Dave Ryan, generální manažer, Health & Life Sciences Business at Intel – Interview Series

Dave Ryan vede globální obchodní jednotku Health & Life Sciences ve společnosti Intel (INTC ), která se zaměřuje na digitální transformaci od okraje až do cloudu, aby se mohla stát realitou přesná, hodnotově založená péče. Jeho zákazníky jsou výrobci, kteří vyrábějí přístroje pro životní vědy, zdravotnické vybavení, klinické systémy, výpočetní zařízení a zařízení používaná výzkumnými centry, nemocnicemi, klinikami, rezidenčními zařízeními a domovy. Dave působil v představenstvu Consumer Technology Association Health & Fitness Division, HIMSS’ Personal Connected Health Alliance, Global Coalition on Aging a Alliance for Connected Care.  

Co je Intelova obchodní jednotka Health & Life Sciences?

Intelova obchodní jednotka Health & Life Sciences pomáhá zákazníkům vytvářet řešení v oblastech medicínského zobrazování, klinických systémů a laboratorních a životních věd, umožňujících distribuované, inteligentní a personalizované péče.

Intelova obchodní jednotka Health se zaměřuje na populaci, medicínské zobrazování, klinické systémy a digitální infrastrukturu.

• Populace zdraví zkoumá rozmanité pacientské údaje, aby poskytla poskytovatelům přehled o rizicích pro zdravotní problémy a zlepšení léčby napříč kohortami. Optimalizované a naladěné ML a AI pomáhají „tier“ skupinám, aby poskytovatelé a plátci mohli prioritizovat pacienty s nejvyšším rizikem.
• Medicínské zobrazování (například MRI, CT) generuje enormní datové sady, které vyžadují přesnou evaluaci bez prostoru pro chyby. HPC a AI pomáhají rychleji skenovat obrazová data a identifikovat kritické faktory, aby pomohly radiologům při diagnóze.
• Klinické systémy využívají počítačové vidění, AI, HPC a edge computing pro monitorování pacientů, robotickou chirurgii a telehealth a mnoho dalších. Tyto inteligentní systémy sjednocují rozmanité zdrojové údaje pro kompletní přehled pacienta a lepší diagnózu, s flexibilitou a škálovatelností, aby podporovaly měnící se organizační potřeby.
• Digitální infrastruktura integruje mnoho technologií, aby umožnila nové přístupy k interakci s pacienty, včetně péče kdekoliv a kdykoliv, kde se klinici spolupracují napříč prostorem a časem pro řízení stavu, chirurgii a analýzu.

Intelova obchodní jednotka Laboratorní a životní vědy se zaměřuje na tři hlavní oblasti: Data Analytics, ‘Omics a Pharma.

• Data Analytics využívá AI, aby poháněla kaskádu objevů a přehledů, které pomáhají umožnit, mimo jiné, přesnou medicínu tím, že zajišťují, aby pacienti dostávali léky, které jsou pro ně nejúčinnější, a snižovali tak riziko vedlejších účinků.
• ‘Omics popisuje a kvantifikuje biologické molekulární skupiny, využívající bioinformatiky a computační biologie. Enormní datové sady zapojené zde vyžadují высокoprocesní zpracování, aby se dosáhlo výsledků v rozumném čase. S tímto průtokem a novými databázemi, nástroji, knihovnami a optimalizacemi kódu mohou instituce ‘Omics snížit dobu na dosažení výsledků a vývojové náklady.
• Pharma je studium léků a jejich interakce s lidskými biologickými systémy, včetně molekulární úrovně, kde je potřeba AI a ML, aby pomohly s generováním leadů a optimalizací, identifikací cílů a preklinickými výzkumy. To vede k lepšímu klinickému testování, chytřejším přehledům reakcí a rychlejšímu objevu nových léků.

Kdy jste osobně poprvé začali využívat AI prospěšně pro zdravotnictví?

