Nylig hadde vi et hackathon i Stavanger hvor vi utforsket mulighetene som ligger i Microsoft Fabric, med spesielt fokus på sanntidsdata.
I en verden hvor data er en av de mest verdifulle ressursene, er det avgjørende å ha verktøy som kan håndtere og analysere denne informasjonen effektivt. Microsoft Fabric ble lansert for et år siden og er en helhetlig plattform som integrerer ulike datatjenester. Bouvet har vært first explorer av den nye teknologien og allerede tatt i bruk Fabric med flere av våre kunder.
For å utforske nye bruksområder og mulighetene i plattformen arrangerte vi et hackathon med spesielt fokus på sanntidsdata i Fabric og hvordan dette kan forbedre helsetjenester.
34 konsulenter
6 lag
1 Tidewave-madrass proppet med sensorer.
Sammen fikk vi testet Real-Time Intelligence mulighetene i Microsoft Fabric og analyse av sensordata.
Dette var oppgaven
Det finnes ingen bedre måte å lære nye verktøy på enn å arbeide med data og utfordringer som har reell verdi. På dette hackathonet samarbeidet vi med Tidewave Medical. Tidewave Medical utvikler hjelpemidler for pasienter og brukere med nedsatt funksjonsevne. Et av produktene er Tidewave-madrassen. Madrassen snur pasienten automatisk og forebygger trykksår hos sengeliggende pasienter.
Tidewave-madrassen har flere sensorer som sender ut målinger på alt fra trykk, pumpehastighet og akselerometer i sanntid. Her er det masse muligheter for økt innsikt ved bruk av Microsoft Fabric!
Teknologi som ble brukt
Oppgaven ga også mulighet for å utnytte store deler av Microsoft Fabric. Tidewave-madrassen kobles til PC via USB, hvor en applikasjon viser frem sensorresultater i et grafisk grensesnitt. Denne applikasjonen ble utvidet til også å skrive dataene videre til en eventstream som gjør dem tilgjengelige i Real Time Intelligence (RTI) i Microsoft Fabric.
Fra eventstreamen ble dataene fra sensorene landet i et lakehouse. Siste steg var å tilgjengeliggjøre dataene for de forskjellige gruppene. Dette var en ypperlig mulighet til å teste ut ekstern datadeling i Microsoft Fabric.
Ekstern datadeling muliggjør å dele data på tvers av organisasjoner, fra OneLake til OneLake. Dette ble satt opp slik at hver gruppe hadde hver sin developer-konto tilgjengelig. Med dataene gjort tilgjengelige i sanntid og med alle tilganger tilgjengelige i developer-konto, hadde gruppene alle muligheter til å angripe problemstillingene til Tidewave.
Resultat:
Siden alle gruppene fikk samme datasett var det virkelig spennende å se hvordan de forskjellige resultatene ble, og hvordan orginalitet slo inn. Det er mye som gikk igjen i løsningene. De fleste valgte å legge data inn i et Fabric Lakehouse og gjøre transformeringer på data ved hjelp av Spark Notebooks, det som skjedde senere i pipelinene var det som gjorde forskjell på hvem som vant og ikke. Det ble brukt maskinlæring for å predikere hva personen gjorde, gitt diverse data hentet fra sengen. Noen utviklet også mer eller mindre ferdige løsninger som kunne bli tatt i bruk av sykepleiere for å forenkle deres arbeidshverdag.
Utviklerne i Bouvet har tatt Tidewave sin teknologi og bevist at den kan brukes på enda flere områder i helsesektoren - for å effektivisere arbeid, men også skape større trygghet for pasienter. For et inspirerende og lærerikt hackathon!
Andreas Smith, TidewaveBronse 🥉
Laget som kom på 3. plass ble begrunnet med at de var det eneste laget som hadde utforsket frekvensanalyse. Dette kan bli brukt til å se på uregelmessig aktivitet eller feil hos pasienten, for eksempel i hjertet. Det var den eneste gruppen som så på å bruke data til noe mer enn å styre sengen.
Sølv 🥈
Laget som kom på 2. plass var det laget som hadde mest datainnhenting ved å teste sengen vi hadde på lokasjonen. Det ble brukt mye tid på dette, og det var mye originalitet i datainnhentingen. Deretter ble det brukt mye tid på å utforske data for å se tydelige trender eller mønstre som oppstod ved gjentatte hendelser i sengen. De lagde også en rapport som kan hjelpe sykepleiere i jobben ved å ha en oversikt over pasientene og deres senger.
Gull 🥇
Laget som vant hadde både maskinlæring og et forslag til komplett løsningen. Løsningen brukte også data fra andre deler av helsetjenesten, og var ment som en løsning for å se hele pasienten og være til hjelp for sykepleiere. Maskinlæringen som ble gjort viste at det gikk an å finne mønstre og predikere hendelser i sengen, for eksempel ved å se om ein person lå i sengen eller om den var oppreist. Laget vant på grunn av komplett løsning og omfattende datautforskning.
