Dave Ryan, Γενικός Διευθυντής, Υγεία & Επιστήμες Ζωής tại Intel – Σειρά Συνεντεύξεων

O Dave Ryan ηγείται της παγκόσμιας επιχείρησης Υγείας & Επιστημών Ζωής της Intel (INTC ), η οποία εστιάζει στην ψηφιακή μεταμόρφωση από την άκρη έως τον σύννεφο, προκειμένου να καταστήσει την ακρίβεια, την αξία-βασισμένη φροντίδα μια πραγματικότητα. Οι πελάτες του είναι οι κατασκευαστές που κατασκευάζουν όργανα επιστημών ζωής, ιατρικό εξοπλισμό, κλινικά συστήματα, υπολογιστές και συσκευές που χρησιμοποιούνται από ερευνητικά κέντρα, νοσοκομεία, κλινικές, ιδρύματα φροντίδας και το σπίτι. Ο Dave έχει υπηρετήσει στις διοικητικές επιτροπές της Consumer Technology Association Health & Fitness Division, του HIMSS’ Personal Connected Health Alliance, του Global Coalition on Aging και του Alliance for Connected Care.

Τι είναι η επιχείρηση Υγείας & Επιστημών Ζωής της Intel;

Η επιχείρηση Υγείας & Επιστημών Ζωής της Intel βοηθά τους πελάτες να δημιουργήσουν λύσεις στις περιοχές της ιατρικής εικόνας, των κλινικών συστημάτων και των εργαστηρίων και επιστημών ζωής, επιτρέποντας την κατανεμημένη, έξυπνη και προσωποποιημένη φροντίδα.

Η επιχείρηση Υγείας της Intel εστιάζει στην υγεία του πληθυσμού, την ιατρική εικόνα, τα κλινικά συστήματα και την ψηφιακή υποδομή.

• Η υγεία του πληθυσμού εξετάζει διάφορα δεδομένα ασθενών για να δώσει στους παρόχους πληροφορίες σχετικά με τους κινδύνους για ιατρικά προβλήματα και βελτιωμένες θεραπείες σε κοόρτες. Τα βελτιστοποιημένα και ρυθμισμένα ML και AI βοηθούν να “ταξινομήσουν” ομάδες, ώστε οι ασφαλιστές και οι παρόχοι να προτεραιοποιήσουν τους ασθενείς που βρίσκονται σε μεγαλύτερο κίνδυνο.
• Η ιατρική εικόνα (π.χ. MRI, CT), παράγει τεράστια σύνολα δεδομένων που απαιτούν ακριβή αξιολόγηση χωρίς περιθώριο για λάθη. Η Υψηλή Απόδοση Υπολογισμών (HPC) και το AI βοηθούν να σαρώσουν τα δεδομένα εικόνας πιο γρήγορα και να αναγνωρίσουν κρίσιμους παράγοντες για να βοηθήσουν τους ακτινολόγους στη διάγνωση.
• Τα κλινικά συστήματα χρησιμοποιούν υπολογιστική όραση, AI, HPC και υπολογισμό άκρης για την παρακολούθηση των ασθενών, τη ρομποτική χειρουργική και τη τηλεϊατρική και πολλά άλλα. Αυτά τα έξυπνα συστήματα συμφωνούν με διάφορα δεδομένα πηγής για μια πλήρη άποψη του ασθενή και καλύτερη διάγνωση, με ευελιξία και κλιμακωτότητα για να υποστηρίξουν τις μεταβαλλόμενες οργανωτικές ανάγκες.
• Η ψηφιακή υποδομή ενσωματώνει πολλές τεχνολογίες για να επιτρέψει νέες προσεγγίσεις στην αλληλεπίδραση του ασθενή, συμπεριλαμβανομένης της φροντίδας όπου οι κλινικοί συνεργάζονται σε διάστημα και χρόνο για τη διαχείριση της κατάστασης, τη χειρουργική και την ανάλυση.

Η επιχείρηση Εργαστηρίων και Επιστημών Ζωής της Intel εστιάζει σε 3 основные περιοχές: Ανάλυση Δεδομένων, ‘Omics και Φαρμακευτική.

