Исследователи Технологического института Веллора и Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» создали архитектуру базы данных для интеллектуального наблюдения за пациентами в отделениях интенсивной терапии. Система сокращает время реакции на критические события, сообщает ТАСС со ссылкой на пресс-службу СПбГЭТУ «ЛЭТИ».
Специализированная база полностью размещается в оперативной памяти компьютера. Она использует прямой доступ к памяти и асинхронную синхронизацию с дисковой системой в фоновом режиме. Такой подход устраняет задержки, характерные для традиционных решений, и обеспечивает обработку потоков данных от медицинских систем искусственного интеллекта.
Обычные базы данных, рассчитанные на административную отчетность, расходуют значительные ресурсы на синхронизацию и запись информации на диск. Задержка на 1,5–2 секунды при выявлении падения пациента или смещения катетера в условиях реанимации может оказаться критической. Видеорегистраторы сталкиваются с фрагментацией данных, а облачные хранилища зависят от скорости сети и наличия интернет-соединения.
В разработанной архитектуре важная информация хранится в оперативной памяти, а вместо сложных таблиц применяется упрощенный кольцевой буфер без лишних системных проверок. Автоматическое фоновое сохранение на диск обеспечивает защиту данных при неожиданном отключении электроэнергии без снижения скорости реакции.
Прототип испытали в условиях, воспроизводящих работу больничной палаты. Камеры с ИИ контролировали действия пациентов, фиксировали критические события и почти без задержки передавали тревожный сигнал врачам. Во время стресс-теста ученые смоделировали одновременное срабатывание множества камер; система превзошла зарубежные аналоги по скорости и стабильности при минимальной нагрузке на процессор.
Разработку уже можно внедрять в инфраструктуру «умных больниц» для оповещения персонала о падениях пациентов и смещении медицинских катетеров. Общее время реакции составляет до 60 миллисекунд. В дальнейшем авторы намерены добавить аппаратное ускорение на специализированных микросхемах, исследовать применение квантового машинного обучения и внедрить облегченную блокчейн-верификацию архивных данных.