Šíření AI napříč mnoha průmysly bylo většinou o automatizaci úkolů, které lidé rutinně vykonávají. Ve zdravotnictví se AI stalo nástrojem, kterým podemos rozšířit nebo pomoci stávající lidské odbornosti, aby poskytly skutečně transformační přístupy k diagnóze a léčbě. A nikde není to tak zřejmé jako v medicínském zobrazování, kde je objem a komplexita dat jakousi bariérou i příležitostí. Dnes je AI, a zejména inferencing, schopné provést rychlejší a podrobnější skeny enormních množství informací, než by to mohl udělat člověk, a tím nejen odhalit přehledy, které byly dříve skryté, ale také maximalizovat cenný čas radiologa, aby dosáhl lepší diagnostické závěry a pro více pacientů. Například řešení AI od zákazníků pomáhají radiologům analyzovat data z rentgenových snímků, které by mohly naznačovat přítomnost kolabovaného plic (pneumotorax) nebo COVID. To je skutečně pozoruhodné úspěchy, které revolucionalizují účinnost medicínského zobrazování samotného a toho, jak se lidská odbornost aplikuje. Svědkem takové transformace v této jedné oblasti přirozeně motivuje k hledání dalšího velkého skoku v dalších zdravotních a životních vědách, kde člověk a stroj spojují, aby vytvořili nový celek, který je mnohem větší než součet částí. Když jdeme dál, je tu myšlenka, že AI může demokratizovat znalosti napříč péčí a učinit vzácnou lidskou odbornost a zkušenostní nuance ještě dále, zvyšující úroveň kvality.

Jak důležité je AI pro analýzu velkých dat ve zdravotnickém prostředí?

Průmysly zdravotnictví a životních věd generují více dat s větší komplexitou než jakýkoli jiný průmysl na světě dnes. A na rozdíl od jiných průmyslů je efektivní řízení a analýza těchto dat otázkou života a smrti. Při těchto magnitúdách je AI nyní nezbytným umožňujícím nástrojem pro řadu potřeb, både všedních a průlomových, v klinickém i laboratorním prostředí, aby se řešil průmyslův Triple Aim: Zlepšit kvalitu péče a přístup, zatímco snižuje náklady.

Například elektronické zdravotnické záznamy (EHR) umožnily digitální revoluci v kvalitě a efektivitě poskytování péče. Bohužel, v těchto záznamech je smíšená směs strukturovaných a nestrukturovaných dat, které AI může pomoci digitalizovat do více ujednocených a užitečných datových sad. Optické rozpoznávání znaků (OCR) a zpracování přirozeného jazyka (NLP) jsou pouze dva AI-podporované modely, které mohou převést analogová data, jako je rukopis a hlas, do EHR dat. A jednou digitalizované, AI lze aplikovat napříč těmito datovými sadami v mnoha zajímavých případech použití.

V jiných případech jsou data zachycená z medicínských zařízení a kamer rostoucí a když jsou kombinována s pacientskou historií, analýzy mohou pomoci pohánět nové přehledy pro další personalizaci léčby. Na úrovni sčítání mnoho nemocnic již nasadilo algoritmy, které mohou předpovědět nástup sepse pro rychlejší zásah, a na jednotkách intenzivní péče může software kombinovat data z více izolovaných zařízení, aby vytvořil kompletní obraz pacienta v téměř reálném čase. S časem lze všechny tyto zachycené a uložené údaje analyzovat pro lepší předpovědi v budoucnu.

Jaké jsou některé z nejpozoruhodnějších případů použití, které vidíte pro strojové učení, které analyzuje tato data?

Jako je zmíněno výše, nástroje NLP mohou pomoci nahradit manuální zápis nebo vstup dat, aby generovaly nové dokumenty, jako jsou souhrny návštěv pacientů a podrobné klinické poznámky. To umožňuje klinickým pracovníkům vidět více pacientů a poskytovatelům zlepšit dokumentaci, workflow a přesnost fakturace tím, že zadávají objednávky a dokumentaci dříve během dne.

Širší AI-podporované analýzy pomáhají poskytovatelům pochopit a spravovat širokou škálu klinických aplikací, které zlepšují efektivitu a snižují náklady. To umožňuje nemocnicím lépe spravovat zdroje a jemně ladit nejlepší postupy a týmy péče, aby spolupracovaly na diagnózách a koordinovaly léčby a celkovou péči, kterou poskytují pacientům.

