FIRMENVERTRAULICH. NICHT OFFENBAREN.
Datengestützte Innovation steigert den Wert in der Präzisionsmedizin
Siemens Healthineers verwendet einen hochmodernen statistischen Ansatz, um den Wert für seine Kunden zu steigern, indem die Produktion rationalisiert, Testprozesse transformiert und ein Qualitätsversprechen eingehalten werden
________________________________________________________________________________________
Herausforderung : Steigern Sie die Effizienz bei der Fehlerbehebung, um die Entwicklung zu optimieren und das Portfolio des Unternehmens an Gesundheitstechnologien zu erweitern.
Lösung: Verwenden Sie JMP, um große Datenmengen zu verarbeiten und statistisch gesteuerte Experimente zu implementieren, wodurch die Testzeit verkürzt und potenzielle Probleme vermieden werden.
Ergebnisse: Die Einführung statistischer Methoden wie Design of Experiments (DOE) hat die Entwicklung bei Siemens Healthineers beschleunigt. In einem Fall reduzierten die Ingenieure die Testparameter von 41 auf 7 Variablen, sparten wertvolle Testzeit und Ressourcen und identifizierten schnell fehlerhafte Komponenten.
________________________________________________________________________________________
Data Analytics hat das Gesundheitswesen revolutioniert. Und obwohl Forschung und Entwicklung seit jeher das Rückgrat der modernen Medizintechnik waren, hat die Menge der verfügbaren Daten im Zuge der Digitalisierung der Branche zu einer digitalen Revolution in den Gesundheitsprozessen geführt. Die Analysetechnologie – und neue statistische Methoden im Ingenieurwesen – haben sowohl dem öffentlichen als auch dem privaten Sektor geholfen, die steigenden Anforderungen der Gesundheitsversorgung der Gesellschaft zu erfüllen. Dieser Trend wird sich in naher Zukunft noch verstärken, da immer mehr Unternehmen die Macht von Big Data nutzen.
Während Analytik ein erhebliches Potenzial hat, den täglichen Gesundheitsbetrieb zu revolutionieren und Krankheiten direkt zu bekämpfen, wurden in der Gesundheitsforschung bisher die größten Fortschritte bei der Identifizierung von Effizienzen und der Kostensenkung erzielt – wichtige Ziele in einem zunehmend wettbewerbsorientierten Feld, das von strengen regulatorischen Benchmarks belastet wird. Einer der eifrigsten Early Adopters von Data Analytics, Siemens Healthcare Diagnostics, hat Daten genutzt, um dem Spiel einen Schritt voraus zu sein, indem es Bedürfnisse und potenzielle Probleme antizipiert.
Täglich Daten von 5 Millionen Patienten ziehen
Siemens Healthineers, ein Geschäftsbereich von Siemens Healthcare Diagnostics, arbeitet mit Gesundheitsdienstleistern zusammen, um den Wert durch den Ausbau der Präzisionsmedizin, die Transformation der Gesundheitsversorgung, die Verbesserung der Patientenerfahrung und die Digitalisierung von Gesundheitsdienstleistungen zu steigern. Das breite Portfolio des Unternehmens umfasst führende, qualitativ hochwertige Medizintechnologien, die einige der dringendsten Herausforderungen unserer Kunden in Krankenhaussystemen auf der ganzen Welt lösen. Darüber hinaus berühren Siemens-Produkte täglich schätzungsweise fast fünf Millionen Patienten weltweit.
Daten stehen im Mittelpunkt der Operation. Siemens Healthineers generiert eine riesige Menge an Daten und Erkenntnissen, die aus einer Basis von über 600.000 digitalen Systemen abgeleitet werden. Während sich weite Teile des Unternehmens der Entwicklung neuer Produkte widmen, ist das Reengineering bestehender Lösungen ebenso wichtig. Siemens beschäftigt Datenteams, die sich die F&E-Einträge ansehen, um Tests für eine schnelle und umsetzbare Fehlerbehebung zu entwickeln. Die zukunftsweisende Analysekultur von Siemens macht es zu einer der innovativsten der Welt, und es gibt zahlreiche Beispiele für datengesteuerte Verbesserungen. Wie viele in der gesamten Organisation verwendet Harald Ackermann, Manager bei Siemens Healthcare Diagnostics, täglich einen statistischen Ansatz für das Engineering. Besonders ein Fall zeigt die Vorteile dieser Strategie.
Große Datensätze, viele Variablen, begrenzte Testzeit
Als das Produktionsteam von Siemens Healthineers eine kritische Inkonsistenz bemerkte, die die Skalierbarkeit der Produktionsbemühungen verhinderte, wurde das Team von Ackermann hinzugezogen, um bei der Ermittlung der Ursache zu helfen. „Sie hatten ein Produktionsproblem mit einer Komponente, die sie für einen bestimmten diagnostischen Assay hergestellt hatten“, erinnert sich Ackermann. Für dieses spezielle Produkt wurden 40 bis 45 verschiedene Komponenten in verschiedenen Teilprozessen verwendet, und jede Komponente musste zwischen 25 und 30 verschiedenen Chargen untersucht werden. „Wir hatten viele Daten: Reaktionsdaten, Quellmaterialien und mehr, die untersucht wurden. Wie man sich in der Medizintechnikproduktion vorstellen kann, ist alles in Ordnung und dann testet man eine neue Reaktion und es funktioniert nicht mehr.“
Ackermann und sein Team machten sich an die Arbeit, die Daten zu sortieren – bei einem so hohen Volumen an Einstiegspunkten und so unterschiedlichen Quellen kann die Formatierung der Daten vor der Analyse eine Mammutaufgabe sein. „Am Anfang war es schwierig, weil die Daten nicht gut formatiert waren“, sagt Ackermann. „Wir mussten es in ein bestimmtes Format bringen, was einige Zeit gedauert hat. Aber JMP hat mir geholfen, wirklich zu verstehen, wo die Ursache des Problems lag.“
Ackermann nutzte im Laufe seiner Karriere bei Siemens Healthcare Diagnostics seit mehr als 25 Jahren die JMP-Software von SAS. Als solcher war er ideal positioniert, um das Ingenieurteam bei der optimalen Nutzung einer Reihe fortschrittlicher statistischer Methoden zu unterstützen, die durch die dynamische Anwendungssuite des Tools für Design of Experiments (DOE), Quality Engineering und Six Sigma ermöglicht werden.
