Dave Ryan, generální ředitel, Health & Life Sciences Business ve společnosti Intel – Interview Series

Dave Ryan vede Globální podnikání v oblasti zdraví a přírodních věd jednotka společnosti Intel, která se zaměřuje na digitální transformaci z edge-to-cloud, aby se precizní péče založená na hodnotách stala realitou. Jeho zákazníky jsou výrobci, kteří vyrábějí nástroje pro biologické vědy, lékařské vybavení, klinické systémy, výpočetní zařízení a zařízení používaná výzkumnými centry, nemocnicemi, klinikami, zařízeními rezidenční péče a domácnostmi. Dave působil ve správních radách Consumer Technology Association Health & Fitness Division, HIMSS' Personal Connected Health Alliance, Global Coalition on Aging a Alliance for Connected Care.  

Co je podnikání společnosti Intel Health & Life Sciences?

Divize Health & Life Sciences společnosti Intel pomáhá zákazníkům vytvářet řešení v oblastech lékařského zobrazování, klinických systémů a laboratorních a biologických věd, což umožňuje distribuovanou, inteligentní a personalizovanou péči.

Divize Intel Health se zaměřuje na zdraví populace, lékařské zobrazování, klinické systémy a digitální infrastrukturu.

• Populační zdraví zkoumá různorodá data o pacientech, aby poskytovatelům poskytla přehled o rizicích zdravotních problémů a vylepšené léčbě napříč kohortami. Optimalizované a vyladěné ML a AI pomáhají skupinám „vrstvit“, takže plátci a poskytovatelé upřednostňují pacienty s nejvyšším rizikem.
• Lékařské zobrazování (např. MRI, CT) generuje obrovské soubory dat vyžadující přesné vyhodnocení bez prostoru pro chyby. HPC a AI pomáhají rychleji skenovat obrazová data a identifikovat kritické faktory, které pomáhají radiologům při diagnostice.
• Klinické systémy využívají počítačové vidění, AI, HPC a edge computing pro monitorování pacientů, robotickou chirurgii, telehealth a mnoho dalších. Tyto inteligentní systémy slučují různá zdrojová data pro úplný pohled na pacienta a lepší diagnostiku s flexibilitou a škálovatelností pro podporu měnících se organizačních potřeb.
• Digitální infrastruktura integruje mnoho technologií, které umožňují nové přístupy k interakci s pacienty, včetně péče kdekoli a kdykoli, kde kliničtí lékaři spolupracují napříč prostorem a časem na řízení stavu, chirurgii a analýze.

Divize Lab a Life Sciences společnosti Intel se zaměřuje na 3 hlavní oblasti: Data Analytics, 'Omics a Pharma.

• Data Analytics využívá umělou inteligenci k řízení kaskády objevů a poznatků, které mimo jiné pomáhají umožnit přesnou medicínu tím, že zajistí, aby pacienti dostali léky, které jsou pro ně nejúčinnější, a tím se sníží riziko profilů vedlejších účinků.
• 'omics popisuje a kvantifikuje skupiny biologických molekul pomocí bioinformatiky a výpočetní biologie. Masivní datové soubory, které jsou zde obsaženy, vyžadují vysoce výkonné zpracování, aby bylo možné získat výsledky v rozumných časových rámcích. Díky této propustnosti a novým databázím, sadám nástrojů, knihovnám a optimalizacím kódu mohou omické instituce zkrátit čas potřebný k dosažení výsledků a náklady na vývoj.
• Pharma je studiem léků a jejich interakce s lidskými biologickými systémy, a to i na molekulární úrovni, kde datová věda potřebuje AI a ML, aby pomohly s generováním a optimalizací vedení, ID cíle a preklinickým výzkumem. Výsledkem jsou lepší klinické studie, chytřejší přehled reakcí a rychlejší objevování nových léků.

Kdy jste se vy osobně poprvé začal zajímat o využití umělé inteligence ve prospěch zdravotnictví?

