Expertenbeitrag

 Dirk Möller

Dirk Möller

Area Director of Sales CEMEA, Neo4j

Use Case Fehleridentifikation mit Graph Analytik

Autor / Redakteur: Dirk Möller / Sebastian Human

Medizinprodukte unterliegen besonders strengen Anforderungen an die Qualitätssicherung. Etwaige Fehler gilt es schnell zu beheben, was nicht immer einfach ist. Um große Datenmengen effizient zu analysieren kommen daher vermehrt Graphdatenbanken und Graph Analytik zum Einsatz.

Firmen zum Thema

Mittels Graphtechnologie kann man Zusammenhänge in großen Datenmengen offenlegen, die sonst möglicherweise unentdeckt geblieben wären, was besonders in der Qualitätskontrolle interessant ist.
Mittels Graphtechnologie kann man Zusammenhänge in großen Datenmengen offenlegen, die sonst möglicherweise unentdeckt geblieben wären, was besonders in der Qualitätskontrolle interessant ist.
(Bild: gemeinfrei / Unsplash)

Hersteller von komplexen medizintechnischen Produkten sind in der Regel stark vertikal integriert und übernehmen von der Entwicklung über die Fertigung bis zum Vertrieb und Aftermarket Service zahlreiche Aufgaben. Die Fertigung beginnt mit der Verarbeitung von Rohmaterialien wie Harz und Metall und durchläuft mehrere Produktionsstufen (Batchproduktion) ehe das Endprodukt realisiert werden kann. Um hier die Produktqualität und damit auch die Patientensicherheit zu gewährleisten, ist es notwendig, die Qualitätsanforderungen über den gesamten Produktionszyklus hinweg zu überwachen – von der Rohstoff- und Materialzulieferung bis zur Produktauslieferung.

Komplexe Medizingeräte, wie Herzschrittmacher, Labordiagnostika oder chirurgische Werkzeuge, bestehen aus einer Vielzahl von Materialien und Komponenten. Zudem ist in den letzten Jahren der Softwareanteil in den Geräten enorm angestiegen, um neue Services rund um Telemetrie, Datenanalytik und Mobile Health anbieten zu können. Hersteller mit hoher Fertigungstiefe verfügen so über zahlreiche Entwickler-Teams, die jeweils auf die unterschiedlichen verwendeten Technologien ausgerichtet sind. Oft arbeiten mehrere Teams in verschiedenen Ländern zur selben Zeit an denselben Problemen.

Die Analyse von Fehlern bei Produkten, Dienstleistungen und Prozessen findet dabei oft über einfache Tabellen statt. Solche dezentralisierten Ad-hoc-Analysen führen zu Inkonsistenzen beim Qualitätsmanagement und erschweren es, Fehlerursachen zu erkennen und zurückzuverfolgen.

Mit dieser Herausforderung sah sich auch Boston Scientific konfrontiert. Der US-Medizintechnikhersteller suchte daher nach einer effizienten Lösung, um einen umfassenden Einblick in die komplexen Produkt- und Fertigungsdaten über sämtliche Lieferketten und Prozesse hinweg zu erhalten. Die Lösung: Graphtechnologie.

Graphen für vernetzte Daten

Im Gegensatz zu relationalen Datenbanken bilden Graphdatenbanken nicht nur einzelne Daten ab, sondern auch die Beziehungen der Daten zueinander. Daten werden als Knoten, die Verbindung zwischen den Daten als Linien beziehungsweise Kanten dargestellt. Beiden kann eine beliebige Anzahl von qualitativen oder quantitativen Eigenschaften zugewiesen werden, zum Beispiel Klassifizierung oder Liefermenge. Diese Art der Darstellung gibt auch komplexe Zusammenhänge verständlich und anschaulich wieder.

Abb. 02
Abb. 02
(Bild: Neo4j)

Das Graphmodell von Boston Scientific besteht aus drei Knoten, die das Endprodukt (blauer Knoten), eine Komponente (grüner Knoten) und einen damit verbundenen Fehler (roter Knoten) darstellen (Abb. 1). Über die Kanten lassen sich Fehler an einem Endprodukt schnell zu einem Bauteil zurückverfolgen. Dieses einfache Modell kann man mit beliebig vielen Knoten-Kanten-

Elementen weiter anreichern. So lässt sich ein komplexes medizinisches Gerät abbilden, das aus einer Vielzahl von Teilen besteht, die wiederum aus unterschiedlichen Rohmaterialien hergestellt werden.

