real-time monitoring; some LMIC deployments	Primarily hardware-embedded systems; limited end-user diagnostic interaction; lacks LLM or multilingual troubleshooting support
Bosnia AI-Metrology Project	Applies AI to device calibration and performance in public hospitals; shows feasibility in low-resource settings	Regional, narrow scope; focused on measurement and standards, not interactive technician support or documentation retrieval
Circuitry.ai	Real-time advisory systems for maintenance; global operations; multilingual support	Tailored for manufacturers and enterprise clients; unclear adaptation to LMIC infrastructure or offline-first needs
Stellarix, Kodexo Labs, Toronto Digital	Offer AI-powered predictive maintenance with IoT and ML; adaptable for various device types	Require continuous data streams and sensor integrations; do not provide peer-to-peer learning or AI chatbot interactions
GE Healthcare Edison AI	Advanced anomaly detection in imaging systems; global footprint	High-end solution tied to GE devices; closed ecosystem; limited accessibility or relevance for third-party equipment in LMICs
INGENZI Tech (This Work)	LLM-based multilingual chatbot; RAG-based contextual retrieval; peer-driven technician forum; designed for offline use	Currently piloting; early-stage for multi-device support; open architecture enables adaptation across vendors and regions

3 Область исследования

Данное исследование посвящено разработке и валидации платформы поддержки на базе ИИ, предназначенной для помощи биомедицинским техникам в диагностике и ремонте медицинского диагностического оборудования в условиях ограниченных ресурсов. Платформа объединяет LLM со структурированными знаниями об устройствах, журналами ошибок и обратной связью от техников для предоставления пошаговых инструкций по устранению неполадок и руководств по рабочим процессам ремонта. Первоначальный охват сосредоточен на аппарате ультразвуковой диагностики Philips HDI 5000, который послужил устройством для проверки концепции при создании прототипа. С использованием структуры, разработанной на начальном этапе, будет проведено полноценное исследование для расширения фокуса, включив в него более сложные устройства визуализации, такие как аппараты магнитно-резонансной томографии (MRI), компьютерной томографии (CT) и рентгеновские аппараты, с особым акцентом на широко используемые и зачастую не имеющие технической поддержки устройства в условиях стран с низким и средним уровнем дохода. Таким образом, данное исследование направлено на:

• ⟦ Создайте масштабируемого, многоязычного ИИ-агента, который предоставляет контекстно-зависимые инструкции по ремонту в режиме реального времени.
• ⟦ Интегрируйте глобальный форум по обмену знаниями между техническими специалистами для дополнения автоматизированных ответов.
• ⟦ Протестируйте точность, релевантность и удобство использования инструмента как в клинических условиях, так и в процессе обучения..
• ⟦ Оцените его адаптивность к различным типам медицинских устройств и производителям.

Данное исследование не включает в себя выполнение физического ремонта, процессы производства устройств или получение нормативного одобрения на использование устройств, которые в настоящее время находятся на стадии изучения. Вместо этого оно направлено на создание цифровизированной и обобщаемой системы поддержки, способной преодолеть разрыв в технических знаниях о биомедицинском оборудовании в различных медицинских учреждениях, с упором на устройства медицинской визуализации..

4 Методы

4.1 Дизайн исследования

Данный проект следует поэтапному подходу с использованием смешанных методов, сочетая итеративную разработку системы как с количественной оценкой производительности системы, так и с качественным анализом отзывов пользователей. Он разработан как описательное и исследовательское исследование, создающее фундаментальные инструменты, рабочие процессы и взаимодействия, необходимые для поддержки масштабируемого обслуживания медицинских устройств с помощью ИИ, особенно в условиях ограниченных ресурсов здравоохранения. Проект выполняется в 5 этапов, кратко изложенных ниже, при этом первоначальное подтверждение концепции (Этап 0) подробно описано далее..

