Worauf man bei der Auswahl von Stromversorgungen in der Medizintechnik achten sollte

Der Fortschritt in der Entwicklung medizinischer Instrumente war in den letzten 15 Jahren bahnbrechend. Kaum ein Gerät ist heute mehr ohne Elektronik vorstellbar. Dazu kommen vielfältige zusätzliche Anforderungen an Bedienung und Sicherheit, um die Medizintechnik auch für den Patienten anwendbar zu machen. Dabei werden gerade an Stromversorgungen in der Medizintechnik besondere Anforderungen gestellt.

Fachartikel von Bianca Aichinger

Eck-daten

All die intelligente Elektronik in Medizingeräten mit ihren smarten Features hat eines gemeinsam – sie benötigt eine Stromversorgung. Denn sobald sich das Gerät nicht mehr mit einzelnen Batterien versorgen lässt, kommen zwangsläufig AC/DC- und DC/DC-Wandler ins Spiel. Der Artikel gibt Tipps für die Wahl der richtigen Stromversorgung für den Medizinbereich.

Grundsätzlich erfüllen Wandler und Netzteile, die in medizinischen Anwendungen zum Einsatz kommen dieselbe Funktion wie jene, die in Haushalts- oder Industrieapplikationen eingesetzt werden: Sie sollen die Anwendung mit einer gewissen Spannung mit entsprechender Leistung versorgen. Nun könnte man versucht sein, eine günstige Stromversorgung mit Sicherheitszulassung aus dem Industriebereich einzusetzen. So verlockend dies auch erscheinen mag, so wird dies meist nicht die beste Wahl sein. Stromversorgungen, welche für den medizinischen Bereich entwickelt wurden, weisen unter anderem eine verstärkte Isolation auf und haben minimale Leck- und Ableitströme. Der komplexe Standard IEC 60601-1 „Medizinische elektrische Geräte; Teil 1: Allgemeine Festlegungen für die Sicherheit einschließlich der wesentlichen Leistungsmerkmale“ gibt hierfür klare Vorgaben und sorgt für Sicherheit.

Schutzmaßnahmen für Personal und Patient

Der Forschritt bei medizinischen Geräten war in den letzten 15 Jahren enorm. Recom

Tabelle 1: Anforderungen an die Isolation in der Klasse bis 250 VAC sowie in der Klasse bis 43 VDC beziehungsweise 30 VAC (grau hinterlegt). Recom

Die erste Frage, die sich bei der Suche nach der geeigneten Stromversorgung stellt, ist ob die Applikation in direktem Kontakt mit dem Patienten stehen wird. Die Medizinnorm unterscheidet hier in Patienten- oder Bedienerschutz und definiert verschiedene Schutzmaßnahmen zur Verminderung des Risikos eines elektrischen Schlages (MOP – Means of protection).

Elektronische Geräte, die keinen direkten Kontakt zum Patienten haben und nur von Fachpersonal oder unterwiesenen Personen bedient

Tabelle 2: Grenzwerte für die Ableitströme in den jeweiligen Kategorien. Recom

werden, fallen in die Kategorie MOOP (Means of operator protection). Hier gelten wesentlich geringere Schutzmaßnahmen, die im Wesentlichen denen der IEC 60950-1 (Einrichtungen der Informationstechnik – Sicherheit – Teil 1: Allgemeine Anforderungen) entsprechen.

Besteht zwischen Gerät und Patient allerdings ein direkter Kontakt, gelten für den Patientenschutz, (MOPP – Means of patient protection) insbesondere in Bezug auf die Isolation, wesentlich schärfere Anforderungen (siehe Tabelle 1). Um den Patienten vor der Gefahr eines elektrischen Schlags zu schützen, sind zwingend zwei Schutzmaßnahmen erforderlich.

Die drei Schutzklassen im Detail. Recom

Je enger der Kontakt zum Patienten ausfällt, desto geringer sind auch die zulässigen Ableitströme. Diese sind, je nach Einstufung des Anwendungsteils mit dem der Patient gegebenenfalls in Kontakt kommt, klassifiziert. Die drei Klassen sind im Kasten näher erläutert. Tabelle 2 zeigt die entsprechenden Grenzwerte für den Normalbetrieb (NC – Normal Conditions) als auch für den Fehlerfall (SFC – Single Fault Conditions).

Nächste Seite: Einsatzhöhe beeinflusst Kühlung und Isolationsfestigkeit

Seite 1 von 312 3 »

1. KI ist nicht nur für Datenwissenschaftler gedacht:
Ingenieure und Wissenschaftler, nicht nur Datenwissenschaftler, werden die Einführung von Deep Learning vorantreiben. Nicht nur die Offenheit für neue Techniken, sondern auch wirtschaftliche Vorteile, die Künstliche Intelligenz und Automatisierungstools versprechen, werden den zunehmenden Einsatz von KI durch Ingenieure und Wissenschaftler vorantreiben.
Neue Workflow-Tools vereinfachen und automatisieren die Daten-Synthese, das Labeling, die Vorverarbeitung und Bereitstellung von Daten. Diese Tools erweitern auch die Bandbreite der Anwendungen von Bild- und Computer-Vision bis hin zu Zeitreihen-Daten wie Audio, Signalverarbeitung und IoT, So wird KI abseits der Datenwissenschaft zum Beispiel in unbemannten Luftfahrzeugen (UAV) eingesetzt werden, um mithilfe von KI Objekte in Satellitenbildern zu erkennen, oder bei Krebsvorsorgeuntersuchungen zur Früherkennung von Krankheiten.

