Dave Ryan, General Manager, Health & Life Sciences Business at Intel – Interview Series

Dave Ryan leder Global Health & Life Sciences business-enheden hos Intel (INTC ), som fokuserer på digital transformation fra edge-to-cloud for at gøre præcisions-, værdibaseret omsorg til virkelighed. Hans kunder er producenterne, der bygger livsvigtige instrumenter, medicinsk udstyr, kliniske systemer, beregningsapparater og enheder, der anvendes af forskningscentre, hospitaler, klinikker, institutionsmiljøer og hjemmet. Dave har fungeret i bestyrelserne for Consumer Technology Association Health & Fitness Division, HIMSS’ Personal Connected Health Alliance, Global Coalition on Aging og Alliance for Connected Care.  

Hvad er Intel’s Health & Life Sciences Business?

Intel’s Health & Life Sciences business hjælper kunder med at skabe løsninger inden for områderne medicinsk billedbehandling, kliniske systemer og laboratorie- og livsvigtige videnskaber, hvilket muliggør distribueret, intelligent og personlig omsorg.

Intel’s sundhedsforretning fokuserer på befolknings sundhed, medicinsk billedbehandling, kliniske systemer og digital infrastruktur.

• Befolknings sundhed undersøger diverse patientdata for at give sundhedsudbydere indsigt i risici for medicinske problemer og forbedrede behandlinger på tværs af kohorter. Optimeret og afstemt ML og AI hjælper med at “rangere” grupper, så betalere og udbydere kan prioritere patienter med størst risiko.
• Medicinsk billedbehandling (f.eks. MRI, CT) genererer enorme datamængder, der kræver nøjagtig vurdering uden fejl. HPC og AI hjælper med at scanne billeddata hurtigere og identificere kritiske faktorer for at assisterer radiologer i diagnosen.
• Kliniske systemer anvender computer vision, AI, HPC og edge computing til patientovervågning, robotkirurgi og telehealth samt mange andre. Disse intelligente systemer samordner diverse kilde-data for at give en komplet patientoversigt og bedre diagnose, med fleksibilitet og skalerbarhed til at støtte ændringer i organisationens behov.
• Digital infrastruktur integrerer mange teknologier for at muliggøre nye tilgange til patientinteraktion, herunder omsorg på afstand, hvor kliniske teams samarbejder på tværs af rum og tid for tilstandshantering, kirurgi og analyser.

Intel’s laboratorie- og livsvigtige videnskabsforretning er fokuseret på 3 primære områder: Data Analytics, ‘Omics og Pharma.

• Data Analytics anvender AI til at drive en kaskade af opdagelser og indsigt, der hjælper med at muliggøre, blandt andet, præcisionsmedicin ved at sikre, at patienter får de mediciner, der er mest effektive for dem, og dermed reducerer risikoen for bivirkninger.
• ‘Omics beskriver og kvantificerer biologiske molekylgrupper ved hjælp af bioinformatik og computervidenskab. De enorme datamængder, der er involveret her, kræver høj-gennemstrømningsbehandling for at modtage resultater inden for rimelige tidsrammer. Med denne gennemstrømning og nye databaser, værktøjer, biblioteker og kodeoptimeringer kan ‘omics-institutioner reducere tiden til resultater og udviklingsomkostninger.
• Pharma er studiet af mediciner og hvordan de interagerer med menneskelige biologiske systemer, herunder på molekylært niveau, hvor datavidenskab kræver AI og ML til at hjælpe med lead-generering og optimering, målidentifikation og præklinisk forskning. Dette resulterer i bedre kliniske forsøg, smartere reaktionsindsigt og hurtigere opdagelse af nye mediciner.

Hvornår blev du personligt først interesseret i at bruge AI til fordel for sundhedspleje?