⟦Figure 1: Архитектура системы INGENZI Tech: Общий обзор платформы INGENZI Tech, демонстрирующий, как технические специалисты взаимодействуют с многоязычным ИИ-ассистентом, работающим в автономном режиме, на базе конвейера RAG, сегментированных векторных хранилищ и форума взаимной поддержки для устранения неполадок в режиме реального времени и непрерывного обучения.

4.1.1 Фаза 0: Проверка концепции (Завершено)

Первоначальный прототип был разработан с использованием ультразвукового аппарата Philips HDI 5000 в качестве примера. Ассистент был построен с использованием архитектуры RAG (Retrieval-Augmented Generation), поддерживаемой:

• ⟦ LLM: GPT-3.5 Turbo для генерации и эмбеддингов
• ⟦ Векторное хранилище: Facebook AI Similarity Search (FAISS) для поиска документов
• ⟦ Интерфейс/Серверная часть: React и Flask
• ⟦ Основные функциональные возможности: Поиск кодов ошибок, Анализ журналов, Симуляция самотестирования, Планирование технического обслуживания через Google Calendar API, Многоязычный интерфейс чат-бота

Для повышения точности поиска и снижения вероятности галлюцинаций использовались отдельные векторные базы данных для руководств пользователя, сервисных руководств и кодов ошибок. Концептуальное доказательство достигло 100% точности при сопоставлении кодов ошибок и 80% точности при поиске и устранении неисправностей с использованием внутренних методов оценки..

4.1.2 Фаза 1: Интеграция форума и цикл обратной связи

На этом этапе внедряется форум для совместной работы технических специалистов, дополняющий AI-ассистента. Форум позволит пользователям публиковать проблемы, делиться решениями, голосовать за полезные ответы и генерировать ценные контекстные данные..

Задачи по разработке:

Создать или интегрировать движок форума

• ⟦ Привязать учетные записи пользователей форума к профилям диагностических инструментов
• ⟦ Разработайте схему для отслеживания использования и обратной связи от технических специалистов
• ⟦ Интеграция обратной связи с форума в структурированный конвейер для fine-tuning LLM и retrieval augmentation

Такая архитектура с участием человека в контуре управления обеспечивает непрерывное совершенствование модели и использование экспертных знаний, полученных методом краудсорсинга..

4.1.3 Фаза 2: API и IoT-подключение для интеграции устройств

Вторая фаза разработки сосредоточена на взаимодействии с физическими устройствами в режиме реального времени, что обеспечивает автоматизированную потоковую передачу журналов и предиктивную диагностику.

Запланированные задачи:

• ⟦ Оценивать и внедрять протоколы коммуникации в здравоохранении, такие как DICOM, HL7 и MQTT.
• ⟦ Определите безопасные контракты API для интеграции медицинских устройств.
• ⟦ Создайте уровень симуляции для тестирования приема журналов без использования реальных устройств.
• ⟦ Прототипы информационных панелей оповещения о неисправностях для удаленного мониторинга.

На этом этапе система переходит от роли пассивного помощника к уровню проактивного обслуживания.

4.1.4 Этап 3: Оптимизация модели и непрерывное обучение

Используя данные из инструмента и форума, LLM будет дообучена для обеспечения надежности и рассуждений в предметной области..

Действия по оптимизации:

• ⟦ Внедрите классификатор обратной связи для маркировки предложений как правильных или неправильных.
• ⟦ Используйте ответы на форумах и взаимодействия в реальных условиях для обучения с частичным привлечением учителя.
• ⟦ Отслеживайте частоту галлюцинаций и оптимизируйте индексацию векторного хранилища.
• ⟦ Регулярно проводите дообучение и оценку LLM на основе эталонных руководств по устранению неполадок.

4.1.5 Этап 4: Пилотное развертывание и оценка

Система будет развернута и оценена в клинических условиях в LMICs, начиная с Восточной Африки.

План выполнения:

• ⟦ Сотрудничайте с больницами и биомедицинскими учебными заведениями для проведения пилотного тестирования
• ⟦ Обучите местных технических специалистов правилам использования и предоставьте материалы для адаптации
• ⟦ Сбор метрик: Время до постановки диагноза Удовлетворенность технического специалиста Улучшение времени безотказной работы устройства
• ⟦ Используйте реальную обратную связь для дальнейшей оптимизации пользовательского интерфейса, производительности модели и интеграции рабочих процессов.

