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

Dave Ryan leitet die Global Health & Life Sciences Business-Einheit bei Intel (INTC ), die sich auf die digitale Transformation von Edge-to-Cloud konzentriert, um präzise, wertbasierte Pflege realisierbar zu machen. Seine Kunden sind die Hersteller, die Lebenswissenschaften-Instrumente, medizinische Geräte, klinische Systeme, Rechenanlagen und Geräte bauen, die von Forschungszentren, Krankenhäusern, Kliniken, stationären Pflegeeinrichtungen und zu Hause verwendet werden. Dave hat im Vorstand der Consumer Technology Association Health & Fitness Division, der HIMSS’ Personal Connected Health Alliance, der Global Coalition on Aging und der Alliance for Connected Care gedient.  

Was ist Intels Health & Life Sciences Business?

Intels Health & Life Sciences Business hilft Kunden bei der Entwicklung von Lösungen in den Bereichen medizinische Bildgebung, klinische Systeme und Labors sowie Lebenswissenschaften, um verteilte, intelligente und personalisierte Pflege zu ermöglichen.

Intels Gesundheitsgeschäft konzentriert sich auf Bevölkerungsgesundheit, medizinische Bildgebung, klinische Systeme und digitale Infrastruktur.

• Bevölkerungsgesundheit untersucht verschiedene Patientendaten, um Anbietern Einblicke in Risiken für medizinische Probleme und verbesserte Behandlungen über Kohorten hinweg zu geben. Optimiertes und abgestimmtes ML und AI hilft dabei, “Tier”-Gruppen zu erstellen, damit Kostenträger und Anbieter Patienten priorisieren können, die am meisten Risiken ausgesetzt sind.
• Medizinische Bildgebung (z. B. MRT, CT) erzeugt enorme Datensätze, die eine genaue Auswertung ohne Fehler erfordern. HPC und AI helfen dabei, Bildaten schneller zu scannen und kritische Faktoren zu identifizieren, um Radiologen bei der Diagnose zu unterstützen.
• Klinische Systeme verwenden Computer-Vision, AI, HPC und Edge-Computing für Patientenüberwachung, robotische Chirurgie und Telemedizin sowie viele andere. Diese intelligenten Systeme vereinigen verschiedene Quelldaten, um ein vollständiges Bild des Patienten zu erstellen und eine bessere Diagnose zu ermöglichen, mit Flexibilität und Skalierbarkeit, um sich verändernden organisatorischen Bedürfnissen anzupassen.
• Digitale Infrastruktur integriert viele Technologien, um neue Ansätze für Patienteninteraktionen zu ermöglichen, einschließlich der Pflege überall und jederzeit, bei der Kliniker über Raum und Zeit hinweg für Zustandsmanagement, Chirurgie und Analysen zusammenarbeiten.

Intels Labors und Lebenswissenschaften-Geschäft konzentrieren sich auf drei Hauptbereiche: Datenanalyse, ‘Omics und Pharma.

• Datenanalyse verwendet AI, um eine Kaskade von Entdeckungen und Erkenntnissen zu treiben, die unter anderem die Präzisionsmedizin ermöglichen, indem sie sicherstellen, dass Patienten die Medikamente erhalten, die für sie am wirksamsten sind, und so das Risiko von Nebenwirkungen reduzieren.
• ‘Omics beschreibt und quantifiziert Gruppen biologischer Moleküle, indem es Bioinformatik und computergestützte Biologie verwendet. Die enormen Datensätze, die hier involviert sind, erfordern eine Hochleistungsverarbeitung, um Ergebnisse innerhalb vernünftiger Zeiträume zu erhalten. Mit dieser Leistung und neuen Datenbanken, Toolkits, Bibliotheken und Code-Optimierungen können ‘Omics-Institutionen die Zeit bis zum Erhalt der Ergebnisse und die Entwicklungskosten reduzieren.
• Pharma ist die Studie von Medikamenten und ihrer Wechselwirkung mit biologischen Systemen des Menschen, einschließlich auf molekularer Ebene, wo Datenwissenschaft AI und ML benötigt, um bei der Lead-Generierung und Optimierung, der Ziel-Identifizierung und der präklinischen Forschung zu helfen. Dies führt zu besseren klinischen Studien, intelligenteren Reaktions-Einblicken und schnellerer Entdeckung neuer Medikamente.