Udbredelsen af AI på tværs af mange industrier har i høj grad været om at automatisere de opgaver, der normalt udføres af mennesker. I sundhedspleje er AI blevet et værktøj, hvormed vi kan supplere eller assisterer eksisterende menneskelig ekspertise for at levere sandt gennemgribende tilgange til diagnose og behandling. Og ingen sted er dette mere tydeligt end i medicinsk billedbehandling, hvor dataens volumen og kompleksitet både er barrierer og muligheder. I dag kan AI, og især inferencing, udføre mere hurtige og detaljerede scanninger af enorme mængder af information end noget menneske kan, og dermed afsløre indsigt, der tidligere var skjult, og maksimere den værdifulde tid for radiologen til at nå en bedre diagnostisk konklusion og for flere patienter. For eksempel kan AI-løsninger fra kunder hjælpe radiologer med at analysere data i røntgenbilleder, der kan indikere tilstedeværelsen af en kollapset lunge (pneumothorax) eller COVID. Det er en virkelig bemærkelsesværdig præstation, der revolutionerer effikoviteten af både medicinsk billedbehandling i sig selv og hvordan menneskelig ekspertise anvendes. At være vidne til den slags transformation i dette ene felt motiverer en til at søge efter det næste store spring i andre sundheds- og livsvigtige videnskabsområder, hvor menneske og maskine kombinerer for at producere en ny helhed, der er langt større end summen af delene. At tage det et skridt videre er idéen om, at AI kan demokratisere viden på tværs af omsorgsdiscipliner og gøre sjælden menneskelig ekspertise og erfaringbaseret nuance gå endnu længere, og hæve niveauet af kvalitet.

Hvor vigtigt er AI til at analysere big data i en klinisk sammenhæng?

Sundheds- og livsvigtige videnskabsindustrierne genererer mere data med større kompleksitet end nogen anden enkelt industri i verden i dag. Og til forskel fra andre industrier er effektivt at håndtere og analysere disse data en sag om liv og død. Givet disse størrelser er AI nu en uundværlig aktiverer af en række behov, både banale og gennemgribende, i både kliniske og laboratoriemiljøer for at adresse industrens Triple Aim: Forbedre sundheds kvalitet og adgang, mens omkostningerne reduceres.

For eksempel har elektroniske sundhedsjournaler (EHR) muliggjort en digital revolution i kvaliteten og effektiviteten af sundhedsydelser. Desværre indeholder disse journaler en rodet blanding af både struktureret og ustruktureret data, som AI kan hjælpe med at digitalisere til mere ensartede og nyttige datasæt. Optisk tegnkendelse (OCR) og naturlig sprogbehandling (NLP) er blot to AI-aktiverede modeller, der kan konvertere analoge håndskrifter og tale til EHR-data. Og når først digitaliseret, kan AI anvendes på tværs af disse datasæt i mange spændende brugs eksempler.

I andre tilfælde er data, der er fanget fra medicinsk udstyr og kameraer, i vækst, og når kombineret med patienthistorie-data, kan analyser hjælpe med at drive nye indsigt for at yderligere personliggøre behandling. På et census-niveau har mange hospitaler allerede deployeret algoritmer, der kan forudsige sepsis-onset for hurtigere intervention, og på ICU’er kan software kombinerer data på tværs af multiple isolerede enheder for at skabe en imponerende komplet billed af patienten i næsten realtid. Over tid kan alle de fanget og gemte data også analyseres for bedre forudsigelser i fremtiden.

Hvad er nogle af de mere bemærkelsesværdige brugs eksempler, du ser for maskinlæring, der analyserer disse data?

Som nævnt ovenfor kan NLP-værktøjer hjælpe med at erstatte manuel skrivning eller dataindtastning for at generere nye dokumenter, som patientbesøgsopsummeringer og detaljerede kliniske noter. Dette muliggør, at kliniske teams kan se flere patienter, og udbydere kan forbedre dokumentation, arbejdsgang og faktureringsnøjagtighed ved at indtaste ordrer og dokumentation tidligere på dagen.

I bredere forstand hjælper AI-aktiverede analyser udbydere med at forstå og håndtere en bred vifte af kliniske anvendelser, der forbedrer effektivitet og reducerer omkostninger. Dette tillader hospitaler at bedre styre ressourcer og finjustere bedste praksis, og kliniske teams kan samarbejde om diagnose og koordinere behandlinger og den samlede omsorg, de yder til patienter.

Klinikere kan analysere for målrettede abnormaliteter ved hjælp af passende ML-tilgange og filtrere ud struktureret information fra andre rå data. Dette kan føre til hurtigere og mere præcis diagnose og optimal behandling. For eksempel kan ML-algoritmer konvertere det diagnostiske system af medicinske billeder til automatiseret beslutningstagning ved at konvertere billeder til maskinlæsbart tekst. ML- og mønstergenkendelsesteknikker kan også trække indsigt fra massive mængder af kliniske billeddata, der er umulige for mennesker at håndtere alene, for at transformere diagnose, behandling og overvågning af patienter.