Все взаимодействия пользователей будут регистрироваться и анонимизироваться для исследовательского анализа. Данные пациентов использоваться не будут..

4.1.6 Этап 5: Расширение на несколько устройств

На этом этапе INGENZI Tech масштабируется для поддержки более широкого спектра устройств (МРТ, КТ и рентген), начиная с одного производителя оригинального оборудования (OEM, например, Siemens).

Задачи:

• ⟦ Сбор руководств, кодов ошибок и журналов для новых устройств
• ⟦ Расширяйте векторные хранилища или сегментируйте их по классу устройств
• ⟦ Добавить возможности переключения моделей в серверной части на основе определения устройства
• ⟦ Стандартизируйте форматы ввода/вывода для масштабируемого приема данных

Это позиционирует систему как независимый от бренда уровень обслуживания на базе ИИ, способный функционировать в различных системах здравоохранения и экосистемах оборудования..

⟦Figure 2: Общая дорожная карта этапов проекта INGENZI Tech, иллюстрирующая эволюцию от проверки концепции до масштабируемой поддержки нескольких устройств в условиях здравоохранения LMIC.

4.2 Набор данных фазы 0

Набор данных, использованный на этапе ⟦BROKEN_K0⟧, был сформирован на основе 15 технических документов, относящихся к ультразвуковой системе Philips HDI 5000, включая руководства пользователя, сервисные руководства и подробные каталоги кодов ошибок. Эти документы были проанализированы и разбиты на фрагменты с использованием стратегии семантически-ориентированного разделения для сохранения контекстуального значения. Затем каждый фрагмент был преобразован в векторное представление с помощью модели эмбеддингов GPT-3.5 Turbo от OpenAI и сохранен в FAISS, высокопроизводительной векторной базе данных. FAISS был выбран благодаря своей способности эффективно выполнять крупномасштабный поиск по сходству, обеспечивая высокую скорость извлечения при минимальных затратах памяти. Учитывая необходимость развертывания в режиме реального времени и легковесность в условиях ограниченных ресурсов, FAISS обеспечил оптимальный баланс между масштабируемостью, скоростью и возможностью настройки. Чтобы дополнительно уменьшить количество галлюцинаций и повысить специфичность, векторная база данных была разделена на три отдельных хранилища: (1) руководства пользователя, (2) сервисные руководства и (3) коды ошибок. Такой структурированный подход к хранению позволил выполнять предметно-ориентированные запросы и значительно повысил контекстуальную точность системы при выполнении задач по устранению неполадок..

4.3 LLM Модель

Ассистент Фазы 0 был создан с использованием модели GPT-3.5 Turbo и функционировал в рамках архитектуры Retrieval-Augmented Generation (RAG). Запросы технических специалистов сначала интерпретировались посредством prompt engineering и отправлялись в векторные хранилища на базе FAISS для извлечения top-k наиболее релевантных фрагментов документов. Затем эти фрагменты добавлялись в качестве контекста к промпту LLM, что обеспечивало генерацию точных и интерпретируемых ответов. Система поддерживала различные пользовательские инструменты, включая: поиск кодов ошибок, анализ логов, составление графиков технического обслуживания и имитацию самотестирования.

Выбор каждого инструмента был обусловлен стратегиями формирования промптов и классификации намерений. Бэкенд был развернут с использованием легковесного сервера Flask, взаимодействующего с фронтендом на базе React, что обеспечило доступность на маломощных машинах. Благодаря сочетанию модульного конвейера инструментов и поиска RAG с улучшением FAISS, система поддерживала среднюю задержку менее 10 секунд, что делает ее пригодной для использования в режиме, близком к реальному времени, в клинических условиях..

5 Предварительные результаты фазы 0

Для оценки эффективности прототипа INGENZI Tech мы провели две основные проверки, сфокусированные на точности платформы при извлечении специфической информации об устройствах с использованием её архитектуры на основе RAG..

