В Санкт-Петербурге 13 октября исследователи из ЛЭТИ и Технологического института Веллора представили архитектуру базы данных для систем умного контроля в отделениях интенсивной терапии. По данным пресс-службы СПбГЭТУ, решение помогает быстрее реагировать на критические ситуации. Об этом пишет ТАСС.
Разработка размещается целиком в оперативной памяти компьютера. В ней применяется прямой доступ к памяти и асинхронная фоновая синхронизация с диском. Такой подход убирает задержки, свойственные обычным решениям: цель проекта — мгновенно обрабатывать потоки данных от ИИ в реанимационных отделениях и палатах интенсивной терапии. Здесь каждая миллисекунда влияет на своевременность помощи пациенту, пояснил выпускник аспирантуры кафедры МО ЭВМ ЛЭТИ Алексей Субботин.
Обычные базы данных рассчитаны на административную отчётность. Они слишком ресурсоёмки из-за синхронизации и дисковых операций, что порождает паузы. В интенсивной терапии задержка в 1,5–2 секунды при падении пациента или смещении катетера может стоить жизни. Локальные видеорегистраторы страдают от фрагментации, а облачные сервисы зависят от сети и интернет-соединения.
Сначала учёные продумали архитектуру, где важные сведения остаются в оперативной памяти. Вместо сложных таблиц задействован упрощённый кольцевой буфер без лишних системных проверок, а для надёжности добавлено фоновое автосохранение на диск при отключении электричества. Прототип проверили в условиях, близких к больничной палате: камеры с ИИ следили за пациентами, а система фиксировала опасные события и почти без задержек подавала сигнал врачам.
При стресс-тесте с одновременной тревогой от множества камер разработка обошла зарубежные аналоги по скорости и стабильности, нагрузка на процессор осталась минимальной. По словам Радхакришнана Делибабу, профессора Технологического университета Веллора, систему уже можно ставить в инфраструктуру умных клиник. Она оповещает медперсонал о падении пациента или смещении катетеров, а общее время отклика достигает 60 миллисекунд. В дальнейшем авторы хотят добавить аппаратное ускорение на специальных микросхемах, изучить квантовое машинное обучение для сложных медицинских паттернов и внедрить лёгкую блокчейн-верификацию, чтобы данные при долгом архивировании оставались неизменными.