Klinici mohou analyzovat cílené abnormality pomocí vhodných přístupů ML a filtrovat strukturované informace z ostatních surových dat. To může vést k rychlejší a přesnější diagnóze a optimální léčbě. Například algoritmy ML mohou převést diagnostický systém medicínských obrazů na automatizované rozhodování tím, že převádějí obrazy na strojově čitelný text. Techniky ML a rozpoznávání vzorců mohou také získat přehledy z enormních objemů klinických obrazových dat, které jsou neúnosné pro člověka, aby transformovaly diagnózu, léčbu a monitorování pacientů.

Pro posouzení a řízení populace zdraví mohou algoritmy ML pomoci předpovědět budoucí rizikové trajektorie, identifikovat rizikové faktory a poskytnout řešení pro nejlepší výsledky. Moduly hlubokého učení integrované s AI technologiemi umožňují výzkumníkům interpretovat komplexní genomické datové sady, aby předpověděli konkrétní typy rakoviny (na základě genových expresních profilů získaných z různých velkých datových sad) a identifikovali multiple léčitelné cíle.

Můžete vysvětlit, jak Intel spolupracuje s genetickou komunitou, aby transformoval velké datové sady do biomedicínských přehledů, které urychlují personalizovanou péči?

Přesná medicína poskytuje individuální zdravotní údaje, které umožňují lepší výběr cílů onemocnění a identifikaci pacientských populací, které prokazují zlepšené klinické výsledky pro nové preventivní a terapeutické přístupy.

Genetika je základním kamenem této přesné medicíny. Poskytuje plán, kdo jsme, proč a jak jsme jedineční, což je kritické pro poskytovatele, aby pochopili, když kombinují tyto informace s jinými údaji (obrázky, klinická chemie, zdravotní historie, kohortová data atd.). Klinici používají tyto informace k vývoji a poskytování pacientsky specifických léčeb, které jsou nižšího rizika a účinnější.

Intel spolupracuje s genetickou komunitou optimalizací nejčastěji používaných genetických analytických nástrojů, které se v průmyslu používají, aby běžel nejlépe a napříč Intel architekturou založenými platformami a procesory, které je pohánějí. Například optimalizace softwaru Genomic Analysis Toolkit (GATK) od Broad Institute, který je vedoucí v průmyslu, na Intel hardwaru pomocí OpenVINO, aby usnadnil vývoj a nasazení modelů AI, zdůrazňuje náš dopad a závazek k tomuto průmyslu. Nástroj GATK poskytuje výhody pro biomedicínský výzkum, jako je Genomics DB, který efektivně ukládá soubory ~200GB velikosti (typické pro genomické datové sady) a Genome Kernel Library, který běží AVX512, aby využil specifických Intel architekturálních instrukcí a urychlil genomické úkoly a využití AI.

Zrychlení rychlosti a snížení nákladů na genetickou analýzu, zatímco zachování přesnosti této analýzy, zůstává přesvědčivé pro biomedicínské a další životní vědy výzkumníky, kteří používají Intel compute řešení, aby objevili a využili nové medicínské přehledy.

Můžete diskutovat, proč věříte, že vzdálená zdravotní péče je tak důležitá?

Průmysl zdravotnictví pracoval na různých formách a aspektech vzdálené péče po mnoho let. Důvody pro to, až do nedávné doby, byly spíše intuitivní a doufající, že vzdálená péče může být pro mnoho situací poskytování péče stejně dobrá nebo lepší než tradiční modely péče v ordinaci. Nyní, podníceno pandemickým krizem a jeho dopadem, zdravotnické systémy po celém světě jsou nuceny přijmout telehealth nebo se zhroutit. Tento náhlý spěch k implementaci nyní dokazuje, že tyto dlouho držené víry jsou pravdivé a péče na dálku je vitální a vysoce životaschopná.

Vzdálená péče má mnoho výhod. Spokojenost pacientů s telehealth péčí se rychle zvyšuje. Pacienti mohou zůstat klidnější a v klidu ve svém domě s menším dopadem na čas a rozvrh. Poskytovatelé to mají rádi, protože jim umožňuje vidět více pacientů a lépe spravovat svůj čas a lepší přidělovat vzácné klinické zdroje. A co se stalo nejzřetelnějším a nejpersvědčivějším důvodem pro všechny v posledních měsících je inherentní schopnost vzdálené péče omezit nakažení a potřebu osobního kontaktu, když lze videohovor s rozšířenou zařízení a výpočetní telemetrií dokončit většinu úkolů poskytování péče stejně dobře.

