Предполагается, что разработанное партнерами ПО позволит указать производителям на уязвимые точки аппаратов, а клиникам – заблаговременно спрогнозировать выход из строя того или иного узла ускорителя.

Разработчики намерены использовать технологии машинного обучения, которые применялись для ускорителей и детекторов большого адронного коллайдера, чтобы научиться предсказывать поломки до физического выхода оборудования из строя. Ученые намерены собирать реальные эксплуатационные данные от компаний и больниц, чтобы оптимизировать графики технического обслуживания для равных типов ускорителей, а также разработать предложения по коррекции технологий производства наиболее часто ломающихся узлов.

Объем выделенного на проект гранта составляет 50–60 тысяч швейцарских франков (3,8–4,6 млн рублей по курсу на 11 марта 2020 года).

В 2017 году CERN провел конференцию, посвященную обслуживанию предназначенных для медучреждений линейных ускорителей. Ученые рекомендовали производителям перейти на упреждающую замену выработавших свой ресурс механизмов с формированием базы запчастей, а также упростить наиболее часто выходящие из строя узлы и оптимизировать механизм их замены. Предполагается, что это позволит снизить требования к сотрудникам сервисных команд и удешевит техобслуживание ускорителей.

По данным Аналитического центра Vademecum, в 2018 году российские клиники потратили на ремонт и техническое обслуживание медоборудования более 23 млрд рублей. Подробнее – в специальном исследовании, посвященном рынку сервиса МИ.