ICU向け非接触型サーマルIoMTシステムの実運用評価：リアルタイム監視とデータガバナンス

10月 14, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Real-World Deployment and Operational Evaluation of an On-Premise Thermal IoMT System in an Intensive Care Unit
Journal of Medical Systems｜被引用数: 0（2026年10月14日時点）

本研究は、集中治療室（ICU）における熱画像Internet of Medical Things（IoMT）システムの実際の導入と運用評価に焦点を当てています。これは、実験的な熱画像プロトタイプと病院環境で完全に運用可能なシステムとの間のギャップに対処するものであり、既存の病院ITガバナンスのもとで継続的な非接触監視が可能であることを実証しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の病院ITガバナンス下でICUでの実運用が可能であることを技術的・運用的に実証。
Ethical倫理面	低解像度熱画像とローカル保存により対象者のプライバシーを保護し、倫理的承認を得て実施。
Interesting面白さ	制御された実験環境ではなく、実際の集中治療室でのIoMTシステムの実装と運用評価を実施。
Novel新規性	実世界の病院環境における分散型熱画像IoMTシステムの初の運用評価を提供。
Relevant切実さ	集中治療室の連続監視に非侵襲的アプローチを提供し、医療現場のデジタル化に貢献。
Measurable測定可能性	エンドツーエンドのレイテンシー、スループット、システム可用性などの客観的な運用指標で評価。
Modifiable派生・改善	アーキテクチャ最適化によりレイテンシーを99.52%削減し、将来の拡張性も確保。
Structured文章構造	取得、伝送、保存、視覚化の4層アーキテクチャで構成され、データフローが明確に定義。
PICO / PECO対象・介入・比較・結果	P: 重症対象者、I: 非接触型熱画像IoMTシステム、C: 従来の接触型監視と比較、O: システム運用性能。

はじめに – 集中治療室の新たな監視アプローチ

どうも、Beyond the Pixelです。集中治療室（ICU）における継続的な監視は、重篤な状態にある対象者の生理学的悪化を早期に発見し、タイムリーな介入を可能にする上で極めて重要です。従来の接触型センサーを用いた監視システムは貴重な情報を提供しますが、その多くは特定の時点での測定に重点を置き、表面レベルの生理学的パターンや空間的な情報までは捉えきれません。末梢灌流、局所的な炎症、体温分布に関する継続的な情報は、標準的な監視を超えた補完的な情報を提供しうる可能性があります。非接触型のセンシング技術、特に赤外線サーモグラフィは、対象者にセンサーを取り付けることなく、表面の熱情報を遠隔で取得できるため、技術的な侵入を減らしたい医療環境において注目を集めています。しかし、これまでの研究のほとんどは、制御された実験環境や小規模なプロトタイプに限られており、実際の臨床現場での検証は不足していました。本研究は、このギャップを埋めることを目指し、実際の集中治療室において、スケーラブルで低コストなオンプレミス（自社施設内での運用）のサーマルInternet of Medical Things（IoMT: 医療IoT）システムの設計、導入、および運用評価を行うことを目的としています。

システムの設計と導入 – 病院IT環境での挑戦

この研究で導入されたシステムは、スケーラブルで低コスト、そして既存の病院ITインフラと互換性があるように設計されました。システムは、取得、伝送、保存と処理、視覚化の4つの機能層で構成されています。集中治療室には、最大13床に対応できるよう設計された分散型ネットワークの一部として、7台の熱画像取得ノードが設置されました。各取得ノードは、低コストの「Raspberry Pi 4B（ラズベリーパイ4B: 低コストで小型のシングルボードコンピューター）」に、256×192ピクセルの「放射測定赤外線カメラ（熱放射量を測定できる赤外線カメラ）」を接続して構成されています。ノードは自律的に動作し、1秒あたり1枚の画像をキャプチャするよう設定され、画像にはタイムスタンプと、中心・最大・最小・平均温度値などの技術的なメタデータ（データに関するデータ）が付加されます。取得された画像は、病院の既存Wi-Fiネットワークを介して、ローカルサーバーに送信され、保存、インデックス作成（検索効率を高めるための目次作成）、ほぼリアルタイムでの視覚化が可能となります。画像とメタデータの保存には「ハイブリッド永続化戦略（データ型に応じて異なるストレージを使い分けるデータ保存方法）」が採用され、熱画像は階層型ファイルシステムに、メタデータはPostgreSQLデータベースに保存されます。視覚化層は、病院内の承認された環境からのみアクセス可能なウェブベースのダッシュボードで構成されています。このシステムの全体的なアーキテクチャは

