- Detalles
- Categoría: Twinn Witness
- Visto: 6574
Han pasado 9 años desde que Lanner comenzó su apoyo a la Liverpool School of Tropical Medicine (LSTM), brindando acceso al software de simulación predictiva, WITNESS, para modelar las vías del paciente durante el diagnóstico de la Tuberculosis (TB) en países con ingresos bajos y medios. Trabajando con algunos de los científicos investigadores, líderes en TB y nuevas tecnologías de diagnóstico innovadoras, el equipo de investigación de LSTM ha construido y utilizado modelos en muchos países del mundo, incluyendo Tanzania, Etiopía, Sudáfrica, Brasil, Nepal y Filipinas.
Los modelos iniciales desarrollados para Tanzania demostraron cómo las nuevas tecnologías de diagnóstico utilizadas en un algoritmo de diagnóstico apropiado podrían aumentar la detección de TB de forma rentable [1]. Se demostró que estos resultados eran sólidos en Etiopía y Sudáfrica [2, 3], pero cuando se modelaron algoritmos similares en Filipinas, se demostró que era poco probable que la misma tecnología aumentara la detección de la TB sensible a los medicamentos. Sin embargo, es importante destacar que la detección de la TB resistente a múltiples fármacos se mejoraría sustancialmente y justificaría la implementación de las nuevas herramientas por sí misma.
Pacientes haciendo cola para el tratamiento de la TB-MDR en Filipinas
En Filipinas los modelos se ampliaron para ver el acceso a los pacientes para el diagnóstico y el impacto en los costes incurridos por los pacientes. Estas ejecuciones del modelo mostraron que uno de los beneficios clave para los pacientes en Filipinas sería la reducción de costes gracias al decremento de viajes y la reducción de la pérdida de ingresos. Una parte clave del proyecto en Filipinas fue crear la capacidad para utilizar modelos, lo que se ha logrado con éxito a través de programas de capacitación y nuevos fondos.
Al inicio del desarrollo de los modelos de WITNESS, se decidió vincular los modelos de simulación con los modelos de transmisión para comprender cómo estas nuevas tecnologías podrían afectar la transmisión de la enfermedad. En Tanzania, los modelos revelaron que el impacto fue pequeño, ya que la mayoría de los pacientes ya habrían infectado a amigos cercanos y familiares para cuando solicitaron el tratamiento.
Con esto y con la nueva estrategia "End-TB" de la Organización Mundial de la Salud (OMS), ahora existe un nuevo enfoque en los modelos de TB creados en WITNESS. El objetivo es observar estrategias de detección de casos activos para la TB, para que los pacientes puedan ser diagnosticados antes y, por lo tanto, recibir el tratamiento adecuado antes, reduciendo el riesgo de transmisión. Actualmente se están desarrollando nuevos modelos para ver esto en Filipinas y Nepal.
El modelo de WITNESS de las vías del paciente en Filipinas
Los últimos 9 años han mostrado cómo los modelos WITNESS aplicados a proyectos de salud en países de ingresos bajos y medios pueden llevar a intervenciones que mejoren la sociedad al ayudar a los países y organizaciones mundiales a desarrollar estrategias que aumenten la detección de enfermedades infecciosas mortales, como la tuberculosis, mientras que, al mismo tiempo, se reduce la carga para los individuos a través de la reducción de los costes del paciente y la menor transmisión.
- [1].Langley I, Lin H-H, Egwaga S, et al. (2014). Assessment of the patient, health system, and population effects of Xpert MTB/RIF and alternative diagnostics for tuberculosis in Tanzania: an integrated modelling approach. Lancet. Glob. Heal. 2014;2(10):e581-91. doi:10.1016/S2214-109X(14)70291-8.
- [2].Tesfaye A, Fiseha D, Assefa D, Klinkenberg E, Balanco S, Langley I. (2017). Modeling the patient and health system impacts of alternative Xpert® MTB/RIF algorithms for the diagnosis of pulmonary tuberculosis in Addis Ababa, Ethiopia. BMC Infect Dis. 2017 May 2;17(1):318. doi: 10.1186/s12879-017-2417-6.
