En la actualidad, las máquinas de diagnóstico están plagadas de sensores. Estos sensores ofrecen multitud de información prescriptiva para saber: la cantidad de veces que se ha usado al día para la realización de diagnósticos, la cantidad de líquido reactivo que tiene para hacer las pruebas y también cuánto líquido reactivo queda (conociendo cuántas pruebas puede llegar a realizar antes de que el líquido se agote), el estado de la maquinaria, piezas con mayor índice de desgaste…
En definitiva, hoy en día se puede saber en qué estado se encuentra una máquina de análisis clínico en remoto siempre y cuando esta se encuentre conectada.
¿Cómo se lleva a cabo esta monitorización de las máquinas de diagnóstico? La realidad es que gracias al 3G y 4G, en la actualidad podemos tener información en tiempo prácticamente real sobre cualquier dispositivo diagnóstico que esté conectado. Cuando hablamos de los datos que generan las máquinas de análisis clínico (internet de las cosas), no estaremos hablando de grandes volúmenes de datos, pero, en cambio, estaremos hablando de información prescriptiva para la toma de decisiones (poder anticiparnos a la compra de líquido reactivo antes de que se acabe, poder estimar el volumen de pacientes etc.).
Si nos fijamos exclusivamente en la parte teórica, el mantenimiento predictivo se va a encargar de evaluar el estado de la maquinaria, haciendo recomendaciones para intervenir o no en función de su estado. Lo cierto es que el mantenimiento predictivo supone un gran ahorro para las empresas.
Ventajas del mantenimiento predictivo
Cuando comparamos el mantenimiento predictivo con el mantenimiento correctivo se hacen más que evidentes las ventajas que ofrece el mantenimiento predictivo.
Este tipo de mantenimiento nos permite sacar un mayor rendimiento a la máquina de análisis clínico que estamos monitorizando, evitando además tener que realizar grandes reparaciones, desmontajes y ajustes. Como consecuencia, todo esto hará que se prolongue la vida útil de la máquina gracias a realizar pequeños ajustes (bien de lubricación, reapriete, alineación, reposición de líquido reactivo etc).
Otra de las cosas a tener en cuenta es que el mantenimiento predictivo se lleva a cabo de forma “on-condition”, es decir, con la máquina funcionando. De esta forma, no se tiene que parar la atención al paciente ni dilatar las esperas.
Algo a tener en cuenta es que cuando se aplica el mantenimiento predictivo podremos detectar las averías en su etapa más inicial. De esta manera se tendrá margen como para llevar a cabo las acciones de mantenimiento, corrección, etcétera, de forma programada fuera de los picos de diagnóstico. Esto hará que se optimice aún más el coste de reparación.
Cuando se anticipa el fallo de una pieza estaremos teniendo la oportunidad de comprar repuestos evitando el stock de almacenaje (o lo que supone capital inmovilizado para una empresa). Esto hará que tengamos la pieza que necesitamos justo en el momento idóneo.
Se podría decir que el mantenimiento predictivo es, en cierto modo, un mantenimiento proactivo, ya que nos permite llevar a cabo reparaciones antes de que se produzcan fallos críticos en la máquina (al contrario de lo que ocurriría en el mantenimiento reactivo).
Mantenimiento predictivo para la mejora de la eficiencia de las máquinas de diagnóstico
Lo cierto es que el mantenimiento predictivo nos permite llevar la eficiencia operativa más allá. Apoyándonos en el histórico de telemetría acumulada podemos buscar estrategias de mantenimiento basado en la condición. Se trata de predecir averías de elementos críticos de la máquina de diagnóstico antes de que ocurran y planificar su sustitución por adelantado, a la vez que alargamos la vida útil de las piezas. Para el mantenimiento predictivo necesitamos utilizar técnicas de aprendizaje sobre la máquina para obtener modelos de predicción de fallos. Esos modelos de predicción se alimentarán de la telemetría en tiempo real para identificar deterioros y averías por anticipado. Los modelos operan sobre series temporales de una gran variedad de magnitudes físicas y otras señales.
El reto de los modelos predictivos en las máquinas de diagnóstico
Conseguir un modelo predictivo de la condición de un elemento de una máquina de diagnóstico constituye en muchas ocasiones un reto no menor. Es sencillo entrenar un algoritmo de aprendizaje supervisado cuando dispones de un gran histórico de fallos, pero eso no es realista.
La fiabilidad de las máquinas de diagnóstico hace que la monitorización de los fallos ocurran con muy poca frecuencia, de modo que el conjunto de datos no sea viable. Cobran especial importancia en ese caso las aproximaciones no supervisadas y los algoritmos que aprenden de la normalidad para inferir cuando se comienza a producir un desvío relevante que puede acabar en un fallo grave.