Til at vurdere og styre befolknings sundhed kan ML-algoritmer hjælpe med at forudsige fremtidige risikotraektorier, identificere risikofaktorer og give løsninger for bedste resultater. Dyb læringmoduler integreret med AI-teknologier tillader forskerne at fortolke komplekse genomiske datasæt, at forudsige bestemte typer kræft (baseret på genudtryksprofilerne, der er erhvervet fra forskellige store datasæt) og identificere multiple lægemiddel-mål.

Kunne du uddybe, hvordan Intel samarbejder med genomics-fællesskabet for at omdanne store datasæt til biomedicinske indsigt, der accelererer personlig omsorg?

Præcisionsmedicin leverer individ-niveau sundhedsdatakilder, der muliggør bedre udvælgelse af sygdomsmål og identifikation af patientpopulationer, der viser forbedrede kliniske resultater for nye forebyggende og terapeutiske tilgange.

Genomik er hjørnestenen i denne præcisionsmedicin. Den giver os en skitse af, hvem vi er, og hvorfor og hvordan vi er unikke, hvilket er afgørende for udbydere at forstå, når de kombinerer denne information med andre data (billeder, klinisk kemi, medicinsk historie, kohortdata osv.). Klinikere anvender denne information til at udvikle og levere patient-specifikke behandlinger, der er lavere risiko og mere effektive.

Intel samarbejder med genomics-fællesskabet ved at optimere de mest almindeligt anvendte genetiske analyserværktøjer, der anvendes i industrien, til at køre bedst og på tværs af Intel-arkitektur-baserede platforme og processorerne, der driver dem. For eksempel viser optimeringen af Broad Institute’s industriledende genetiske variantsoftware, Genomic Analysis Toolkit (GATK), på Intel-hardware med OpenVINO til at lette AI-modeludvikling, fejlfinding og skalerbar udvikling, vores impact og engagement i denne industri. GATK-værktøjet giver fordele til biomedicinsk forskning, såsom Genomics DB, der effektivt lagrer filer på ~200GB i størrelse (typisk for genomics-datasæt), og Genome Kernel Library, der kører AVX512, som udnytter bestemte Intel-arkitektur-hardware-instruktioner til at accelerere genomics-arbejdsbelastninger og AI-anvendelse.

At accelerere hastigheden og reducere omkostningerne af genetisk analyse, samtidig med at man opretholder nøjagtigheden af denne analyse, er fortsat kompliceret for biomedicinsk og andre livsvigtige videnskabsforskere, da de anvender Intel-computeløsninger til at opdage og udnytte nye medicinske indsigt.

Kunne du diskutere, hvorfor du mener, at fjern-sundhedspleje er så vigtig?

Sundhedsindustrien har arbejdet på diverse former og aspekter af fjern-omsorg i mange år. Årsagerne til dette har været, indtil for nylig, en intuitiv og håbet-for tro på, at fjern-omsorg kan være lige så god eller bedre end traditionelle kliniske modeller for mange omsorgsleveringssituationer. Nu, ansporet af pandemikrisen og dens impact, er sundhedsydelser over hele verden tvunget til at adoptere telehealth eller kollapsere. Denne pludselige rush til at implementere beviser nu disse længe holdte overbevisninger som sande, og omsorg på afstand er både vital og højst virkelig.

Fjern-omsorg har mange fordele. Patientkomfort og tilfredshed med telehealth-omsorgslevering stiger hurtigt. De kan blive mere rolige og afslappede i deres hjem med mindre forstyrrelse og tids-/skedulering påvirkning. Udbydere kan lide det, fordi det tillader dem at se flere patienter og bedre styre deres egen tid og bedre allokerer sjældne kliniske ressourcer. Og selvfølgelig, hvad der er blevet den mest tydelige og mest overbevisende grund for alle i de sidste måneder, er den indbyggede evne til fjern-omsorg til at begrænse smitte og behovet for fysisk kontakt, når en videochat med forstærket enhed og computertelemetri kan få de fleste omsorgsopgaver gjort lige så godt.