Wann haben Sie persönlich zuerst Interesse an der Verwendung von KI für den Nutzen des Gesundheitswesens?

Die Verbreitung von KI in vielen Branchen war größtenteils eine Automatisierung von Aufgaben, die routinemäßig von Menschen durchgeführt werden. Im Gesundheitswesen ist KI zu einem Werkzeug geworden, mit dem wir bestehende menschliche Expertise unterstützen oder ergänzen, anstatt sie zu ersetzen, um wirklich transformative Ansätze für Diagnose und Behandlung zu liefern. Und nirgendwo ist dies deutlicher als in der medizinischen Bildgebung, in der die Datenmenge und -komplexität sowohl ein Hindernis als auch eine Chance sind. Heute kann KI, insbesondere Inferenz, schneller und detailliertere Scans von großen Informationsmengen durchführen, als es ein Mensch könnte, und tut dies, um nicht nur Erkenntnisse zu enthüllen, die zuvor verborgen waren, sondern auch die wertvolle Zeit des Radiologen zu maximieren, um zu einer besseren diagnostischen Schlussfolgerung zu gelangen und für mehr Patienten. Zum Beispiel helfen KI-Lösungen von Kunden Radiologen, indem sie Daten in Röntgenbildern analysieren, die auf das Vorhandensein eines kollabierten Lungen (Pneumothorax) oder COVID hinweisen könnten. Das ist eine wirklich bemerkenswerte Leistung, die die Wirksamkeit der medizinischen Bildgebung selbst und der menschlichen Expertise, die angewendet wird, revolutioniert. Das Zeugnis dieser Art von Transformation in diesem einen Bereich motiviert einen, nach dem nächsten großen Sprung in anderen Gesundheits- und Lebenswissenschaften zu suchen, wo Mensch und Maschine kombinieren, um ein neues Ganzes zu schaffen, das viel größer ist als die Summe der Teile. Wenn man dies weiterverfolgt, ist die Idee, dass KI Wissen über Pflegedisziplinen demokratisieren und seltene menschliche Expertise und erfahrungsbasierte Nuancen noch weiter verbreiten kann, um das Qualitätsniveau zu erhöhen.

Wie wichtig ist KI für die Analyse von Big Data in einer klinischen Umgebung?

Die Gesundheits- und Lebenswissenschaften-Branchen erzeugen mehr Daten mit größerer Komplexität als jede andere Branche auf der Welt heute. Und im Gegensatz zu anderen Branchen ist das effektive Management und die Analyse dieser Daten eine Frage von Leben und Tod. Angesichts dieser Größenordnungen ist KI jetzt ein unverzichtbarer Enabler einer Reihe von Bedürfnissen, sowohl alltäglichen als auch bahnbrechenden, in beiden klinischen und Laborumgebungen, um die Triple-Aim der Branche zu erreichen: Verbesserung der Pflegequalität und des Zugangs bei gleichzeitiger Kostensenkung.

Beispielsweise haben elektronische Gesundheitsakten (EHR) eine digitale Revolution in der Qualität und Effizienz der Pflegedienstleistungen ermöglicht. Leider befindet sich in diesen Akten eine unübersichtliche Mischung aus strukturierten und unstrukturierten Daten, die KI helfen kann, in einheitlichere und nützlichere Datensätze zu digitalisieren. Optische Zeichenerkennung (OCR) und natürliche Sprachverarbeitung (NLP) sind nur zwei KI-aktivierte Modelle, die die Analogien von Handschriften und Sprache in EHR-Daten umwandeln können. Und sobald digitalisiert, kann KI auf diese Datensätze in vielen aufregenden Anwendungsfällen angewendet werden.