**Figure 1.** Fig. 1 Conceptual architecture of the on-premise thermal IoMT system deployed in the intensive care unit解説: この図は、集中治療室に導入されたオンプレミス型サーマルIoMTシステムの概念的なアーキテクチャを示しています。熱画像が取得ノード、オンプレミスサーバー、画像ストレージを経て、将来的な処理へと流れる様子が示されています。

に示されており、実際に集中治療室に設置された熱画像取得ノードは

**Figure 2.** Fig. 2 Thermal acquisition node installed in the intensive care unit environment解説: この図は、集中治療室の環境に設置された熱画像取得ノードの外観と設置例を示しています。部屋の様子と、壁に取り付けられた小型のデバイスが拡大して表示されています。

で確認できます。システムの技術的特性の概要は

**Table 1.** Table 1 Technical characteristics of the deployed thermal monitoring system Parameter Description System type Distributed environmental thermal monitoring system Deployment environment Intensive care unit Active nodes 7 nodes, scalable to 13 beds Acquisition device Raspberry Pi 4B Thermal sensor Radiometric infrared camera Thermal resolution 256 × 192 pixels Capture frequency 1 image per second per node Network Hospital Wi-Fi managed by the information technology department Transmission HTTP over local hospital network Backend On-premise server Image storage Hierarchical file system Metadata management PostgreSQL database Visualization Local web dashboard Structured evaluation dataset 5,763,312 thermal images Storage volume Approximately 1.47 TB解説: この表は、導入された熱監視システムの主要な技術的特性を一覧で示しています。システムの種類、導入環境、アクティブノード数、取得デバイス、熱センサーの解像度、キャプチャ頻度、ネットワーク、伝送方法、バックエンド、画像およびメタデータストレージ、視覚化、構造化評価データセット、およびストレージ容量などの項目が含まれています。

にまとめられています。
データガバナンスと倫理に関して、このシステムは「データ最小化（必要なデータのみ収集・保持）」と「プライバシーバイデザイン（設計段階からプライバシー保護を組み込む）」の原則に基づいて設計されました。熱画像は光学的な顔の特徴、音声、直接的な対象者識別子を含まない低解像度の表面熱マップです。データは病院インフラ内にローカルに保存され、外部のクラウドプラットフォームには転送されません。画像取得は、インフォームドコンセント（十分な説明と同意）と、権限を持つ専門家によるシステムのアクティブ化が条件とされました。この研究は、ヘルシンキ宣言に準拠し、研究倫理委員会によって承認されています。