5.1 Точность интерпретации кодов ошибок

В общей сложности 90 кодов ошибок вместе с их соответствующими описаниями были извлечены из сервисных руководств к ультразвуковому аппарату Philips HDI 5000. Они использовались в качестве входных запросов к системе для проверки ее способности извлекать точные контекстные соответствия из встроенных векторных хранилищ. Система успешно извлекла правильное описание для 100% кодов ошибок, подтвердив высокую степень согласованности между семантикой запроса и сохраненным контентом. Это продемонстрировало устойчивость модели при точном поиске структурированной диагностической информации в краткой форме..

5.2 Оценка инструктивных запросов

Для оценки эффективности системы в рамках более широкой инструктивной поддержки мы подготовили набор из 30 запросов на естественном языке, составленных на основе руководств пользователя и сервисных инструкций устройства. Эти вопросы охватывали эксплуатационные инструкции, правила техники безопасности и процедуры обращения с устройством. Из 30 вопросов система предоставила точные и полные ответы на 24 из них, что обеспечило показатель успешности в 80%. Оставшиеся шесть ответов были либо частично точными, либо в них отсутствовали важные детали, что указывает на области, требующие улучшения в сегментации документов, оценке релевантности или детализации поиска..

5.3 Последствия

Эти предварительные результаты подтверждают возможность использования сегментированной структуры RAG для поиска технических документов в условиях ограниченных ресурсов. Безупречная производительность при выполнении структурированных запросов по кодам ошибок указывает на высокую полезность в рабочих процессах по выявлению неисправностей, в то время как 80% точность при выполнении неструктурированных запросов по инструкциям подчеркивает потенциал для эффективного руководства пользователями, с возможностью доработки в части настройки промптов LLM и пороговых значений векторного поиска..

⟦Figure 3: Сравнение производительности обработки структурированных (коды ошибок) и неструктурированных (инструктивных) запросов прототипом INGENZI Tech.

6 Обсуждение

Ожидается, что данное исследование позволит создать надежную платформу поддержки на базе ИИ, адаптированную к потребностям биомедицинских техников в условиях ограниченных ресурсов. Ожидаемые результаты включают как осязаемые программные компоненты, так и выводы, которые могут послужить основой для будущих исследований и разработок в области интеллектуального обслуживания медицинского оборудования. Во-первых, исследование направлено на подтверждение эффективности многоязычного диагностического помощника, работающего на базе LLM. Этот помощник будет интерпретировать коды ошибок, извлекать контекстно-зависимую документацию и направлять пользователей через практические рабочие процессы по ремонту. Оценка будет опираться не только на внутренние метрики, но и на общепринятые бенчмарки LLM, адаптированные к задачам технического обоснования и поиска документов. Целевые показатели производительности включают высокий уровень точного совпадения (EM), точности (precision) и полноты (recall) при сопоставлении контекста, а также положительные оценки от реальных пользователей. Для повышения точности и снижения галлюцинаций система будет включать сегментированные векторные хранилища, специально предназначенные для руководств пользователя, сервисных руководств и кодов ошибок. Ожидается, что это структурное уточнение приведет к более контекстуально релевантным ответам и лучшему соответствию модели ожиданиям техников. Помимо ИИ-помощника, проект предоставит полностью интегрированный форум для обсуждения между коллегами. Этот форум позволит техникам публиковать нерешенные проблемы, голосовать за полезные ответы и делиться проверенными на практике решениями. Обратная связь, собранная через эту платформу, будет способствовать созданию цикла обучения с частичным привлечением учителя для постоянного совершенствования модели. Ключевым результатом этого исследования является обеспечение доступности. Система будет включать автономную поддержку и многоязычный интерфейс для обслуживания техников, работающих в условиях ограниченной пропускной способности сети или в неанглоязычной среде, что типично для многих стран с низким и средним уровнем дохода. Заглядывая вперед, решение будет структурировано для масштабируемости на различные типы устройств. Хотя проверка концепции была сосредоточена на аппарате УЗИ Philips HDI 5000, архитектура системы будет поддерживать переход к более продвинутым диагностическим инструментам, таким как системы МРТ, КТ и рентгеновские системы Siemens. Это включает добавление логики обнаружения устройств и стандартизацию форматов приема данных для поддержки рабочих процессов с несколькими устройствами. Наконец, исследование предоставит пользовательские инсайты, полученные на основе журналов взаимодействия техников, опросов и качественной обратной связи. Эти инсайты помогут улучшить рекомендации по ремонту с помощью ИИ, удобство использования интерфейса и надежность системы в реальных клинических условиях..