Ohne die DOE-Fähigkeit in JMP hätte nach Ackermanns Schätzung eine Person mehr als eine Woche lang Vollzeit arbeiten müssen, um jede Komponente zu testen, die erforderlich ist, um die Ursache des Produktionsproblems zu finden. „Wenn man sich 41 Komponenten ansieht, kann es ein halbes Jahr dauern, um alles zu untersuchen“, fügt er hinzu. „Je weniger Experimente Sie machen müssen, desto mehr Zeit sparen Sie.“ Durch die Anwendung eines Design-of-Experiment-Ansatzes zur Verwaltung einer multivariaten Umgebung und zur Identifizierung eines optimalen Designs wurden die Tests laut Ackermann in nur drei Monaten abgeschlossen.
Ackermann, ein alter JMP-Mann, sagt, dass das Erlernen neuer Funktionen und Utilities, die in JMP 14 verfügbar sind, eine Offenbarung war. „Während ich diese Marketingdaten untersuchte, habe ich das Marketingmodul in JMP verwendet“, sagt er. „Ich habe auch eine andere Lösung gefunden, die mich tatsächlich sehr nahe an die Ursache des Problems geführt hat. Für mich war es völlig überraschend – ich hatte es nicht erwartet.“
Letztendlich konnte Ackermann die Inkonsistenz auf einen Rohstofflieferanten zurückführen, dessen Qualitätsprobleme durch die Einbindung des Materials in die Endtechnologie von Siemens noch verstärkt wurden. „Aufgrund der Analyse in JMP“, sagt Ackerman, „haben wir die Anzahl der durchzuführenden Studien von 41, die wir ursprünglich untersuchten, auf nur 7 reduziert. Wir haben viel Zeit gespart.“
Ein zunehmender Einsatz optimaler DOE- und Quality Engineering-Methoden ermöglicht eine schnellere Fehlerbehebung
Es ist für Ingenieure von entscheidender Bedeutung, Fehler schnell und effizient beheben zu können, da diese Lösungen normalerweise für bereits auf dem Markt befindliche Produkte bereitgestellt werden. Ackermann sagt, dass Ingenieure den bestehenden Kunden so schnell wie möglich Fixes bringen, indem sie die Tests mit effektiven Lösungen wie den von ihm gelieferten so zielgerichtet wie möglich gestalten. „Anstatt sich all die verschiedenen Möglichkeiten anzusehen, die das Problem verursacht haben könnten, möchte man am Anfang sicherstellen, dass man die Anzahl der Tests auf die erforderlichen beschränken kann, nicht auf alles, was machbar ist“, erklärt er .
Ein solcher kollaborativer, datengetriebener Ansatz ist das Rückgrat dessen, was Ackermann und sein Team tun: „Wenn man in der Produktion auf ein Problem stößt, will man immer eine schnelle Lösung haben“, erklärt er. „Sie wollen die Ursache sehr schnell identifizieren…. Das Team der Qualitätskontrolle ist also für die Behebung des Problems verantwortlich und hat mein Team als Unterstützung bei der Durchführung der Tests. Wir müssen die Komponenten herstellen und die Ursache untersuchen. Je früher wir JMP einsetzen, desto schneller können wir ein Problem möglicherweise wirklich lösen.“
Ackermann erklärt, dass er diese nativen Lösungen von JMP in Reagenzien, Kosten, Prozessproblemen und in Produkten selbst verwendet. „Der Prozess lässt sich leicht auf jedes Problem übertragen, das wir in der Produktion haben, wenn es mit einer Reagenzienursache zusammenhängt“, erklärt er. „Das kategoriale Analysesystem in JMP hat mir geholfen, die Anzahl der erforderlichen Tests zu reduzieren.“
Ackermann steht kurz vor dem Wechsel zu einem neuen Projekt innerhalb von Siemens Healthineers, bei dem es um Säuren geht. „Wir werden JMP für so ziemlich alle Daten verwenden, die wir produzieren. Und wir werden es verwenden, um Experimente zu entwerfen, wie beispielsweise die Verwendung von Harnstoff, um die Optimierung von Reagenzienkomponenten zu untersuchen.“ Er sagt, dass die meisten Laborleiter bei Siemens Healthineers statistisch versiert sind und JMP verwenden, dass die Labortechniker jedoch noch nicht so weit sind – etwas, das er herausfordern möchte: „Wir planen immer, mehr zu tun, damit wir alle in der Organisation schulen können JMP verwenden.“ Und damit, erklärt er, Innovationszyklen beschleunigen und die bahnbrechendsten neuen Technologien von Siemens schneller als je zuvor von der Werkbank in die Hände von Medizinern bringen.