Šíření umělé inteligence v mnoha odvětvích bylo z velké části o automatizaci úkolů, které běžně vykonávají lidé. Ve zdravotnictví se umělá inteligence stala nástrojem, jehož prostřednictvím rozšiřujeme nebo napomáháme, nikoli nahrazujeme, stávající lidské odborné znalosti, abychom poskytovali skutečně transformační přístupy k diagnostice a léčbě. A nikde to není jasnější než v lékařském zobrazování, ve kterém je objem a složitost dat bariérou i příležitostí. Dnes je AI, a zejména odvození, schopna provádět rychlejší a podrobnější skenování obrovského množství informací, než kterýkoli člověk dokáže, a tak nejen odhaluje dříve skryté poznatky, ale také maximalizuje drahocenný čas radiologa, aby dosáhl lepší diagnostický závěr a pro více pacientů. Například řešení AI od zákazníků pomáhají radiologům analýzou dat na rentgenových snímcích, která by mohla naznačovat přítomnost zhroucených plic (pneumotorax) nebo COVID. To je skutečně pozoruhodný úspěch, který převratně mění účinnost jak samotného lékařského zobrazování, tak toho, jak je aplikována lidská odbornost. Být svědkem takové transformace v tomto jediném oboru člověka přirozeně motivuje k hledání dalšího velkého skoku v jiných oblastech věd o zdraví a živé přírodě, kde se člověk a stroj spojí, aby vytvořily nový celek, který je mnohem větší než součet částí. O krok dále je myšlenka, že umělá inteligence může demokratizovat znalosti napříč obory péče a posouvat vzácnou lidskou odbornost a nuance založené na zkušenostech ještě dále a zvyšovat úroveň kvality.

 

Jak důležitá je AI pro analýzu velkých dat v klinickém prostředí?

Odvětví zdraví a přírodních věd generuje více dat s větší složitostí než jakékoli jiné odvětví na světě. A na rozdíl od jiných odvětví je efektivní správa a analýza těchto dat otázkou života a smrti. Vzhledem k těmto rozměrům je umělá inteligence nyní nepostradatelným zprostředkovatelem řady potřeb, jak světských, tak průlomových, jak v klinickém, tak v laboratorním prostředí, aby splnila trojí cíl tohoto odvětví: Zlepšení kvality péče a přístupu při současném snížení nákladů.

Například elektronické zdravotní záznamy (EHR) umožnily digitální revoluci v kvalitě a efektivitě poskytování péče. Bohužel v těchto záznamech je chaotická směs nestrukturovaných i strukturovaných dat, která AI může pomoci digitalizovat do jednotnějších a užitečnějších datových sad. Optické rozpoznávání znaků (OCR) a zpracování přirozeného jazyka (NLP) jsou jen dva modely s umělou inteligencí, které dokážou převést analogy rukopisu a hlasu na data EHR. A jakmile bude AI digitalizována, může být použita napříč těmito datovými sadami v mnoha vzrušujících případech použití.

V jiných případech roste počet dat zachycených ze zdravotnických zařízení a kamer a v kombinaci s údaji o historii pacienta mohou analýzy pomoci získat nové poznatky k další personalizaci léčby. Na úrovni sčítání lidu již mnoho nemocnic nasadilo algoritmy, které dokážou předvídat nástup sepse pro rychlejší zásah, a na jednotkách intenzivní péče může software kombinovat data z více izolovaných zařízení, aby vytvořil působivě úplný obraz daného pacienta v téměř reálném čase. V průběhu času lze všechna zachycená a uložená data analyzovat pro lepší předpovědi v budoucnosti.

 

Jaké jsou některé z pozoruhodnějších případů použití strojového učení, které analyzuje tato data?

Jak již bylo zmíněno výše, nástroje NLP mohou pomoci nahradit ruční popisování nebo zadávání dat při vytváření nových dokumentů, jako jsou souhrny návštěv pacienta a podrobné klinické poznámky. To umožňuje lékařům vidět více pacientů a poskytovatelům zlepšit dokumentaci, pracovní postup a přesnost fakturace tím, že objednávky a dokumentaci zadávají dříve během dne.

Obecněji řečeno, analytika s umělou inteligencí pomáhá poskytovatelům porozumět a spravovat širokou škálu klinických aplikací, které zlepšují efektivitu a snižují náklady. To umožňuje nemocnicím lépe řídit zdroje a dolaďovat osvědčené postupy a pečovatelské týmy spolupracovat na diagnózách a koordinovat léčbu a celkovou péči, kterou poskytují, aby zlepšily výsledky pacientů.

Lékaři mohou analyzovat cílené abnormality pomocí vhodných přístupů ML a odfiltrovat strukturované informace z jiných nezpracovaných dat. To může vést k rychlejší a přesnější diagnostice a optimální léčbě. Algoritmy ML mohou například převést diagnostický systém lékařských snímků na automatizované rozhodování převodem snímků na strojově čitelný text. Techniky ML a rozpoznávání vzorů mohou také čerpat poznatky z obrovských objemů klinických obrazových dat, které sám člověk nezvládne, a změnit tak diagnostiku, léčbu a monitorování pacientů.