• Η ανάλυση δεδομένων χρησιμοποιεί το AI για να οδηγήσει μια κασκάδα ανακαλύψεων και ερευνών που βοηθούν να ενεργοποιήσουν, μεταξύ άλλων, την ακρίβεια της ιατρικής, διασφαλίζοντας ότι οι ασθενείς λαμβάνουν τα φάρμακα που είναι πιο αποτελεσματικά για αυτούς και μειώνουν τον κίνδυνο προφίλ παρενεργειών.
• Το ‘Omics περιγράφει και ποσοτικοποιεί ομάδες βιολογικών μορίων, χρησιμοποιώντας βιοπληροφορική και υπολογιστική βιολογία. Τα τεράστια σύνολα δεδομένων που εμπλέκονται εδώ απαιτούν υψηλή απόδοση επεξεργασίας για να ληφθούν αποτελέσματα εντός λογικών χρονικών πλαισίων. Με αυτή την απόδοση και новые βάσεις δεδομένων, εργαλεία, βιβλιοθήκες και βελτιώσεις κώδικα, οι ιδρύσεις ‘Omics μπορούν να μειώσουν τον χρόνο για αποτελέσματα και το κόστος ανάπτυξης.
• Η φαρμακευτική είναι η μελέτη των φαρμάκων και του πώς αλληλεπιδρούν με τα ανθρώπινα βιολογικά συστήματα, συμπεριλαμβανομένης της μοριακής επιπέδου όπου η επιστήμη δεδομένων χρειάζεται το AI και το ML για να βοηθήσει με τη γενιά και την βελτιστοποίηση, την ταυτοποίηση στόχων και την προκλινική έρευνα. Αυτό οδηγεί σε καλύτερες κλινικές δοκιμές, έξυπνες έρευνες και ταχύτερη ανακάλυψη νέων φαρμάκων.

Πότε προσωπικά αρχίσατε να ενδιαφέρεστε για τη χρήση του AI για το όφελος της υγείας;

Η εξάπλωση του AI σε πολλές βιομηχανίες έχει κυρίως αφορούσε την αυτοματοποίηση των εργασιών που εκτελούνται συνήθως από ανθρώπους. Στην υγεία, το AI έχει γίνει ένα εργαλείο μέσω του οποίου ενισχύουμε ή βοηθούμε, δεν αντικαθιστούμε, την υπάρχουσα ανθρώπινη εμπειρογνωσία για να παρέχουμε πραγματικά μεταμορφωτικές προσεγγίσεις στη διάγνωση και τη θεραπεία. Και πουθενά δεν είναι πιο σαφής από την ιατρική εικόνα, στην οποία ο όγκος και η πολυπλοκότητα των δεδομένων είναι και εμπόδιο και ευκαιρία. Σήμερα, το AI και η συλλογή δεδομένων ιδιαίτερα μπορούν να εκτελέσουν πιο γρήγορες και λεπτομερείς σαρώσεις τεράστια συνόλων πληροφοριών από ό, τι οποίος άνθρωπος μπορεί και, κάνοντας così, αποκαλύπτουν ερευνες που προηγουμένως ήταν κρυφές και μεγιστοποιούν τον πολύτιμο χρόνο του ακτινολόγου για να φθάσουν σε καλύτερη διαγνωστική σύγκλιση και για περισσότερους ασθενείς. Για παράδειγμα, οι λύσεις AI από πελάτες βοηθούν τους ακτινολόγους αναλύοντας δεδομένα σε ακτίνες-Χ που θα μπορούσαν να υποδείξουν την παρουσία μιας συρρικνωμένης πνεύμονα (πνευμοθώρακας) ή COVID. Αυτό είναι ένα πραγματικά αξιοσημείωτο επίτευγμα που επαναχαρακτηρίζει την αποτελεσματικότητα της ιατρικής εικόνας και του πώς εφαρμόζεται η ανθρώπινη εμπειρογνωσία. Μάρτυρας τέτοιου είδους μετασχηματισμού σε αυτόν τον τομέα φυσικά μας мотивάρει να αναζητήσουμε την επόμενη μεγάλη άλμα σε άλλες υγειονομικές και επιστημονικές αναζητήσεις όπου ο άνθρωπος και η μηχανή συνδυάζονται για να παράγουν ένα νέο σύνολο πολύ μεγαλύτερο από το άθροισμα των μερών. Πηγαίνοντας ένα βήμα παραπέρα είναι η ιδέα ότι το AI μπορεί να δημοκρατήσει τις γνώσεις σε διάφορες περιοχές φροντίδας και να κάνει την σπάνια ανθρώπινη εμπειρογνωσία και την εμπειρία-βασισμένη νюάνς να πάνε ακόμη πιο μακριά, αυξάνοντας το επίπεδο ποιότητας.

