Reliability- and cost-based medical device service optimization

Abstract

This master’s thesis examines the feasibility of a reliability- and cost-based optimization model as part of a medical device service process. The current service process involves scrapping devices that have exceeded a certain age, without accounting for their Remaining Useful Life (RUL) or the possibility that they have been recently refurbished. This thesis aims to develop a model that assesses the current and projected reliability of the device and determines whether it should be serviced for further use or scrapped.

The research finds that there are numerous methods for estimating system reliability. Based on observed failures, the reliability estimation methods are categorized into non-parametric and parametric approaches. The non-parametric approaches do not generally assume any specific models or distributions for the data, whereas the parametric approaches do. The research also introduces the Reliability Block Diagram (RBD), which is used to assess the reliability of a system composed of multiple subsystems. The RBD shows that the configuration of subsystem connections significantly influences the overall system’s estimated reliability.

The proposed model utilizes both the non-parametric and the parametric reliability estimation methods. For the non-parametric approach, the Kaplan–Meier (K–M) estimator is used. The parametric analysis includes the Weibull, exponential, lognormal, log-logistic, and gamma distributions. Parameters for these distributions are estimated using Maximum Likelihood Estimation (MLE), and the most suitable distribution is selected based on the corrected Akaike Information Criterion (AICc) values. In this thesis, time to failure is analysed using two interpretations: calendar time and operating time. Calendar time refers to the total elapsed time during the observation period, while operating time accounts for the actual operating hours. Based on prior knowledge and the system’s RBD, the subsystems are assumed to be connected in series. With these findings, both the current and projected reliability of the system are estimated and compared to predefined reliability thresholds. Finally, the cost of meeting those reliability thresholds is compared to a given cost threshold. Based on this comparison, the model proposes two outcomes: servicing the system with the suggested subsystems or scrapping it if the costs are too high.

This thesis identifies numerous sources of uncertainty and challenges, with the quality and quantity of the data appearing as the most significant concerns. Moreover, the heavily censored nature of the data tends to affect the parameter estimations, potentially leading to biased reliability estimates. Looking ahead, the research suggests areas for improvement and development, including more precise parameter estimation methods and alternative approaches to address the challenges posed by the heavily censored data. While this thesis adapts the frequentist interpretation of probability, the Bayesian interpretation is recognized as a viable alternative for future versions. Furthermore, several machine learning approaches are identified as promising candidates for future versions of the model.

In conclusion, this research provides a framework and an initial model for medical device service optimization by utilizing common reliability estimation methods and predefined thresholds. The model performs as intended, although several areas for further development have been identified.

Tämä diplomityö tarkastelee luotettavuuteen ja kustannuksiin perustuvan optimointimallin soveltuvuutta osana lääkinnällisen laitteen huoltoprosessia. Nykyisessä huoltoprosessissa laitteet romutetaan niiden ylittäessä tietyn iän, ottamatta huomioon jäljellä olevaa käyttöikää (RUL) tai mahdollisia viimeaikaisia huoltotoimenpiteitä. Tämän työn tavoitteena on kehittää malli, joka arvioi laitteen nykyisen ja ennustetun luotettavuuden, joiden perusteella ehdotetaan joko laitteen korjaamista tai romuttamista.

Tutkimustulokset osoittavat, että systeemin luotettavuutta voidaan estimoida useilla eri menetelmillä. Havaittujen vikaantumisten perusteella luotettavuuden estimointimenetelmät voidaan luokitella ei-parametrisiin ja parametrisiin lähestymistapoihin. Ei-parametrisissa lähestymistavoissa ei yleisesti oleteta aineistolle mitään malleja tai jakaumia, kun taas parametrisissa lähestymistavoissa oletetaan. Työssä esitetään luotettavuuslohkokaavio (RBD), jota käytetään useista osasysteemeistä koostuvan systeemin luotettavuuden arvioinnissa. Luotettavuuslohkokaavio osoittaa, että osasysteemien yhteyksien konfiguraatiolla on merkittävä vaikutus koko systeemin arvioituun luotettavuuteen.

Ehdotettu malli hyödyntää sekä ei-parametrista että parametrista luotettavuuden estimointimenetelmää. Ei-parametrisessa lähestymistavassa käytetään Kaplan–Meierin (K–M) estimaattoria. Parametrisessa lähestymistavassa käytetään Weibull-, eksponentti-, log-normaali-, log-log- ja gamma-jakaumaa. Jakaumien parametrit estimoidaan suurimman uskottavuuden menetelmällä (MLE), ja sopivin jakauma valitaan korjatun Akaiken informaatiokriteerin (AICc) arvojen perusteella. Tässä työssä vikaantumisaikaa analysoidaan kahdella tavalla: kalenteriaikana ja käyttöaikana. Kalenteriajalla tarkoitetaan havaintojakson kokonaiskestoa, kun taas käyttöaika ottaa huomioon todelliset käyttötunnit. Systeemin luotettavuuslohkokaavion ja aiemman tiedon perusteella osasysteemien oletetaan muodostavan sarjakytkennän. Näiden tietojen pohjalta systeemin nykyinen ja ennustettu luotettavuus arvioidaan, ja niitä verrataan ennalta määriteltyihin luotettavuusraja-arvoihin. Lopuksi näiden luotettavuusraja-arvojen saavuttamisesta aiheutuvaa kustannusta verrataan ennalta määriteltyyn kustannusrajaan. Malli ehdottaa lopuksi kahta vaihtoehtoista toimenpidettä: systeemin huoltamista ehdotetuilla osasysteemeillä tai systeemin romuttamista, mikäli kustannukset ovat liian korkeat.

Tämä työ tunnistaa useita epävarmuuden lähteitä, joista merkittävimmät liittyvät datan laatuun ja määrään. Datan voimakas sensurointi voi vaikuttaa merkittävästi parametrien estimointiin ja siten johtaa vääristyneisiin systeemin luotettavuusarvioihin. Työ ehdottaa parannus- ja kehityskohteita, erityisesti parametrien estimointimenetelmiin sekä vaihtoehtoisiin lähestymistapoihin, joilla voidaan vastata voimakkaasti sensuroidun datan aiheuttamiin haasteisiin. Tässä työssä hyödynnettiin todennäköisyyden frekvenssitulkintaa, mutta Bayesiläinen tulkinta tunnistettiin vaihtoehtoiseksi menetelmäksi mallin tuleviin versioihin. Lisäksi useita koneoppimismenetelmiä tunnistettiin lupaaviksi vaihtoehdoiksi mallin tuleville versioille.

Tämä työ tarjoaa viitekehyksen ja alustavan mallin lääkinnällisen laitteen huoltoprosessin optimointiin hyödyntämällä yleisesti käytettyjä luotettavuuden estimointimenetelmiä sekä ennalta määriteltyjä raja-arvoja. Malli toimii tarkoituksenmukaisesti, vaikka jatkokehityksen kannalta on tunnistettu useita kehityskohteita.