K hodnocení a řízení zdraví populace mohou algoritmy ML pomoci předvídat budoucí trajektorie rizik, identifikovat rizikové faktory a poskytovat řešení pro nejlepší výsledky. Moduly hlubokého učení integrované s technologiemi umělé inteligence umožňují výzkumníkům interpretovat komplexní soubory genomických dat, předpovídat specifické typy rakoviny (na základě profilů genové exprese získaných z různých rozsáhlých souborů dat) a identifikovat vícenásobné cíle, které lze naplnit léky.

 

Mohl byste přiblížit, jak Intel spolupracuje s komunitou genomiky na transformaci velkých datových sad na biomedicínské poznatky, které urychlují personalizovanou péči?

Precizní medicína poskytuje zdroje zdravotních dat na individuální úrovni, které umožňují lepší výběr cílů onemocnění a identifikaci populací pacientů, které vykazují zlepšené klinické výsledky nových preventivních a terapeutických přístupů.

Genomika je základním kamenem této přesné medicíny. Poskytuje plán toho, kdo jsme a proč a jak jsme jedineční, což je pro poskytovatele zásadní, aby porozuměli, protože tyto informace kombinují s jinými daty (obrázky, klinická chemie, anamnéza, data kohorty atd.). Klinici tyto informace využívají k vývoji a poskytování specifických léčebných postupů pro pacienta, které jsou méně rizikové a účinnější.

Intel spolupracuje s komunitou genomiky na optimalizaci nejběžněji používaných nástrojů genetické analýzy používaných v tomto odvětví, aby fungovaly co nejlépe a napříč platformami založenými na architektuře Intel a procesory, které je pohánějí. Například optimalizace špičkového softwaru pro genetické varianty od Broad Institute, Genomic Analysis Toolkit (GATK), na hardwaru Intel pomocí OpenVINO pro usnadnění ladění vývoje modelu AI a škálovatelného nasazení, zdůrazňuje náš dopad a závazek vůči tomuto odvětví. Sada nástrojů GATK poskytuje výhody biomedicínskému výzkumu, jako je Genomics DB, která efektivně ukládá soubory o velikosti ~200 GB (typické pro genomické datové sady) a knihovna Genome Kernel Library se systémem AVX512, která využívá specifické hardwarové instrukce Intel k urychlení genomické zátěže a využití AI.

Zrychlení rychlosti a snížení nákladů na genomickou analýzu při zachování přesnosti této analýzy je nadále přesvědčivé pro výzkumníky v oblasti biomedicíny a dalších biologických věd, protože používají výpočetní řešení Intel k objevování a využívání nových lékařských poznatků.

 

Mohl byste prodiskutovat, proč si myslíte, že zdravotní péče na dálku je tak důležitá?

Zdravotnictví pracuje na různých formách a aspektech péče na dálku již mnoho let. Důvody pro to byly až donedávna intuitivní a očekávané přesvědčení, že vzdálená péče může být v mnoha situacích poskytování péče stejně dobrá nebo lepší než tradiční modely na klinikách. Nyní pobídnuté pandemickou krizí a jejím dopadem jsou systémy poskytování zdravotní péče po celém světě nuceny přijmout telehealth nebo zkolabovat. Tento náhlý spěch s implementací nyní dokazuje, že tato dlouho držená přesvědčení jsou pravdivá a péče na dálku je životně důležitá a vysoce životaschopná.

Vzdálená péče má mnoho výhod. Pohodlí a spokojenost pacientů s poskytováním telehealth péče rychle roste. Jsou schopni zůstat klidnější a v pohodě ve svém domově s menším vyrušováním a dopadem na čas/plán. Poskytovatelům se to líbí, protože jim umožňuje vidět více pacientů a lépe řídit svůj vlastní čas a lépe přidělovat děsivé klinické zdroje. A samozřejmě, co se v posledních několika měsících stalo nejjasnějším a nejpřesvědčivějším důvodem pro každého, je inherentní schopnost vzdálené péče omezit nákazu a potřeba osobního kontaktu, když videochat s rozšířeným zařízením a výpočetní telemetrií může získat maximum. úkoly poskytování péče provedené stejně dobře.

 

Můžete pohovořit o některých technologiích, které se v současnosti používají pro vzdálené monitorování pacientů?