So einfach das Datenmodell in der Theorie ist, so riesig ist der Graph, der für das Qualitätsmanagement bei Boston Scientific nötig war. Allein in den Fertigungsanlagen entstehen Jahr für Jahr Unmengen an Prozessdaten. Millionen von Endprodukten und Milliarden von Komponenten müssen mit ebenso vielen Beziehungen möglichst realitätsnah im Datenmodell abgebildet werden. Um die vorhandenen Datensätze und Beziehungen speichern und abfragen zu können, entschied sich Boston Scientific für eine entsprechend leistungsfähige Software. Für die schnelle und präzise Analyse kommen Graph-Algorithmen zum Einsatz, die mit ihren mathematischen Berechnungen speziell auf die Analyse von Beziehungen ausgelegt sind.

Graph-Algorithmen identifizieren Fehlerquellen

Graph-Algorithmen entdecken Datenbeziehungen und -strukturen, die bei normalen Abfragen weitgehend unentdeckt bleiben. Je nach Suchanfrage und Aufgabe kommen unterschiedliche Algorithmen zum Einsatz. Um direkte Verbindungen zwischen fehlerhaften Komponenten aufzudecken, verwendet Boston Scientific den Pathfinding-Algorithmus „Shortest Path“. Dieser berechnet den kürzesten Pfad zwischen einem Start- und allen anderen Knoten. Google Maps nutzt diesen Algorithmus, um die kürzeste Route zwischen verschiedenen Städten zu berechnen. Dabei sind die Städte die Knoten des Graphen und die Straßen die Kanten. Eingesetzt wird dieser Algorithmus auch im Supply Chain Management und in der Logistik, um beispielsweise den schnellsten oder kosteneffektivsten Weg zu bestimmen.

Abb. 01
Abb. 01
(Bild: Neo4j)

Boston Scientific wendet den Algorithmus an, um den kürzesten Pfad zwischen zwei Fehlern zu ermitteln (Abb. 2).

Auf den ersten Blick gibt es keinen Zusammenhang zwischen den beiden Fehlermeldungen (rote Knoten). Bei Traversieren von A nach B passiert der Algorithmus jedoch sämtliche betroffene Komponenten und Endprodukte und kann alle nicht relevanten Verbindung ausblenden. Bauteile und Produkte, die keine Fehler aufweisen, bleiben sozusagen ungeachtet am Wegrand zurück. Übrig bleibt ein transparenter Überblick über die für das Qualitätsmanagement relevanten Daten und Datenbeziehungen. Zusätzliche Abfragen erlauben es, den Umfang und die Reichweite der fehlerhaften Komponente genauer zu bestimmen und die Analyse auf Daten auszuweiten oder einzugrenzen.

Statt also bei der Suche nach Fehlerursachen im Dunkeln zu tappen, kann man im Graphen aufwändige Analyseschritte überspringen und Abfragen in Echtzeit durchführen.

Kollaboration über alle Prozessketten hinweg

Das flexible Graphmodell in Verbindung mit Graph Analytik ermöglicht es Boston Scientific, Fertigungschargen zurückzuverfolgen und Fehlerursachen zu identifizieren. Die Abfragezeit verringert sich von zwei Minuten auf wenige Sekunden, was sowohl die Fehleranalyse als auch die Gesamteffizienz verbessert. Der Einsatz von Graphtechnologie bietet dem Medizingerätehersteller noch einen weiteren Vorteil: Ingenieure, Produktmanager, Fertigungsleiter und Qualitätsprüfer können nun deutlich schneller und einfacher auf eine zentrale Datenbank zugreifen und die Daten unternehmensweit nutzen. Das intuitive Graphmodell bietet ein leicht verständliches Framework zum Sichten, Erklären und Teilen der Daten. Somit sind alle am Projekt beteiligten Personen, von Geschäftsverantwortlichen bis hin zu technischen Mitarbeitern, in der Lage, effizienter zusammen zu arbeiten und bessere, datengetriebene Entscheidungen zu treffen.

Um die Performance und Skalierbarkeit zu verbessern, wechselte Boston Scientific zu einer vollständig verwalteten Cloud-Graphdatenbank. Die Bereitstellung über die Cloud erlaubt es dem Hersteller, die Anwendung zu optimieren und die Qualitätskontrolle weiter zu verbessern, ohne sich um Betrieb und Wartung kümmern zu müssen. Damit können sich die weltweiten Teams stärker auf ihre Kernkompetenz konzentrieren: Die Entwicklung und Fertigung von innovativer, fehlerfreier Medizinprodukte.

(ID:47370038)

Über den Autor

 Dirk Möller

Dirk Möller

Area Director of Sales CEMEA, Neo4j