Πόσο σημαντικό είναι το AI για την ανάλυση μεγάλων δεδομένων σε κλινικό περιβάλλον;

Οι βιομηχανίες Υγείας και Επιστημών Ζωής παράγουν περισσότερα δεδομένα με μεγαλύτερη πολυπλοκότητα από οποιαδήποτε άλλη βιομηχανία στον κόσμο σήμερα. Και αντίθετα με άλλες βιομηχανίες, η αποτελεσματική διαχείριση και ανάλυση αυτών των δεδομένων είναι θέμα ζωής και θανάτου. Δεδομένων αυτών των μεγεθών, το AI είναι τώρα ένα απαραίτητο εργαλείο μιας σειράς αναγκών, τόσο συνήθων όσο και καινοτόμων, και στα κλινικά και στα εργαστηριακά περιβάλλοντα για να αντιμετωπίσουν τον Τριπλό Στόχο της βιομηχανίας: Βελτίωση της ποιότητας φροντίδας και πρόσβασης ενώ μειώνει το κόστος.

Για παράδειγμα, τα ηλεκτρονικά ιατρικά αρχεία (EHR) έχουν επιτρέψει μια ψηφιακή επανάσταση στην ποιότητα και την αποτελεσματικότητα της φροντίδας. Δυστυχώς, μέσα σε αυτά τα αρχεία υπάρχει ένα μείγμα από μη δομημένα και δομημένα δεδομένα, τα οποία το AI μπορεί να βοηθήσει να ψηφιοποιηθούν σε πιο ενοποιημένα και χρήσιμα σύνολα δεδομένων. Η οπτική αναγνώριση χαρακτήρων (OCR) και η φυσική επεξεργασία γλώσσας (NLP) είναι μόνο δύο μοντέλα που μπορούν να μετατρέψουν τα αναλογικά της γραφής και της φωνής σε δεδομένα EHR. Και μια φορά ψηφιοποιημένα, το AI μπορεί να εφαρμοστεί σε αυτά τα σύνολα δεδομένων σε πολλές ενθουσιαστικές περιπτώσεις χρήσης.

Σε άλλες περιπτώσεις, τα δεδομένα που συλλέγονται από ιατρικές συσκευές και κάμερες αυξάνονται και, όταν συνδυάζονται με δεδομένα ιστορικού ασθενών, η ανάλυση μπορεί να βοηθήσει να οδηγήσει σε νέες ερευνες για να προσωποποιήσει περαιτέρω τη θεραπεία. Σε πολλές περιπτώσεις, πολλά νοσοκομεία έχουν ήδη αναπτύξει αλγόριθμους που μπορούν να προβλέψουν την έναρξη της σήψης για ταχύτερη παρέμβαση και στα ΙΚΑ, το λογισμικό μπορεί να συνδυάσει δεδομένα από πολλές απομονωμένες συσκευές για να δημιουργήσει μια εντυπωσιακά πλήρη εικόνα του ασθενή σε σχεδόν-πραγματικό χρόνο. Με την πάροδο του χρόνου, όλα αυτά τα συλλεγμένα και αποθηκευμένα δεδομένα μπορούν επίσης να αναλυθούν για καλύτερες προβλέψεις στο μέλλον.

Τι είναι κάποιες από τις πιο αξιοσημείωτες περιπτώσεις χρήσης που βλέπετε για το ML που αναλύει αυτά τα δεδομένα;

Όπως αναφέρθηκε παραπάνω, τα εργαλεία NLP μπορούν να βοηθήσουν να αντικαταστήσουν τη χειρογραφική καταγραφή ή την είσοδο δεδομένων για να δημιουργήσουν νέα έγγραφα, όπως περίληψη επισκέψεων ασθενών και λεπτομερείς κλινικές σημειώσεις. Αυτό επιτρέπει στους κλινικούς να δουν περισσότερους ασθενείς και στους παρόχους να βελτιώσουν την τεκμηρίωση, τη ροή εργασιών και την ακρίβεια της factoring, εισάγοντας εντολές και τεκμηρίωση νωρίτερα στην ημέρα.

