Giới thiệu tình huống vận hành bệnh viện thông minh

Đây là tình huống được xây dựng nhằm minh họa khả năng ứng dụng thực tế của hệ thống giám sát và tự động hóa tại bệnh viện.

Quy trình hoạt động từ sáng sớm

6 giờ 45 phút, khu vực hậu cần tầng hầm B1 của Bệnh viện Đa khoa Quốc tế TP.HCM bắt đầu hoạt động. Các nút cảm biến LiDAR 3D gắn trần kết hợp camera nhiệt và cảm biến siêu âm tự khởi động theo lịch trình. Dữ liệu đám mây điểm từ LiDAR (độ phân giải 0,5 cm tại khoảng cách 8 m) được đồng bộ với tín hiệu nhiệt độ bề mặt và vận tốc chuyển động qua giao thức MQTT, giữ độ trễ dưới 80 ms trước khi đưa vào chip NVIDIA Jetson Orin Nano tại chỗ để lọc nhiễu.

Theo dõi luồng bệnh nhân và tối ưu hạ tầng

7 giờ 30 phút, hệ thống bắt đầu theo dõi luồng bệnh nhân từ sảnh chính vào các khoa khám. Bản đồ 3D không gian được tái tạo liên tục bằng mạng nơ-ron đồ thị, cho phép quan sát mật độ di chuyển theo từng hành lang mà không cần camera giám sát trực tiếp. Tại nút gần thang máy, dữ liệu được xử lý biên trước khi đẩy lên Azure IoT Hub, giảm băng thông khoảng 65% so với gửi toàn bộ dữ liệu thô.

Phát hiện bất thường và hỗ trợ y tế kịp thời

9 giờ 15 phút, hành lang tầng 3 ghi nhận chuyển động bất thường của một bệnh nhân lớn tuổi. Mô hình tự mã hóa so sánh quỹ đạo hiện tại với dữ liệu hoạt động bình thường trong 14 ngày qua, phát hiện độ lệch vượt ngưỡng. Cảm biến nhiệt hồng ngoại đặt ngưỡng 38,5 °C để loại trừ trường hợp chỉ là người nhà đứng chờ, giúp nhân viên hỗ trợ kịp thời mà không cần tuần tra liên tục.

Kiểm soát môi trường phòng mổ

11 giờ 40 phút, phòng mổ số 4 chuẩn bị ca phẫu thuật thay khớp. Hệ thống kiểm soát luồng không khí bằng cách đo chênh lệch áp suất và nhiệt độ tại các điểm xả gió. Dữ liệu từ ba loại cảm biến được hợp nhất tại Jetson Orin Nano, sau đó mạng nơ-ron đồ thị cập nhật bản đồ 3D theo thời gian thực để điều chỉnh quạt và van gió, duy trì chênh lệch áp suất âm ổn định ở mức 12 Pa.

Quản lý mật độ người và cảnh báo tự động

14 giờ 20 phút, khu chờ khoa Cấp cứu ghi nhận mật độ người tăng đột biến. Mô hình phát hiện bất thường báo cáo tỷ lệ chính xác 96,8% khi phân biệt tình trạng quá tải so với giờ cao điểm thông thường. Cảnh báo được gửi trực tiếp đến bộ phận điều phối, cho phép mở thêm hai ghế chờ phụ và điều chuyển nhân viên tiếp đón trong vòng 4 phút.

Kết quả vận hành cuối ngày

18 giờ 05 phút, sau khi ca trực chiều kết thúc, người quản lý ngồi lại tại phòng điều hành xem lại biểu đồ tổng hợp từ Azure IoT Hub. Toàn bộ ngày làm việc diễn ra với ít can thiệp thủ công hơn, chủ yếu là các quyết định điều chỉnh nhỏ dựa trên dữ liệu đã được xử lý tại biên. Luồng bệnh nhân được phân bổ đều hơn, thời gian chờ trung bình giảm rõ rệt, và các khu vực nhạy cảm như hành lang, phòng mổ duy trì điều kiện vận hành ổn định mà không cần tăng thêm nhân sự giám sát.