对医院而言,每个医患信息都可能关系到患者的生命。在迈向以信息网络为基础的智慧医疗进程中,构建一个承载着生命信息的安全可靠的网络平台,显得尤为重要。为了确保网络的高可靠性、可拓展性和演进性,复旦大学附属肿瘤医院采用锐捷网络提供的Newton (牛顿)18000系列和RG-S8600E系列新一代云架构网络核心交换机,构建强大可靠的数据中心网络,确保数字化医疗业务7*24小时高效运转,为智慧医疗打下坚实的基础。
构建高可靠网络 不让患者看“网络的脸色”
复旦大学附属肿瘤医院(以下简称“肿瘤医院”)是国家卫生和计划生育委员会预算管理单位,是复旦大学附属医院和上海市红十字会医院,是一所集医疗、教学、科研、预防为一体的三级甲等肿瘤专科医院,其前身是中比镭锭治疗院,于1931年3月1日正式成立,是中国成立最早的肿瘤专科医院。2015年门急诊量121.3万人次,住院5.64万人次,手术3.44万人次,连年跻身全国医院排行榜百强。
肿瘤医院通过多年的信息化建设已经建成各类医疗IT系统,包括HIS系统、电子病历系统、LIS、RIS、PACS系统等。经过多年的信息数据积累,在医院信息系统中存储了大量的临床科研所需的患者诊疗信息,这些信息分布在电子病历、收费、医嘱、药品、检验、RIS/PACS、手术麻醉、病理等信息系统中,并在“数据利用”等方面开展研究,其信息化应用水平走在行业前列。
然而,肿瘤医院的网络基础平台使用周期已超过5年,不仅存在设备老旧和失效风险,同时在核心网络设备性能和网络协议管理上也存在一些技术问题,核心网络、数据中心服务器接入、各类终端接入层面都需要重新进行规划。为此,医院信息中心明确提出:“将确保网络的可靠性和稳定性排在第一位,不能让患者看‘网络的脸色’,同时兼顾网络平台的扩展和开放性、支持应用创新和简化运维的升级目标。”
“核心扁平化” 高可靠性是“第一目标”
根据各大网络厂商送交整体解决方案的综合比对,并对相关网络设备参数进行测试后,肿瘤医院最终选择了锐捷网络提供的“核心扁平化”方案,同时确定利用锐捷RG-N18000、锐捷RG-S8600E交换机对核心区域进行全面改造。
作为“第一目标”,锐捷“核心扁平化”方案在网络可靠性方面体现出两大优势,一个是设备层的可靠性,另一个是网络层的可靠性。
在设备可靠性方面,除了传统主控冗余,电源风扇冗余等外,交换网板卡也能做到冗余备份。不仅如此,锐捷RG-N18000和RG-S8600E交换机还支持电压监控、智能温控、风扇调速等,各种精细化的可靠性设计,物料选型选用业界顶级元器件,并设定十年以上工作寿命指标,从选型、设计、测试上能够确保设备即使在恶劣的环境中或极端条件下(例如高温、潮湿、灰尘颗粒多等)也能长时间保障不间断运行。
在网络层可靠性方面,利用扁平化无环网络结构,打造了“最让用户放心”的高可靠网络。首先,在核心、关键区域汇聚均通过虚拟化(VSU)技术实现二虚一,保障稳定性。其次,利用链路冗余的技术实现了聚合端口,摒弃了传统复杂、脆弱的生成树技术,通过虚拟化、聚合、BFD等技术确保即使发生设备或链路故障,将收敛时间控制在50MS以内,业务层面不会受到任何影响。
针对上述方案,锐捷网络的工程师还结合医院现有业务系统,将院方现有的医院内网和PACS网合并为一套网络,并设计了三步割接的具体实施方案,确保上线过程实现了“零差错”的成绩。
面向未来智慧医疗 “牛顿”助力精品网络
本次网络升级方案“十分周到”,兼顾了无线医护、软件定义网络(SDN)和IT运维管理等方面的需求。首先,锐捷RG-N18000交换机支持有线、无线统一融合方案,其针对无线网特色设计的大容量ARP、噪声过滤、集中认证/无感知特性等,为更多无线应用提供承载保障。其次,肿瘤医院本次选购的网络交换机全面支持SDN,在业务可视化、多网融合、智慧运维、大数据医疗探索等提供了开放共享的平台。
肿瘤医院相关技术负责人表示,这次升级我们采用了大量的虚拟化技术,锐捷牛顿交换机支持横向、纵向全能虚拟化,将需要管理网络节点数量大幅降低。同时,我们在“极简网络”建设方面也不谋而合,选用了扁平化的组网方案,并利用锐捷的RIIL运维系统实现网络管理的可视化,将网络可靠性管理、业务持续运行服务能力进一步提升。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。