Πιο ευρύτερα, τα εργαλεία ανάλυσης που ενεργοποιούνται από το AI βοηθούν τους παρόχους να κατανοήσουν και να διαχειριστούν eine ευρεία γκάμα κλινικών εφαρμογών που βελτιώνουν την αποτελεσματικότητα και μειώνουν το κόστος. Αυτό επιτρέπει στα νοσοκομεία να διαχειριστούν καλύτερα τους πόρους και να επιδιορθώσουν τις καλύτερες πρακτικές, και τις ομάδες φροντίδας να συνεργαστούν στις διαγνώσεις και να συντονίσουν τις θεραπείες και την总 φροντίδα που παρέχουν στους ασθενείς.

Οι κλινικοί γιατροί μπορούν να αναλύσουν για στοχευμένες ανωμαλίες χρησιμοποιώντας κατάλληλες προσεγγίσεις ML και να φιλτράρουν δομημένη πληροφορία από άλλα خام δεδομένα. Αυτό μπορεί να οδηγήσει σε ταχύτερη και πιο ακριβή διάγνωση και βέλτιστη θεραπεία. Για παράδειγμα, αλγόριθμοι ML μπορούν να μετατρέψουν το σύστημα διάγνωσης ιατρικών εικόνων σε αυτοματοποιημένη λήψη αποφάσεων, μετατρέποντας εικόνες σε κείμενο που μπορεί να διαβαστεί από μηχανή. Τεχνικές ML και αναγνώρισης προτύπων μπορούν επίσης να εξάγουν ερευνες από τεράστια όγκους κλινικών δεδομένων εικόνας, ακατόρθωτα από τον άνθρωπο, για να μετασχηματίσουν τη διάγνωση, τη θεραπεία και την παρακολούθηση των ασθενών.

Για να αξιολογήσουν και να διαχειριστούν την υγεία του πληθυσμού, αλγόριθμοι ML μπορούν να βοηθήσουν να προβλέψουν μελλοντικές διαδρομές κινδύνου, να αναγνωρίσουν οδηγούς κινδύνου και να παρέχουν λύσεις για τις καλύτερες εξόδους. Μονάδες βαθιάς μάθησης που ενσωματώνουν τεχνολογίες AI επιτρέπουν στους ερευνητές να ερμηνεύσουν σύνθετα γονιδιακά σύνολα δεδομένων, να προβλέψουν συγκεκριμένα είδη καρκίνου (βασισμένα στο γονιδιακό προφίλ που λαμβάνεται από διάφορα μεγάλα σύνολα δεδομένων) και να αναγνωρίσουν πολλαπλά φαρμακευτικά στόχους.

Μπορείτε να διευκρινίσετε πώς η Intel συνεργάζεται με την κοινότητα των γονιδιωμάτων για να μετατρέψει μεγάλα σύνολα δεδομένων σε βιοϊατρικές ερευνες που επιταχύνουν την προσωποποιημένη φροντίδα;

Η ακρίβεια της ιατρικής παρέχει δεδομένα υγείας σε επίπεδο ατόμου που επιτρέπουν καλύτερη επιλογή στόχων ασθένειας και αναγνώριση πληθυσμών ασθενών που δείχνουν βελτιωμένα κλινικά αποτελέσματα σε νέες προληπτικές και θεραπευτικές προσεγγίσεις.

Τα γονίδια είναι ο πυρήνας της ακρίβειας της ιατρικής. Παρέχει το σχέδιο του ποιος είμαστε, και γιατί και πώς είμαστε μοναδικοί, το οποίο είναι κρίσιμο για τους παρόχους να κατανοήσουν, καθώς συνδυάζουν αυτές τις πληροφορίες με άλλα δεδομένα (εικόνες, κλινική χημεία, ιατρικό ιστορικό, δεδομένα κοόρτης, κ.λπ.). Οι κλινικοί γιατροί χρησιμοποιούν αυτές τις πληροφορίες για να αναπτύξουν και να παρέχουν θεραπείες που είναι προσωποποιημένες για τον κάθε ασθενή, με χαμηλότερο κίνδυνο και πιο αποτελεσματικές.