2. Industrielle Anwendungen erfordern Spezialisierung
Industrielle Anwendungsmöglichkeiten werden zu einem wichtigen Einsatzfeld für KI, erfordern aber auch eine größere Spezialisierung. Damit IoT- und KI-getriebene Anwendungen, wie Smart Cities, Predictive Maintenance und Industry 4.0 von visionären Konzepten zur Realität werden, müssen einige Kriterien erfüllt sein. Sicherheitskritische Anwendungen verlangen beispielsweise nach einer höheren Verlässlichkeit und Verifizierbarkeit. Wohingegen fortschrittliche mechatronische System Designansätze benötigen, die mechanische, elektrische und andere Komponenten integrieren.
Eine weitere Herausforderung ist, dass diese spezialisierten Anwendungen wie zum Beispiel Systeme zur Erkennung von Überhitzung bei Flugzeugtriebwerken oft von dezentralen Entwicklungs- und Serviceteams entwickelt und verwaltet werden. Sie sind somit nicht unter der IT zentralisiert.

3. Interoperabilität :
Für den Aufbau einer umfassenden KI-Lösung ist die Zusammenarbeit von verschiedenen Systemen, Programmen oder Plattformen essentiell. Die Realität ist, dass es kein einzelnes Framework gibt, das die besten Lösungen für alle Anwendungsbereiche der KI bieten kann. Derzeit konzentriert sich jedes Deep Learning Framework auf einige wenige Anwendungen und Produktionsplattformen, während effektive Lösungen Teile aus mehreren verschiedenen Workflows zusammenführen müssen.
Dies erzeugt Reibung und reduziert die Produktivität. Diesem Problem nehmen sich Unternehmen wie ONNX.ai an. Sie bieten eine Umgebung, in der Entwickler, das beste Werkzeug frei wählen, ihre Modelle einfacher teilen und ihre Lösungen auf einer breiten Palette von Produktionsplattformen einsetzen können.

4. Cloud Computing:
Gerade Public-Clouds werden zunehmend als Host-Plattform für KI genutzt. Sie werden sich weiterentwickeln, um die Komplexität zu reduzieren und werden die Abhängigkeit von IT-Abteilungen verringern.
Leistungsstarke GPU-Instanzen, flexible Speicheroptionen und produktionsreife Containertechnologien sind nur drei Gründe, warum KI-Anwendungen zunehmend Cloud-basiert sind. Für Ingenieure und Wissenschaftler erleichtert die Cloud-basierte Entwicklung die Zusammenarbeit und ermöglicht die bedarfsgerechte Nutzung von Computerressourcen, anstatt teure Hardware mit begrenzter Lebensdauer zu kaufen. Cloud-, Hard- und Softwareanbieter erkennen jedoch, dass diese Technologieplattformen für Ingenieure und Wissenschaftler oft schwierig einzurichten und in ihren Entwicklungsabläufen zu nutzen ist.

5. Edge-Computing:
Edge-Computing wird KI-Anwendungen in Szenarien ermöglichen, in denen die Verarbeitung lokal erfolgen muss. Edge-Computing für leistungsstarke, immer komplexere KI-Lösungen in Echtzeit wird durch die Fortschritte bei Sensoren und energiesparenden Computerarchitekturen möglich gemacht. Gerade für die Sicherheit in autonomen Fahrzeugen, die ihre Umgebung verstehen und davon ausgehend Verkehrssituationen in Echtzeit bewerten müssen, wird Edge-Computing von entscheidender Bedeutung sein.

6. Komplexität erfordert eine stärkere Zusammenarbeit :
Der zunehmende Einsatz von Machine- und Deep-Learning in komplexen Systemen wird viel mehr Mitarbeiter und eine stärkere Zusammenarbeit erfordern. Datenerhebung, -synthese und -kennzeichnung erhöhen den Umfang und die Komplexität von Deep-Learning-Projekten und erfordern größere, dezentralisierte Teams.
System- und Embedded-Ingenieure benötigen Flexibilität bei der Bereitstellung von Inferenzmodellen in Rechenzentren, Cloud-Plattformen und Embedded-Architekturen wie FPGAs, ASICs und Mikrocontrollern. Zusätzlich müssen sie über Fachwissen in den Bereichen Optimierung, Energiemanagement und Wiederverwendung von Komponenten verfügen. Ingenieure, die Inferenzmodelle entwickeln, müssen diese Informationen zusammenführen. Sie benötigen Werkzeuge, um die ständig wachsende Menge an Trainingsdaten zu bewerten und zu verwalten sowie für das Lifecycle-Management der Inferenzmodelle, die sie an Systemingenieure weitergeben.

Themen:

Medizinelektronik Stromversorgung