Predictive Maintenance für Medizingeräte

Ein Medizingerät fällt aus – und ein ganzer Krankenhausprozess gerät ins Stocken. Ein Scan wird abgesagt, eine Patientin oder ein Patient wartet, eine Technikerin oder ein Techniker sucht fieberhaft nach der Ursache. Jahrzehntelang war das der normale Ablauf der Medizintechnik-Wartung: Etwas fällt aus, jemand reagiert. Predictive Maintenance dreht diesen Vorgang um. Statt auf Störungen zu warten, sagt sie diese voraus. Eine Idee, die in Luftfahrt und Industrie längst Standard ist und nun auch im klinischen Alltag ankommt.

Predictive Maintenance (PdM) nutzt KI, maschinelles Lernen und Echtzeit-Datenanalyse, um Geräteausfälle vorherzusehen, bevor sie eintreten. Anders als die klassische vorbeugende Wartung, die einem festen Zeitplan folgt, setzt PdM auf eine kontinuierliche Überwachung, um frühe Anzeichen von Verschleiß und Fehlfunktionen zu erkennen. Die folgende Übersicht stellt die drei Ansätze gegenüber.

Die meisten Predictive-Maintenance-Systeme beruhen auf vier Schritten:

• Echtzeit-Datenerfassung: Sensoren erfassen Parameter wie Temperatur, Druck, Vibration und elektrische Leistung.
• KI-gestützte Analyse: Machine-Learning-Modelle analysieren historische und aktuelle Daten, um Muster zu erkennen, die einem Defekt vorausgehen.
• Ausfallprognose und Alarme: Das System meldet Unregelmäßigkeiten – und kann automatisch ein Serviceticket eröffnen –, noch bevor eine Störung eintritt.
• Proaktive Wartung: Technikerinnen und Techniker warten Geräte nur, wenn es tatsächlich nötig ist, und planen ihren Einsatz, statt zu einem Notfall zu eilen.

Damit das System Ausfälle vorhersagen kann, lernt es aus Erfahrung. Es erhält historische Daten, von denen bekannt ist, wann ein Gerät ausgefallen ist, und lernt so, typische Warnsignale zu erkennen. Darüber hinaus achtet es eigenständig auf alles Ungewöhnliche, sodass es auch seltene Probleme erfassen kann, zu denen kaum Vergangenheitsdaten vorliegen. Möglich wird dies durch vernetzte Geräte, die kontinuierlich ihre Betriebsdaten an eine zentrale Auswertungsstelle senden. Und da sich das gesamte System mit der ohnehin genutzten Wartungssoftware eines Krankenhauses verknüpfen lässt, landen die Alarme genau dort, wo das technische Team ohnehin arbeitet.

Die zugrunde liegenden Predictive-Maintenance-Verfahren reichen von einfachen Schwellenwertalarmen bis zu Machine-Learning-Modellen, die das normale Verhalten eines Geräts erlernen. Als Predictive-Maintenance-Werkzeuge dienen dabei die vernetzten Sensoren und die zentrale Analyseplattform, die all das erst möglich machen.

Die Wirtschaftlichkeit spricht für sich. Wie viel ein Geräteausfall bedeuten kann, zeigt sich am Beispiel der Magnetresonanztomographie (MRT): Marktforschende fanden heraus, dass ein durchschnittlicher US-Standort für Bildgebung monatlich rund 380 MRT-Scans durchführt – fällt das Gerät nur für einen einzigen Tag unerwartet aus, müssen schnell 15 oder mehr Scans abgesagt werden. Das bedeutet einen Verlust von über 41.000 US-Dollar und, schwerwiegender, verzögerte Diagnosen für Patientinnen und Patienten.

Genau hier setzt Predictive Maintenance an. Der Medizintechnikhersteller GE HealthCare, bietet zum Beispiel mit „OnWatch Predict“ eine Lösung an, die für jede vernetzte MRT-Anlage einen „digitalen Zwilling“ erstellt – ein virtuelles Abbild, das den Zustand des Geräts kontinuierlich in Echtzeit überwacht. Dieses Prinzip stammt ursprünglich aus der Luftfahrt. Laut Hersteller erhöhte sich dadurch die Verfügbarkeit der Geräte um rund 2,5 Tage pro Jahr, ungeplante Ausfallzeiten sanken um bis zu 60 Prozent, und kundenseitig ausgelöste Serviceanfragen gingen um bis zu 35 Prozent zurück – wobei die Ergebnisse je nach Standort variieren. Weitere große Hersteller wie Siemens Healthineers bieten mit ihrem Guardian Program vergleichbare Systeme für diagnostische Geräte an.

Predictive Maintenance ist kein Alles-oder-nichts-Umstieg. Es hilft, sie sich als dreistufiges Reifegradmodell vorzustellen:

• Stufe I – Feste Intervalle: Wartung in festen Intervallen; das Team arbeitet reaktiv.
• Stufe II – Zustandsüberwachung: Vergangene und aktuelle Gerätedaten werden automatisch ausgewertet, sodass Technikerinnen und Techniker informiert anreisen. Erfordert Konnektivität und solides Datenmanagement.
• Stufe III – Zustandsüberwachung plus Prognose: Die Analyse wird mit einer Prognose kombiniert; über das IoMT fließen zukünftige Nutzungsdaten aus Planungs- oder Krankenhaussystemen ein, was eine proaktive Wartung ermöglicht.

Sowohl aus der Praxis als auch aus der Forschung lautet der Rat, klein anzufangen: Ein Workflow wird zunächst an einer kleinen, kritischen Gerätegruppe erprobt, um einen schnellen Return on Investment nachzuweisen, bevor er schrittweise ausgeweitet wird. Dabei sollte gerätespezifisch definiert werden, was „Ausfall“ bedeutet, und biomedizinisches sowie klinisches Personal sollte eingebunden bleiben, um Alarme im jeweiligen Kontext zu interpretieren.

Ein Plug-and-Play-Wunder ist das jedoch nicht. Der Wandel hin zu datengetriebener Arbeit erfordert neue Kompetenzen wie Data Science und die Pflege der Modelle. In Europa müssen Systeme MDR und DSGVO einhalten, und Integration, Cybersicherheit sowie die Akzeptanz beim Personal erfordern Aufwand. Auch Prognosen sind nie perfekt, weshalb menschliche Aufsicht und regelmäßige manuelle Kontrollen fester Bestandteil eines soliden Ansatzes bleiben.

Der Fokus in der Medizintechnik-Wartung verschiebt sich von der Reparatur hin zur Vorhersage. Durch die Kombination aus vernetzten Geräten, KI-Analytik und Cloud-Plattformen können Teams Ausfälle frühzeitig erkennen, Serviceeinsätze planen statt Brände zu löschen, und kritische Geräte verfügbar halten, wenn Patientinnen und Patienten sie benötigen. Ein praktischer Hebel für zwei Dinge, die im Alltag zählen: weniger Ausfallzeiten und höhere Patientensicherheit.