Η Intel συνεργάζεται με την κοινότητα των γονιδιωμάτων, βελτιστοποιώντας τα πιο συχνά χρησιμοποιούμενα εργαλεία γονιδιακής ανάλυσης που χρησιμοποιούνται στη βιομηχανία για να τρέξουν καλύτερα και σε πλατφόρμες και επεξεργαστές Intel. Για παράδειγμα, η βελτιστοποίηση του Genomic Analysis Toolkit (GATK) του Broad Institute, ενός ηγετικού εργαλείου γονιδιακής παραλλαγής, σε υλικό Intel χρησιμοποιώντας OpenVINO για να διευκολύνει την ανάπτυξη και την αναπτυξιακή ανάπτυξη του AI, υπογραμμίζει την επίδρασή μας και την υποχρέωση μας σε αυτήν την βιομηχανία. Το εργαλείο GATK παρέχει οφέλη στην βιοϊατρική έρευνα, όπως η Genomics DB, η οποία αποθηκεύει αποτελεσματικά αρχεία ~200GB σε μέγεθος (τυπικά για γονιδιακά σύνολα δεδομένων) και η Genome Kernel Library που τρέχει AVX512, η οποία αξιοποιεί συγκεκριμένες οδηγίες υλικού Intel για να επιταχύνει τις γονιδιακές εργασίες και τη χρήση του AI.

Η επιτάχυνση της ταχύτητας και η μείωση του κόστους της γονιδιακής ανάλυσης, διατηρώντας παράλληλα την ακρίβεια της ανάλυσης, συνεχίζει να είναι ελκυστική για βιοϊατρικούς και άλλους ερευνητές επιστημών ζωής, καθώς χρησιμοποιούν τις λύσεις υπολογισμού της Intel για να ανακαλύψουν και να αξιοποιήσουν νέες ιατρικές ερευνες.

Μπορείτε να συζητήσετε γιατί πιστεύετε ότι η τηλεϊατρική είναι τόσο σημαντική;

Η βιομηχανία Υγείας έχει εργαστεί σε διάφορες μορφές και аспектια της τηλεϊατρικής για πολλά χρόνια. Οι λόγοι για αυτό έχουν sido, μέχρι πρόσφατα, μια ενστικτώδης και ευχητική πίστη ότι η τηλεϊατρική μπορεί να είναι, για πολλές καταστάσεις φροντίδας, τόσο καλή όσο ή καλύτερη από τα παραδοσιακά μοντέλα κλινικής. Τώρα, ωθούμενη από την κρίση της πανδημίας και την επίδρασή της, τα συστήματα υγείας σε όλο τον κόσμο αναγκάζονται να υιοθετήσουν τη τηλεϊατρική ή να καταρρεύσουν. Αυτή η ξαφνική βιασύνη για την εφαρμογή της τηλεϊατρικής αποδεικνύει ότι αυτές οι μακροχρόνιες πιστεύω είναι αληθινές και ότι η φροντίδα από απόσταση είναι και ζωτική και εξαιρετικά βιώσιμη.

Η τηλεϊατρική έχει πολλά οφέλη. Η άνεση και η ικανοποίηση των ασθενών με τη τηλεϊατρική αυξάνονται γρήγορα. Μπορούν να παραμείνουν πιο ήρεστοι και σε ηρεμία στο σπίτι τους, με λιγότερη διατάραξη και επίδραση στο πρόγραμμα. Οι παρόχοι την αγαπούν, επειδή τους επιτρέπει να δουν περισσότερους ασθενείς και να διαχειριστούν καλύτερα τον χρόνο και τους πόρους τους. Και, φυσικά, αυτό που έχει γίνει το πιο σαφές και πιο πειστικό λόγο αυτών των τελευταίων μηνών για όλους είναι η εγγενής ικανότητα της τηλεϊατρικής να περιορίσει τη μετάδοση και την ανάγκη για προσωπική επαφή, όταν μια βίντεο-συνδιάλεξη με τηλεμετρία και υπολογισμό μπορεί να ολοκληρώσει τις περισσότερες εργασίες φροντίδας.