運用評価とレイテンシーの劇的な改善

システムの性能は、「エンドツーエンドのレイテンシー（データがシステム内のある地点から別の地点へ移動するまでにかかる時間）」、「スループット（ある期間内にシステムが処理できるデータ量）」、「可用性（システムが利用可能である時間の割合）」、および接続インシデントなどの運用指標を用いて評価されました。初期導入段階では、同期的な画像伝送とキューの蓄積により、平均レイテンシーは26,344ミリ秒と非常に高い値を示しました。これは、画像が伝送キューに徐々に蓄積され、ほぼリアルタイムの視覚化に大幅な遅延が生じていることを示していました。この問題に対処するため、複数のアーキテクチャ上の最適化が導入されました。主な変更点としては、受信と永続化（データの保存）の分離、視覚化のために最新画像を優先する処理、キュー管理の改善、および取得・伝送パラメータの調整が含まれます。これらの最適化後、平均レイテンシーはわずか126ミリ秒へと大幅に減少しました。これは、初期のレイテンシーから99.52%の削減に相当します。中央値は117ミリ秒、95パーセンタイル値でも207ミリ秒と、大幅な改善が見られました。この改善は、レイテンシーの平均値だけでなく、上位のパーセンタイル値にも影響を及ぼし、システムの長期的な安定性と持続的な負荷下での性能向上を示しています。このアーキテクチャ最適化前後のエンドツーエンドレイテンシーの推移は

**Figure 3.** Fig. 3 Temporal evolution of end-to-end latency before and after architectural optimization解説: この図は、アーキテクチャ最適化前後のエンドツーエンドレイテンシーの時間経過を示しています。垂直の点線が最適化の開始を示しており、その後レイテンシーが大幅に減少していることが視覚的に確認できます。

に、累積分布関数は

**Figure 4.** Fig. 4 Cumulative distribution function of end-to-end latency before and after architectural optimization解説: この図は、アーキテクチャ最適化前後のエンドツーエンドレイテンシーの累積分布関数（CDF）を比較しています。最適化後にはレイテンシーが大幅に短縮され、グラフが左側に大きくシフトしていることがわかります。

に示されています。最適化により、数秒単位の遅延からサブ秒単位のパフォーマンスへと完全に移行し、ほぼリアルタイムのダッシュボード視覚化に対応可能になりました。

安定した運用と拡張性

最適化後、システムは7つのアクティブな取得ノードで10日間の継続的な構造化評価を受けました。この期間中、5,763,312枚の熱画像が記録され、約1.47テラバイト（TB）のデータが生成されました。これは、1日あたり約147ギガバイト（GB）のデータ量に相当します。集約された画像取得速度は毎秒6.67枚であり、これは1秒あたり1枚の画像を生成する7つのノードの目標値である毎秒7枚に非常に近い値でした。これは、実際の集中治療室の運用条件下で、システムがほぼ完全な画像取得能力を維持したことを示しています。レイテンシーの分布は、構造化評価期間中も安定していました。蓄積された画像の数が増加しても、中央値および95パーセンタイル値に進行性の悪化は見られませんでした。これは、ファイルシステムによる画像保存とデータベースによるメタデータインデックス作成を組み合わせたハイブリッド永続化モデルが、数百万枚の画像を扱う継続的な運用に適していることを示唆しています。構造化評価期間中のレイテンシーの累積分布関数は

**Figure 5.** Fig. 5 Cumulative distribution function of end-to-end latency during the structured 10-day evaluation period解説: この図は、構造化された10日間の評価期間中におけるエンドツーエンドレイテンシーの累積分布関数（CDF）を示しています。レイテンシーの中央値、95パーセンタイル値、99パーセンタイル値が線で示されています。

で確認できます。
運用安定性に関して、10日間の構造化評価期間中の実質的なシステム可用性は95.29%に達しました。検出された主なインシデントは、一時的なワイヤレス接続の喪失またはローカルノードの中断に関連するものでした。合計44件のWi-Fiインターフェースの切断または再接続イベントが検出され、これらのイベントの累積持続時間は106,218秒でした。特筆すべきは、これらのインシデントが中央サーバーやストレージインフラの進行性の劣化とは関連していなかったことです。データ蓄積とサーバー性能について、1.47TBの画像データが蓄積されましたが、サーバーのリソース使用率は期間中ずっと低く保たれました。平均CPU使用率は0.66%、平均RAM使用率は6.93%でした。これらの値は、画像受信、保存、インデックス作成、およびダッシュボード視覚化が中央サーバーの能力を大幅に下回っていたことを示しています。ストレージの増加中にレイテンシーの進行性の劣化が見られなかったことから、このアーキテクチャが複数のノードと数百万枚の画像を用いた継続的な運用を、中央インフラの即座の飽和なくサポートできることが示唆されます。レイテンシーの安定性と累積データ増加の関係は