In anderen Fällen wächst die Menge an Daten, die von medizinischen Geräten und Kameras erfasst werden, und wenn diese mit Patientenhistories-Daten kombiniert werden, können Analysen neue Erkenntnisse liefern, um die Behandlung zu personalisieren. Auf Bevölkerungsebene haben viele Krankenhäuser bereits Algorithmen bereitgestellt, die den Beginn von Sepsis vorhersagen können, um schneller eingreifen zu können, und in Intensivstationen kann Software Daten aus mehreren isolierten Geräten kombinieren, um ein umfassendes Bild des Patienten in Echtzeit zu erstellen. Im Laufe der Zeit kann all diese erfasste und gespeicherte Daten auch analysiert werden, um bessere Vorhersagen für die Zukunft zu treffen.

Welche sind einige der bemerkenswerteren Anwendungsfälle, die Sie für maschinelles Lernen beim Analysieren dieser Daten sehen?

Wie oben erwähnt, können NLP-Tools helfen, manuelle Schreib- oder Dateneingaben zu ersetzen, um neue Dokumente wie Patientenbesuchs-Zusammenfassungen und detaillierte klinische Notizen zu erstellen. Dies ermöglicht es Klinikern, mehr Patienten zu sehen, und Anbietern, die Dokumentation, den Arbeitsablauf und die Abrechnungsgenauigkeit zu verbessern, indem sie Bestellungen und Dokumentationen früher am Tag eingeben.

Im weiteren Sinne helfen KI-aktivierte Analysen Anbietern, eine breite Palette klinischer Anwendungen zu verstehen und zu verwalten, die die Effizienz und die Kosten senken. Dies ermöglicht es Krankenhäusern, Ressourcen besser zu verwalten und bewährte Verfahren zu optimieren, und Klinik-Teams, Diagnosen und Behandlungen zu koordinieren, um die Ergebnisse für Patienten zu verbessern.

Kliniker können gezielte Anomalien mit geeigneten ML-Ansätzen analysieren und strukturierte Informationen aus anderen rohen Daten filtern. Dies kann zu schnelleren und genauereren Diagnosen und optimalen Behandlungen führen. Zum Beispiel können ML-Algorithmen das diagnostische System medizinischer Bilder in automatisierte Entscheidungsfindung umwandeln, indem sie Bilder in maschinenlesbarer Text umwandeln. ML- und Mustererkennungstechniken können auch Erkenntnisse aus großen Mengen klinischer Bildaten ziehen, die von Menschen allein nicht zu bewältigen sind, um die Diagnose, Behandlung und Überwachung von Patienten zu revolutionieren.

Um die Bevölkerungsgesundheit zu bewerten und zu verwalten, können ML-Algorithmen helfen, zukünftige Risikoverläufe vorherzusagen, Risikotreiber zu identifizieren und Lösungen für die besten Ergebnisse bereitzustellen. Deep-Learning-Module, die in AI-Technologien integriert sind, ermöglichen es Forschern, komplexe genetische Datensätze zu interpretieren, um bestimmte Arten von Krebs (basierend auf den Genexpressionsprofilen, die aus verschiedenen großen Datensätzen erhalten werden) vorherzusagen und mehrere wirksame Ziele zu identifizieren.

Könnten Sie erläutern, wie Intel mit der Genomik-Gemeinschaft zusammenarbeitet, um große Datensätze in biomedizinische Erkenntnisse zu verwandeln, die personalisierte Pflege beschleunigen?

Präzisionsmedizin liefert individualisierte Gesundheitsdatenquellen, die eine bessere Auswahl von Krankheitszielen und die Identifizierung von Patientenpopulationen ermöglichen, die verbesserte klinische Ergebnisse bei neuen präventiven und therapeutischen Ansätzen zeigen.

Genomik ist die Grundlage dieser Präzisionsmedizin. Sie liefert die Blaupause dessen, wer wir sind, und warum und wie wir einzigartig sind, was für Anbieter von entscheidender Bedeutung ist, da sie diese Informationen mit anderen Daten (Bilder, klinische Chemie, medizinische Geschichte, Kohortendaten usw.) kombinieren. Kliniker verwenden diese Informationen, um patientenspezifische Behandlungen zu entwickeln und bereitzustellen, die ein geringeres Risiko und wirksamer sind.