Můžete diskutovat některé technologie, které se目前 používají pro vzdálené monitorování pacientů?

Existuje několik kritických technologických prvků. Nejvíce důležité je snadné použití pro pacienta, rychle následované zabezpečením a ochranou dat a robustností aplikace a dat, která zachycuje. Například potřebujeme zabránit uživateli vymazat monitorovací aplikaci z jeho iPadu náhodou.

Dalším kritickým aspektem pro poskytovatele, kteří nasazují napříč mnoha pacienty, je správa flotily a schopnost posílat aktualizace nebo technickou podporu po drátě a přizpůsobené pro každého uživatele nebo kohortu uživatelů. To vyžaduje:

• standardizaci výměny dat a ochrany s průmyslovými standardy, jako je FHIR a Continua;
• zabezpečenou a energeticky účinnou výpočetní platformu, aby se orchestrvala data a komunikovala je zpět klinikovi, včetně příslušného softwaru a šifrování;
• připojení přes mobilní síť, aby se uživatelské zařízení stalo samostatným a nezávislým na Wi-Fi doma, které může být nespolehlivé nebo dokonce neexistující;
• cloudové úložiště a analýzy na backendu.

Kromě toho je schopnost shromažďovat a agregovat data proudící z uživatelů zásadní pro umožnění klinickým pracovníkům monitorovat pacienty a poskytovat podporu, a pro software a analýzy, aby informovaly týmy péče o nominálním stavu nebo iniciovaly upozornění na výsledky, které jsou mimo toleranci.

Věříme, že AI bude hrát mnohem větší roli ve vzdáleném monitorování pacientů v budoucnu, zlepšující pacientské zkušenosti prostřednictvím přirozených hlasových dotazníků („Jak se cítíte dnes?“) a umožňující týmům péče lépe pochopit zdravotní stav pacienta a identifikovat vhodné léčby. Prostřednictvím použití modelů AI bude také populace zdraví management pokročit, protože všechna pacientská data budou zapojena do stále větších datových sad, které zlepšují přesnost iterativního učícího modelu. To je zásadní pro vzdálené monitorování ve velkém měřítku.

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

Mnohé z problémů, které sužují náš současný systém tradiční péče, jsou také faktory, které brání nebo podporují úspěch vzdálené péče. Tyto zahrnují společenské sub-segmenty víry a stigmy obklopující zdravotnictví nebo socio-ekonomické bariéry vyplývající z absence pojištění, technické gramotnosti, požadovaných zařízení a připojení. Datové sila brání maximalizaci hodnoty, kterou by mohly větší sdílené datové sady produkovat, zejména nyní, když naše schopnost využít učení programů je skutečně se objevující.

Ale existují výzvy, které jsou jedinečné pro vzdálenou péči:

• politické a platební otázky, i když se v poslední době výrazně zlepšily, musí pokračovat v pozitivním trendu, aby se rozšiřovaly s uvolněnými omezeními na to, co je povoleno a refundováno prostřednictvím vzdálené péče;
• finanční výzvy a nedostatek kapitálu pro investice do technologií ve zdravotnictví vyžadují přechod z modelu CapEx na model OpEx. Místo investic do zařízení a kapitálového vybavení mohou poskytovatelé přejít na „pay-as-you-go“ model, který odpadá od potřeby mnoha fixních infrastruktur a, podobně jako telefonní služby, platí za „minuty“ (nebo data) použité;
• uživatelská zkušenost, pro pacienta i poskytovatele, musí pokračovat ve zlepšování, nakonec až do té míry, že technologie zmizí do pozadí, a schopnosti budou intuitivní a bezproblémové a proces bude přesvědčivý se stejnými nebo lepšími výsledky a nákladovými strukturami.

Nakonec chceme, aby technologie podporovaly poskytování péče, ne aby bránily v ní. Pokud budeme úspěšní (a věříme, že jsme a budeme), pak technologie skutečně umožní most k lepšímu modelu vzdálené péče, vytvářející nejlepší možný případ pro normalizaci vzdálené péče jako standardní dodávky péče.

Děkuji vám za fantastický rozhovor, užíval jsem se, když jsem se dozvěděl více o Intelových zdravotních snahách. Čtenáři, kteří chtějí se dozvědět více, by měli navštívit Intelovu globální zdravotnickou a životní vědy obchodní jednotku.