Итоговые результаты:

• ⟦ Полнофункциональный веб-инструмент диагностики на базе LLM и Retrieval-Augmented Generation (RAG))
• ⟦ Сегментированная векторизованная база знаний, содержащая руководства пользователя, сервисные инструкции и коды ошибок.
• ⟦ Форум для обсуждения технических специалистов с отслеживанием структурированной обратной связи.
• ⟦ Пользовательский интерфейс с поддержкой многоязычности и автономной работы.
• ⟦ Комплексный отчет об оценке, включающий результаты тестирования и отзывы технических специалистов.
• ⟦ Техническая документация, материалы для адаптации и готовый к развертыванию пакет программного обеспечения для пилотного тестирования

7 Значимость исследования

В данном исследовании рассматривается актуальная и нерешенная проблема глобальных систем здравоохранения, заключающаяся в обеспечении работоспособности жизненно важного медицинского оборудования в условиях ограниченных ресурсов. В странах с низким и средним уровнем дохода длительные простои оборудования из-за нехватки технических знаний и поддержки приводят к предотвратимым задержкам в диагностике, низким результатам лечения пациентов и значительной потере ресурсов. Предлагая масштабируемую платформу поддержки на базе ИИ, адаптированную для биомедицинских техников, данное исследование вносит непосредственный вклад в обеспечение непрерывности и качества медицинских услуг там, где они наиболее уязвимы. Предлагаемое решение соответствует глобальным целям в области здравоохранения и технологий, включая призыв ВОЗ к совершенствованию управления медицинскими технологиями и растущий акцент на устойчивой и справедливой инфраструктуре цифрового здравоохранения. В отличие от многих существующих инструментов, ограниченных конкретными производителями или условиями с высокой связностью, эта платформа предоставляет многоязычную помощь с возможностью работы в автономном режиме и включает обмен знаниями между коллегами для поддержки долгосрочного обучения. Сочетая передовые методы NLP, практические инженерные рабочие процессы и улучшение моделей на основе обратной связи, исследование также вносит вклад в развивающуюся область человеко-ориентированного ИИ в здравоохранении. Его результаты могут способствовать разработке будущих ИИ-инструментов для технических областей, страдающих от нехватки знаний, особенно в условиях нехватки ресурсов. В конечном итоге, данное исследование не только продвигает технические инновации, но и обладает потенциалом для преобразования биомедицинского обслуживания из реактивной дисциплины в проактивную, сокращая количество отказов оборудования, расширяя возможности местных техников и улучшая качество оказания медицинской помощи в системах здравоохранения стран с низким и средним уровнем дохода..

8 Заключение

В данном исследовании предлагается практичное и масштабируемое решение давней проблемы в мировом здравоохранении, обеспечивающее непрерывную функциональность медицинских устройств в условиях ограниченных ресурсов. Объединяя LLM, структурированный поиск знаний и совместный ввод данных техническими специалистами, платформа стремится перевести методы технического обслуживания из реактивных в проактивные. Интеграция многоязычной поддержки в автономном режиме обеспечивает доступность, а модульная конструкция позволяет расширять систему для различных типов устройств и производителей. Благодаря поэтапной разработке и проверке в реальных условиях, данное исследование не только предлагает новый инструмент на основе ИИ, но и способствует выполнению более широкой миссии по обеспечению справедливого и надежного оказания медицинской помощи в странах с низким и средним уровнем дохода и за их пределами..