Kan du diskutere nogle af de teknologier, der i øjeblikket anvendes til fjern-patientovervågning?

Der er flere kritiske teknologiske elementer. Det vigtigste er brugervenlighed for patienten, efterfulgt af sikkerhed og beskyttelse af data, og robustheden af applikationen og de data, den indsamler. For eksempel skal vi forhindre, at en bruger sletter en overvågningsapplikation fra sin iPad ved en fejl.

Et andet kritisk aspekt for en udbyder, der deployer på tværs af multiple patienter, er flådestyring og evnen til at sende opdateringer eller teknisk support ned gennem ledningen og tilpasset til hver enkelt bruger eller brugergruppe. Dette kræver:

• standardisering af dataudveksling og beskyttelse med industrienormer som FHIR og Continua;
• sikker og effektiv computermplatform til at orkestrere data og kommunikere dem tilbage til klinikerne, herunder passende software og kryptering;
• forbindelse gennem et cellulært netværk for at gøre brugerenhederne selvstændige og ikke afhængige af Wi-Fi hjemme, der kan være upålidelig eller endda ikke eksistere;
• sky-lagring og analyser på bagsiden.

Derudover er evnen til at indsamle og aggregere data, der strømmer ind fra brugere, fundamental for at enable kliniske teams til at udføre patientovervågning og support, og for software og analyser til at underrette om en nominel tilstand eller initiere en alarmsvar for resultater, der er uden for tolerance.

Vi mener, at AI vil spille en langt større rolle i patientovervågning i fremtiden, forbedre patientoplevelsen gennem naturlig sprogundersøgelser (“Hvordan har du det i dag?”, “Dit blodtryk synes at være lidt højt”) og tillade kliniske teams at bedre forstå en patients sundhed og identificere passende behandlinger. Gennem anvendelsen af AI-modeller vil befolknings sundhedsstyring også fremme med alle patientdata, der indgår i stadig større datasæt, der forbedrer nøjagtigheden af en iterativ læringmodel. Dette er afgørende for fjern-overvågning i stor målestok.

Hvad er nogle af de problemer, der skal overvindes for at øge succesraten for fjern-sundhedspleje?

Mange af de samme problemer, der plager vores nuværende system af traditionel omsorgslevering, er også faktorer i forbedring eller hindring af succesen for fjern-omsorg. Disse omfatter sociale undersegment-beliefs og stigmatisering omkring sundhedspleje eller socio-økonomiske barrierer, der stammer fra mangel på forsikring, teknologi-fluency, krævede enheder og forbindelse. Data-silos forhindrer maksimering af værdi, der større fælles datasæt kunne producere, især nu, hvor vores evne til at udnytte læringprogrammer virkelig er fremkommet.

Men der er udfordringer, der er unikke for fjern-omsorg:

• politik- og betalingsproblemer, selvom de er betydeligt forbedret for nylig, må fortsætte deres positive fremdrift for at udvide med afslappede restriktioner på, hvad der er tilladt og kan refunderes via fjern-omsorgsmodalitet;
• finansielle udfordringer og mangel på kapital til at investere i teknologi i sundhedspleje kræver en omvendt kapitaludgiftsmodel til en driftsudgiftsmodel. I stedet for at investere i faciliteter og kapitaludstyr kan udbydere skifte til en “betalt-pr-uden” model, hvor de betaler for de minutter (eller data), der anvendes;
• brugeroplevelse, både for patient og udbyder, må fortsætte med at forbedre sig, ultimativt til et punkt, hvor teknologien forsvinder i baggrunden, og mulighederne er intuitive og ubemærkede og processen er overbevisende med ækvivalent eller bedre resultater og omkostningsstrukturer.

Ultimo vil vi have, at teknologien skal støtte omsorgsleveringen, ikke komme i vejen for den. Hvis vi er succesfulde (og vi mener, vi er og vil fortsætte med at være), så vil teknologien virkelig tillade en bro til morgendagens bedre model for fjern-omsorgslevering, og gøre det bedste mulige tilfælde for normalisering af fjern-omsorg som standard for omsorgslevering.

Tak for det fantastiske interview, jeg nød at lære mere om Intel’s sundhedsindsats. Læsere, der ønsker at lære mere, skal besøge Intel’s Global Health & Life Sciences business.