- [3].Dunbar R, Naidoo P, Beyers N, Langley I. (2017). High laboratory cost predicted per tuberculosis case diagnosed with increased case finding without a triage strategy. Int J Tuberc Lung Dis. 2017 Sep 1;21(9):1026-1034. doi: 10.5588/ijtld.17.0156.
- Detalles
- Categoría: Twinn Witness
- Visto: 5577
La versión 22.5 ha sido diseñada para hacer más ágil y conectada la modelización. Horizon 22.5 pone un puente entre los modelos y las fuentes de datos de la empresa, permitiendo que los datos en tiempo real puedan ser accedidos por las ablas de datos de WITNESS, durante las simulaciones.
Conectividad de gemelos digitales
Los gemelos digitales predictivos facilitan la agregación, visualización y experimentación con datos de negocio para realizar mejores planes de inversión, agendas de recursos y decisiones operacionales. Con WITNESS Horizon 22.5 ahora es más fácil que nunca enlazar el modelo de simulación de gemelo digital a los datos de empresa en tiempo real. Se puede obtener una valiosa información y penetración mediante la ejecución de una copia de las operaciones de la vida real y probar escenarios de decisión con simples ediciones de datos, evaluando alternativas fácilmente.
Conectividad y edición de tablas de datos
Lanner ha mejorado el elemento de Tabla de Datos de WITNESS, permitiendo conexiones realizadas con cualquier fuente SQL tanto para datos de entrada como de salida. Pueden escribirse directamente sentencias SQL personalizadas dentro de la conexión de Tabla de datos para manipular los datos desde el formato bruto almacenado externalmente.
Adicionalmente, WITNESS Horizon 22.5 permite a los usuarios manipular el contenido de sus tablas de datos directamente en el entorno de modelado. Las Tablas de datos (Data Tables) ahora permiten que sus contenidos sean visualizados y editados directamente dentro de WITNESS Horizon a través del uso de la nueva opción Edit Data en el menú contextual para Tablas de datos.
Informes de mantenimiento predictivo
Lanner ha añadido un nivel de detalle en los informes estadísticos para el elemento Máquina/Actividad de WITNESS, de forma que se puede distinguir entre el tiempo empleado tomando acciones correctivas como parte de un programa de Mantenimiento Predictivo, y el tiempo realmente empleado en una avería. Las estadísticas están disponibles para cada avería/reparación individual. Este detalle extra está también disponible para cualquier estadística reportada para ciclos individuales o tareas de máquinas multi-ciclo (Multi-Task Activities) y Ajustes individuales.
- Detalles
- Categoría: Twinn Witness
- Visto: 6659
Por Mandy Tague
Hoy en día se habla de la Industria 4.0 en todas partes. Si tiene preguntas, inquietudes o temores sobre cómo comenzar su viaje a la transformación digital y cómo tener éxito, no está solo. El 75% de los encuestados en el Informe Anual de Manufactura 2017 dijo que no comprendía las implicaciones de la Industria 4.0. Esta incertidumbre se menciona como una de las razones principales por las que algunas empresas son reacias a comprometerse completamente a avanzar en las iniciativas de la Industria 4.0.
A continuación, se describen los 6 pasos para que la industria 4.0 sea un éxito, a tener en cuenta a medida que se empieza el viaje a la transformación digital.
1. Crear un gemelo digital
Un gemelo digital es una réplica de sus activos o procesos. Entendiendo realmente, en primer lugar, su estado actual, estará en una posición de partida mejor para formular y luego responder las preguntas de negocio correctas.
2. Utilice el gemelo digital para impulsar el compromiso de la dirección de alto nivel
La transformación total que está detrás de las iniciativas de Industria 4.0 requiere la involucración completa de gerencia. Las partes interesadas clave deberían participar incluso antes de que se cree el gemelo digital. La naturaleza visual del gemelo es una manera potente de ayudar a todas las partes interesadas a comprender la compleja dinámica de sus operaciones integrales. Un compromiso temprano ayuda a reducir el vértigo que a menudo se produce con un cambio importante.