Intel arbeitet mit der Genomik-Gemeinschaft zusammen, indem es die am häufigsten verwendeten genetischen Analyse-Tools der Branche optimiert, um auf Intel-Architektur-basierten Plattformen und den Prozessoren, die sie antreiben, am besten zu laufen. Zum Beispiel zeigt die Optimierung der Broad Institute’s führenden genetischen Varianten-Software, des Genomic Analysis Toolkit (GATK), auf Intel-Hardware mit OpenVINO, um die AI-Modellentwicklung zu erleichtern, unsere Auswirkungen und unser Engagement in dieser Branche. Das GATK-Toolkit bietet Vorteile für die biomedizinische Forschung wie Genomics DB, die Dateien von etwa 200 GB Größe (typisch für genetische Datensätze) effizient speichert, und die Genome Kernel Library, die auf AVX512 läuft, um genetische Workloads und AI-Nutzung zu beschleunigen.

Die Beschleunigung der Geschwindigkeit und die Senkung der Kosten der genetischen Analyse bei gleichzeitiger Aufrechterhaltung der Genauigkeit dieser Analyse ist für biomedizinische und andere Lebenswissenschaftler, die Intel-Computing-Lösungen verwenden, um neue medizinische Erkenntnisse zu entdecken und zu nutzen, von großem Interesse.

Könnten Sie über die Bedeutung von Remote-Gesundheitsversorgung sprechen?

Die Gesundheitsbranche hat an verschiedenen Formen und Aspekten der Remote-Pflege gearbeitet. Die Gründe dafür waren, bis vor kurzem, eine intuitive und gehoffte Überzeugung, dass Remote-Pflege für viele Pflegesituationen so gut oder besser sein kann wie traditionelle Modelle im Klinikum. Jetzt, durch die Pandemiekrise und ihre Auswirkungen, sind Gesundheitsversorgungssysteme auf der ganzen Welt gezwungen, Telemedizin zu übernehmen oder zusammenzubrechen. Dieser plötzliche Ansturm auf die Implementierung beweist, dass diese langgehegten Überzeugungen wahr sind und die Pflege auf Distanz sowohl lebenswichtig als auch sehr lebensfähig ist.

Remote-Pflege hat viele Vorteile. Die Zufriedenheit der Patienten mit der telemedizinischen Versorgung steigt rasch. Sie können ruhiger und entspannt in ihrem Zuhause bleiben, mit weniger Störungen und Zeit-/Zeitplan-Auswirkungen. Anbieter mögen es, weil es ihnen ermöglicht, mehr Patienten zu sehen, und ihre eigene Zeit und knappe klinische Ressourcen besser zu verwalten. Und was in den letzten Monaten für jeden zum klarsten und überzeugendsten Grund geworden ist, ist die inhärente Fähigkeit der Remote-Pflege, die Ansteckung zu begrenzen und den Bedarf an persönlichem Kontakt, wenn ein Video-Chat mit augmentierter Geräte- und Compute-Telemetrie die meisten Pflegesaufgaben genauso gut erledigen kann.

Können Sie einige der Technologien besprechen, die derzeit für die Remote-Überwachung von Patienten verwendet werden?

Es gibt mehrere kritische Technologie-Elemente. Das Wichtigste ist die Benutzerfreundlichkeit für den Patienten, schnell gefolgt von Sicherheit und Datenschutz der Daten und der Robustheit der Anwendung und der Daten, die sie erfasst. Zum Beispiel müssen wir verhindern, dass ein Benutzer versehentlich eine Überwachungs-App von seinem iPad löscht.

Ein weiterer kritischer Aspekt für einen Anbieter, der über mehrere Patienten hinweg bereitgestellt wird, ist die Flottenverwaltung und die Fähigkeit, Updates oder technische Unterstützung über das Netz zu senden und auf jeden Benutzer oder eine Gruppe von Benutzern zuzuschneiden. Dies erfordert:

• Standardisierung des Daten Austauschs und Datenschutzes mit Branchenstandards wie FHIR und Continua;
• eine sichere und energiesparende Rechenplattform, um die Daten zu orchestrieren und an den Kliniker zu kommunizieren, einschließlich geeigneter Software und Verschlüsselung;
• Verbindung über ein Mobilfunknetz, um die Benutzergeräte unabhängig zu machen und nicht von Wi-Fi zu Hause abhängig zu machen, das möglicherweise unzuverlässig oder sogar nicht existent ist;
• Cloud-Speicher und -Analytik auf der Backend-Seite.