**Figure 6.** Fig. 6 Temporal evolution of latency and accumulated image volume during continuous system operation解説: この図は、連続的なシステム運用におけるレイテンシーの安定性と蓄積された画像量の関係を時間経過で示しています。蓄積画像量が線形に増加する一方で、レイテンシーの中央値と95パーセンタイル値が安定していることがわかります。

で詳しく見ることができます。これらの結果は、システムを7つのアクティブノードから集中治療室の全床数へと拡張する実現可能性を裏付けています。

この研究が示す意味と今後の展望

この研究は、実際の集中治療室において、既存の病院情報技術ガバナンス（情報技術を適切に管理・統制するための枠組み）のもとで、分散型サーマルIoMTシステムを導入し運用できることを実証しました。本研究の主要な貢献は、新しい熱センサーの導入ではなく、継続的な画像取得、ローカルストレージ、ほぼリアルタイムの視覚化、および病院環境内でのスケーラブルな運用が可能な完全なセンシングインフラの運用実証にあります。最適化後、システムは平均レイテンシーを20秒以上から約117ミリ秒へと劇的に改善させ、遅延のある取得プラットフォームからほぼリアルタイムの監視インフラへと変貌しました。この改善は、センサーハードウェアの交換ではなく、データフロー設計、キュー管理、および取得、伝送、永続化、視覚化の分離といったアーキテクチャ上の変更によって達成されたもので、設計の重要性を強調しています。
システムは10日間の構造化評価期間中も安定した運用を維持し、中央サーバーの飽和の兆候なく570万枚以上の画像を生成・保存しました。CPUおよびメモリ使用率は低く保たれ、データセットの増加に伴うレイテンシーの進行性の悪化は見られませんでした。これは、生画像を階層型ファイルシステムに保存し、メタデータをリレーショナルデータベースでインデックス化する「ハイブリッド永続化戦略」の有効性を裏付けています。運用上の主要なインシデントが中央バックエンドの障害ではなく、ワイヤレス接続の不安定性やローカルノードの中断に関連していたことは、病院環境の現実と一致しています。このような環境では、研究システムは既存のネットワークポリシー、変動するトラフィック、計画的なインフラメンテナンス、セキュリティ制限と共存する必要があるため、研究チームが完全に制御できない条件に適応することが求められます。
医療システム開発の観点からは、本導入は、当初からガバナンス上の制約を考慮してIoMTインフラを設計することの重要性を浮き彫りにしています。データ保護要件、ローカルストレージ、アクセス制御、および組織的な監視は、二次的な管理問題ではなく、構造的な設計の推進要因となりました。オンプレミスアーキテクチャの採用により、データのローカル制御が可能となり、機密性の高い臨床環境では承認が難しい可能性のある外部クラウドサービスへの依存を回避できました。さらに、このシステムでは、低解像度の放射測定熱センサーが識別に必要な光学的な顔の特徴を捉えないため、「非識別性（特定の個人を特定できない性質）」が取得モダリティ自体の構造的な特性となっています。この研究で提示されたシステムは、現時点では臨床意思決定支援ツールというよりも、基礎的なインフラとして解釈されるべきです。承認された研究プロトコルでは、この研究は技術的実現可能性、信頼性、およびガバナンス遵守を確立する第一段階であり、将来的な臨床的有用性評価のための前提条件と位置づけられています。