Existuje několik důležitých technologických prvků. Nejdůležitější je snadné použití pro pacienta, rychle následované zabezpečením a soukromím dat a robustností aplikace a dat, která zachycuje. Musíme například zabránit tomu, aby uživatel omylem smazal monitorovací aplikaci ze svého iPadu.

Dalším kritickým aspektem pro poskytovatele péče nasazeného u více pacientů je správa vozového parku a možnost zasílat aktualizace nebo technickou podporu po drátě a přizpůsobené každému uživateli nebo kohortě uživatelů. To vyžaduje:

• standardizace výměny dat a soukromí s průmyslovými standardy, jako jsou FHIR a Continua;
• bezpečná a energeticky efektivní výpočetní platforma pro organizování dat a jejich předávání zpět lékaři, včetně vhodného softwaru a šifrování;
• konektivita prostřednictvím mobilní sítě, aby byla uživatelská zařízení samostatná a nezávislá na domácí Wi-Fi, která může být nespolehlivá nebo dokonce neexistující;
• cloudové úložiště a analýzy na backendu.

Kromě toho je schopnost shromažďovat a agregovat data přicházející od uživatelů zásadní pro to, aby lékaři mohli provádět monitorování a podporu pacientů a aby software a analytika informovaly týmy péče o nominálním stavu nebo iniciovaly upozornění na alarm pro výsledky, které jsou mimo toleranci.

Věříme, že umělá inteligence bude hrát mnohem větší roli při sledování pacienta, zlepší zážitek pacienta prostřednictvím přirozených hlasových průzkumů („Jak se dnes cítíte?“, „Zdá se vám trochu vysoký krevní tlak“) a umožní týmům péče lépe porozumět zdravotnímu stavu pacienta a určit vhodnou léčbu. S využitím modelů umělé inteligence bude management zdraví populace rovněž postupovat tak, že se všechna data pacientů budou skládat do stále větších datových souborů, které zlepšují přesnost iterativního modelu učení. To je nezbytné pro vzdálené monitorování ve velkém měřítku.

 

Jaké jsou některé z problémů, které je třeba překonat, aby se zvýšila úspěšnost vzdálené zdravotní péče?

Mnohé ze stejných problémů, které sužují náš současný systém poskytování tradiční péče, jsou také faktory, které zvyšují nebo brzdí úspěch vzdálené péče. Patří mezi ně přesvědčení a stigmata společenských podsegmentů kolem zdravotní péče nebo socioekonomické překážky pramenící z nedostatku pojištění, plynulosti technologií, požadovaných zařízení a konektivity. Datová sila brání maximalizaci hodnoty, kterou by větší sdílené datové sady mohly přinést, zvláště nyní, kdy se skutečně objevuje naše schopnost využívat výukové programy.

Existují však problémy, které jsou jedinečné pro vzdálenou péči:

• problémy politiky a plateb, i když se v poslední době výrazně zlepšily, musí pokračovat ve svém pozitivním tempu, aby se rozšiřovaly s uvolněnými omezeními toho, co je povoleno a propláceno v rámci způsobu péče na dálku;
• finanční problémy a nedostatek kapitálu pro investice do technologií ve zdravotnictví vyžaduje konverzi z modelu CapEx na model OpEx. Spíše než investovat do zařízení a vybavení pro kapitálové investice mohou poskytovatelé přejít na model „pay as you go“, vzdát se potřeby velkého množství pevné infrastruktury a, stejně jako telefonní služby, platit za použité minuty (nebo data);
• uživatelská zkušenost, jak pro pacienta, tak pro poskytovatele, se musí i nadále zlepšovat, až nakonec technologie zmizí v pozadí a možnosti jsou intuitivní a bezproblémové a proces přesvědčivý s rovnocennými nebo lepšími výsledky a nákladovou strukturou.

V konečném důsledku chceme, aby technologie podporovala poskytování péče, nikoli ji překážela. Pokud budeme úspěšní (a věříme, že jsme a budeme i nadále), pak technologie skutečně umožní přemostění k lepšímu modelu poskytování péče na dálku zítřka, což bude nejlepší možný případ pro normalizaci péče na dálku jako standardního poskytování péče. .

Děkuji za fantastický rozhovor, rád jsem se dozvěděl více o úsilí Intelu o zdraví. Čtenáři, kteří se chtějí dozvědět více, by měli navštívit Divize Intel Global Health & Life Sciences.