Darüber hinaus ist die Fähigkeit, die von Benutzern eingehenden Daten zu sammeln und zu aggregieren, fundamental, um Klinikern die Patientenüberwachung und -unterstützung zu ermöglichen und Software und Analysen zu informieren, um Klinik-Teams über einen nominalen Zustand oder eine Alarmbenachrichtigung für Ergebnisse, die nicht im Rahmen liegen, zu unterrichten.

Wir glauben, dass KI in Zukunft eine viel größere Rolle bei der Patientenüberwachung spielen wird, die Patientenerfahrung durch natürliche Sprachumfragen (“Wie geht es Ihnen heute?”, “Ihr Blutdruck scheint ein bisschen hoch zu sein”) verbessern und es Klinik-Teams ermöglichen, die Gesundheit eines Patienten besser zu verstehen und geeignete Behandlungen zu identifizieren. Durch die Verwendung von KI-Modellen wird auch die Bevölkerungsgesundheitsverwaltung voranschreiten, wenn alle Patientendaten in immer größere Datensätze einfließen, um die Genauigkeit eines iterativen Lernmodells zu verbessern. Dies ist für die Remote-Überwachung im großen Maßstab unerlässlich.

Welche sind einige der Probleme, die überwunden werden müssen, um die Erfolgsrate der Remote-Gesundheitsversorgung zu erhöhen?

Viele der gleichen Probleme, die unser aktuelles System der traditionellen Pflegedienstleistungen plagt, sind auch Faktoren, die den Erfolg der Remote-Pflege fördern oder behindern. Dazu gehören gesellschaftliche Sub-Gruppen-Überzeugungen und Stigmata im Zusammenhang mit der Gesundheitsversorgung oder sozioökonomische Barrieren, die aus fehlender Versicherung, Technologie-Fluency, erforderlichen Geräten und Konnektivität resultieren. Daten-Silos verhindern die Maximierung des Wertes, den größere gemeinsame Datensätze produzieren könnten, insbesondere jetzt, da unsere Fähigkeit, Lernprogramme zu nutzen, wirklich aufkommt.

Aber es gibt Herausforderungen, die einzigartig für die Remote-Pflege sind:

• Richtlinien- und Zahlungsprobleme, obwohl sie in letzter Zeit verbessert wurden, müssen ihre positive Dynamik fortsetzen, um sich auszudehnen und die Einschränkungen aufzuheben, was über Remote-Pflege-Modality erlaubt und erstattet ist;
• finanzielle Herausforderungen und mangelnde Kapitalinvestitionen in die Gesundheitsversorgung erfordern eine Umstellung von einem CapEx-Modell auf ein OpEx-Modell. Anstatt in Einrichtungen und Anlagevermögen zu investieren, können Anbieter auf ein “Pay-as-you-go”-Modell umsteigen und somit die Notwendigkeit vieler fester Infrastrukturen vermeiden und, wie bei der Telefonie, nur für die genutzten Minuten (oder Daten) zahlen;
• die Benutzererfahrung, sowohl für den Patienten als auch für den Anbieter, muss weiter verbessert werden, letztendlich bis zu dem Punkt, an dem die Technologie in den Hintergrund tritt und die Fähigkeiten intuitiv und nahtlos sind und der Prozess überzeugend ist, mit gleichwertigen oder besseren Ergebnissen und Kostenstrukturen.

Letztendlich wollen wir, dass die Technologie die Bereitstellung von Pflege unterstützt, nicht im Weg steht. Wenn wir erfolgreich sind (und wir glauben, dass wir es sind und es weiterhin sein werden), dann wird die Technologie tatsächlich eine Brücke zu einem besseren Modell der Remote-Pflege bereitstellen, was den besten Fall für die Normalisierung der Remote-Pflege als Standard der Pflegedienstleistungen darstellt.

Vielen Dank für das fantastische Interview, ich habe mich gefreut, mehr über Intels Gesundheitsbemühungen zu erfahren. Leser, die mehr erfahren möchten, sollten Intels Global Health & Life Sciences Business besuchen.