本研究の限界と今後の展望
本研究は単一施設での導入であり、結果は病院のネットワークインフラ、セキュリティポリシー、ICUのレイアウトによって異なる可能性があります。また、使用されたハードウェア構成（Raspberry Pi 4B取得ノードと低コストの256×192放射測定熱センサー）に固有の結果であるため、他の組み込みプラットフォームや熱カメラでは性能が異なる可能性があります。このシステムは参照生理学的測定値に対して臨床的に検証されておらず、現在の研究から診断的または予後的（病気の経過予測）な主張はできません。評価期間は、システムの安定化後の運用実現可能性を評価するのに十分でしたが、長期的な多施設検証に代わるものではありません。同様に、全13床へのスケーラビリティは、7つのアクティブノードで観察された運用傾向から予測されたものであり、全容量での実際の性能は経験的に検証される必要があります。また、このシステムは製品化前の研究インフラであり、医療機器としての認証は受けていません。セキュリティ面では、取得ノードとバックエンド間の通信はTLS暗号化なしのHTTPを使用しました。これはネットワーク層の隔離によってリスクが軽減されましたが、正式なセキュリティ監査や侵入テストは本研究の一環としては実施されていません。報告された温度指標（最大、最小、平均、中心値）は、対象者に特化した領域ではなく、熱画像フレーム全体で計算されたものであり、これらは対象者の体温の検証済み測定値として解釈されるべきではありません。今後の研究では、多施設導入、より長期の監視期間、エッジコンピューティング（データを生成するデバイスやその近くで処理を行うこと）の統合、および特定の熱指標の臨床検証に取り組む必要があります。自動分析が組み込まれる場合には、プライバシー影響評価、アルゴリズムガバナンス、モデル監視、および人的監視に特に注意を払う必要があります。現在のアーキテクチャは、取得、保存、視覚化、および将来の分析コンポーネントを分離しているため、この進化の基盤となります。

結論

この研究は、実際の集中治療室において、病院情報技術ガバナンスのもとで分散型オンプレミス熱画像IoMTシステムを展開し運用することの実現可能性を実証しました。システムはアーキテクチャ最適化後、ほぼリアルタイムの性能を達成し、7つのノードから継続的な画像取得を維持し、中央インフラの劣化なしに570万枚以上の熱画像を生成しました。提案されたアーキテクチャは、単一施設、短期間の展開、単一のハードウェア構成から導き出されたものではありますが、クリティカルケアにおける非侵襲的な環境センシングのための初期段階のアーキテクチャテンプレートを提供します。その主な価値は、実験的な熱画像プロトタイプと実運用可能な病院システムとの間のギャップを埋めることにあります。さらなる臨床的検証は必要ですが、導入されたインフラは、集中治療における将来のエッジコンピューティング、自動熱分析、およびデータ駆動型監視アプリケーションの基盤を確立するものです。

用語集

IoMT: Internet of Medical Things（医療IoT） – 医療機器やセンサーをインターネットに接続し、データを収集・共有するシステム。
オンプレミス: システムやサーバーを自社の施設内に設置・運用する形態。
熱画像: 物体から放出される赤外線を検知し、温度分布を可視化した画像。
レイテンシー: データがシステム内のある地点から別の地点へ移動するまでにかかる時間。
スループット: ある期間内にシステムが処理できるデータ量やタスクの総量。
可用性: システムが利用可能である時間の割合を示す指標。
Raspberry Pi: ラズベリーパイ – 低コストで小型のシングルボードコンピューター。
GDPR: General Data Protection Regulation – 欧州連合で施行されている個人データ保護に関する規則。
ハイブリッド永続化戦略: データ型に応じて異なるストレージ（例: ファイルシステムとデータベース）を使い分けるデータ保存方法。
エッジコンピューティング: データを生成するデバイスやその近くで処理を行うこと。
放射測定赤外線カメラ: 熱放射量を測定できる赤外線カメラ。
メタデータ: データに関するデータ。ここでは画像の時間や温度などの情報。
インデックス作成: データ検索の効率を高めるために、目次のような情報を生成すること。