Исследователи из Технологического института Веллора и СПбГЭТУ «ЛЭТИ» представили архитектуру базы данных для систем интеллектуального мониторинга в отделениях интенсивной терапии. В отличие от традиционных систем хранения решение позволяет сократить время реакции на критические события до 60 мс.
13.10.2026
Современная медицина сталкивается с критической проблемой несоответствия скорости генерации данных и возможностей их обработки в системах интеллектуального видеонаблюдения. В условиях отделений реанимации и интенсивной терапии камеры и медицинские датчики генерируют непрерывные высокоскоростные потоки информации, создавая колоссальную и неравномерную нагрузку на серверы. В частности, традиционные базы данных, изначально разработанные для финансовой или административной отчетности, не справляются с этой задачей из-за жестких требований к согласованности данных и зависимости от операций ввода-вывода на диск. При попытке записать каждое новое событие такие системы тратят вычислительные ресурсы на блокировку таблиц, перестройку индексов и синхронную запись журналов транзакций, что многократно увеличивает время отклика.
В результате возникает опасная задержка, которая в клинической практике может стоить пациенту жизни. Например, при обнаружении искусственным интеллектом (ИИ) падения больного или смещения медицинского катетера традиционная база данных может поставить запрос в очередь из-за фоновых процессов обслуживания, задерживая появление тревожного сигнала на мониторе медперсонала на 1.5-2 секунды. Ситуация многократно усугубляется при массовых инцидентах, когда одновременная активация множества датчиков приводит к пиковой нагрузке системы на базе стандартных решений: блокируются операции чтения и полностью замораживаются интерфейсы мониторинга именно в тот момент, когда медицинскому персоналу требуется мгновенная визуализация происходящего.
Стандартные видеорегистраторы и облачные хранилища не в полной мере отвечают требованиям данной задачи. Локальные решения часто сталкиваются с фрагментацией данных и ограничениями при одновременной записи потока и чтении архива. Облачные сервисы, в свою очередь, добавляют сетевые задержки и зависят от качества интернет-соединения. По этой причине традиционные подходы к хранению недостаточно подходят для медицинского оборудования, где требуются передача данных в реальном времени и высокая надежность визуализации.
«Мы создали специализированную базу данных, которая полностью размещается в оперативной памяти компьютера. Она использует механизм прямого доступа к памяти и асинхронную фоновую синхронизацию с дисковой системой, что позволяет полностью исключить задержки, характерные для традиционных решений. Главная цель нашей разработки – обеспечить мгновенную обработку потоков данных от систем искусственного интеллекта в реанимации и палатах интенсивной терапии, где каждая миллисекунда имеет значение для своевременного оказания помощи пациенту».
Сначала исследователи спроектировали архитектуру, в которой критически важные данные хранятся непосредственно в оперативной памяти, а вместо сложных таблиц используется упрощенный кольцевой буфер, исключающий лишние системные проверки.
Чтобы обеспечить надежность без потери скорости, в систему был внедрен механизм фонового автоматического сохранения данных на диск. Это позволило гарантировать мгновенную реакцию на события в реальном времени, защищая информацию от потери при внезапном отключении электричества. Следующим шагом стали практические испытания прототипа в условиях, имитирующих реальную больничную палату. Камеры с ИИ отслеживали действия пациентов, а система мгновенно и эффективно фиксировала критические события, передавая сигнал тревоги врачам практически без задержек.
Затем разработчики подвергли систему экстремальному стресс-тестированию, сымитировав одновременную тревогу со множества камер. Сравнение показало, что разработанная архитектура превосходит зарубежные аналоги в скорости и стабильности при минимальной нагрузке на процессор. Кроме того, тест подтвердил отсутствие технических сбоев и ее полную готовность к круглосуточной эксплуатации в медицинских учреждениях.
«Уже сегодня систему можно внедрять в инфраструктуру «умных больниц» для мгновенного оповещения медицинского персонала о критических событиях, таких как падение пациента или смещение медицинских катетеров, сокращая общее время реакции системы до 60 миллисекунд. В будущем мы планируем интегрировать аппаратное ускорение на базе специализированных микросхем, исследовать возможности квантового машинного обучения для анализа сложных медицинских паттернов, а также добавить легковесную блокчейн-верификацию для гарантии неизменности данных при их долгосрочном архивировании».
Результаты исследования опубликованы в научном журнале Frontiers in Digital Health (Q1). Исследование поддержано Российским научным фондом (№22-71-10092-П). Работа ведется в русле научно-исследовательской политики программы развития СПбГЭТУ «ЛЭТИ» «Приоритет-2030», национального проекта «Молодежь и дети» и инициативы Десятилетия науки и технологий.