3. Use el gemelo digital para hacer las preguntas correctas y establecer metas claras
La administración tiende a lanzar recursos a un problema durante una crisis sin una comprensión completa de la complejidad o el contexto de ese problema. El gemelo digital permite una comprensión de alto nivel de cómo se comportan los procesos en diferentes escenarios. Este campo de pruebas virtual permite establecer objetivos realistas desde el principio.
4. Probar y priorizar las opciones de implementación de Industria 4.0
Ahora se encuentra en una posición en la que puede concentrarse en las etapas del proceso y las tecnologías que se prevé tendrán un impacto máximo en el rendimiento empresarial. Es posible que desee considerar crear un gemelo digital más detallado de sus procesos para que pueda probar y experimentar con diferentes inversiones de la tecnología que esté considerando. Esto le permitirá proceder a la implementación con confianza.
5. Desarrollar habilidades, adquirir tecnologías apropiadas e implementar las tecnologías
Con sus inversiones en tecnología priorizadas, ahora debe asegurarse de contar con las habilidades y capacidades apropiadas antes de proceder a la implementación. Esto puede hacerse a través de adquisición o formación y desarrollo. A medida que avanza en la implementación, el gemelo digital se debe utilizar para rastrear el valor entregado en comparación con los objetivos y metas establecidos anteriormente. Esto mantendrá la implementación en curso y maximizará los retornos de forma continua.
6. Pasar de la mejora continua a la innovación continua
El viaje a la Industria 4.0 no tiene fin, dado su objetivo de mejorar continuamente la agilidad operativa. Las técnicas tradicionales de mejora continua se basan en datos históricos y análisis de procesos tradicionales. En cambio, las empresas deben anticipar los diferenciadores de rendimiento innovadores del mañana y actuar antes que los demás. Esta es la era de la innovación continua.
Para obtener una guía más detallada y una discusión sobre los desafíos que enfrentan quienes inician su recorrido a la Industria 4.0, descargue el documento ejecutivo de Lanner 'Industry 4.0: Using Simulation and the Predictive Digital Twin to Support Success Transformation Digital' por el COO Andrew Aitken.
- Detalles
- Categoría: Twinn Witness
- Visto: 8476
Lanner ha trabajado intensamente para mejorar la estabilidad del núcleo y la velocidad de ejecución de WITNESS Horizon en esta última versión. El software también se ha mejorado para soportar Ford en una parte del Proyecto financiada por The Digital Engineering & Test Centre (DETC), incrementando en gran medida la eficiencia (y reduciendo el ciclo de principio a fin) de ejecución de los proyectos de simulación. Ford presentó su trabajo en la reciente Conferencia sobre Simulación Predictiva.
Se ha actualizado el informe de uso de números aleatorios (Random Number Usage) para indicar si los flujos de datos han sido muestreados suficientemente para proporcionar una cobertura fiable del rango aleatorio. Esto ayudará a determinar si un escenario ha estado corriendo suficientemente para obtener resultados fiables.
Se han comprobado algunas condiciones de uso para cada flujo de datos aleatorioa que es muestreada y si falla el flujo/subflujo es destacado en el informe con un mensaje de advertencia. Cada flujo/subflujo se comprueba según tres criterios:
- Cada celda 0.1 del rango de muestreo entre 0 y 1 debe tener al menos una entrada – esto es consistente independientemente de qué distribución sea referenciada con el valor muestreado
- No más de 2 celdas de las 10 posibles puede tener menos de 5 entradas
- Las 10 celdas deben aproximarse a una dispersion Uniforme, calculada mediante un test Chi-Cuadrado y verificando que el P valor es mayor que 5%
También se ha mejorado la velocidad de ejecución para modelos con un gran número de elementos, y se han expuesto propiedades y métodos adicionales del modelo a través del API de WITNESS.
En esta versión se han incluido un gran número de soluciones a problemas del software, con un enfoque en los errores de alta prioridad como caídas e inconsistencias de funcionalidad. Esto incluye mejoras a la consistencia de movimientos de partes y trabajadores en caminos y pseudo-caminos, uso de memoria en grandes redes de caminos y numerosas soluciones a problemas que aparecían cuando se coincidían extrañas combinaciones de circunstancias.