Μπορείτε να συζητήσετε κάποιες από τις τεχνολογίες που χρησιμοποιούνται τώρα για την τηλεϊατρική;

Υπάρχουν几个 κρίσιμα τεχνολογικά στοιχεία. Το πιο σημαντικό είναι η ευκολία χρήσης για τον ασθενή, ακολουθούμενη γρήγορα από την ασφάλεια και την προστασία των δεδομένων, και την αξιοπιστία της εφαρμογής και των δεδομένων που συλλέγονται. Για παράδειγμα, πρέπει να αποτρέψουμε έναν χρήστη από το να διαγράψει μια εφαρμογή παρακολούθησης από το iPad του κατά λάθος.

Μια άλλη κρίσιμη πτυχή για einen παρόχο που αναπτύσσει σε πολλούς ασθενείς είναι η διαχείριση στόλου και η δυνατότητα να στείλει ενημερώσεις ή τεχνική υποστήριξη μέσω του καλωδίου και να προσαρμοστεί σε κάθε χρήστη ή ομάδα χρηστών. Αυτό απαιτεί:

• τυποποίηση της ανταλλαγής δεδομένων και της προστασίας με βιομηχανικά πρότυπα όπως το FHIR και το Continua;
• ασφαλής και ενεργειακά αποδοτική πλατφόρμα υπολογισμού για να ορχηστρώσει τα δεδομένα και να τα επικοινωνήσει πίσω στον κλινικό, συμπεριλαμβανομένης της κατάλληλης λογισμικού και κρυπτογράφησης;
• σύνδεση μέσω κινητού δικτύου για να κάνει τις συσκευές του χρήστη αυτόνομες και να μην εξαρτώνται από το Wi-Fi στο σπίτι που μπορεί να είναι αξιόπιστο ή ακόμη και μη υπάρχον;
• αποθήκευση cloud και ανάλυση στο backend.

Επιπλέον, η ικανότητα να συλλέγουμε και να συναθροίζουμε τα δεδομένα που ρέουν από τους χρήστες είναι θεμελιώδους σημασίας για να επιτρέψουμε στους κλινικούς να κάνουν παρακολούθηση ασθενών και υποστήριξη, και για το λογισμικό και την ανάλυση να ενημερώσουν τις ομάδες φροντίδας για μια ονομαστική κατάσταση ή να ξεκινήσουν μια ειδοποίηση προειδοποίησης για αποτελέσματα που είναι εκτός ανεκτών ορίων.

Πιστεύουμε ότι το AI θα παίξει πολύ μεγαλύτερο ρόλο στην παρακολούθηση ασθενών στο μέλλον, βελτιώνοντας την εμπειρία του ασθενή μέσω φυσικών ερωτημάτων φωνής (“Πώς σας cảm覺 σήμερα;”, “Η αρτηριακή πίεσή σας φαίνεται λίγο υψηλή”) και επιτρέποντας στις ομάδες φροντίδας να κατανοήσουν καλύτερα την υγεία του ασθενή και να αναγνωρίσουν τις κατάλληλες θεραπείες. Μέσω της χρήσης μοντέλων AI, η διαχείριση υγείας του πληθυσμού θα προχωρήσει επίσης με όλα τα δεδομένα ασθενών να ενσωματώνονται σε μεγαλύτερα σύνολα δεδομένων που βελτιώνουν την ακρίβεια ενός ερμηνευτικού μοντέλου. Αυτό είναι απαραίτητο για τη τηλεϊατρική σε κλίμακα.

Τι είναι κάποια από τα προβλήματα που πρέπει να υπερβούν για να αυξήσουν το ποσοστό επιτυχίας της τηλεϊατρικής;

Πολλά από τα ίδια ζητήματα που ταλαιπωρούν το τρέχον σύστημα παραδοσιακής φροντίδας είναι επίσης παράγοντες που ενισχύουν ή εμποδίζουν την επιτυχία της τηλεϊατρικής. Αυτά περιλαμβάνουν κοινωνικές υπο-τμήματα πιστεύω και στίγματα που περιβάλλουν την υγεία, ή κοινωνικο-οικονομικά εμπόδια που προέρχονται από έλλειψη ασφάλισης, τεχνολογικής ευφυΐας, απαιτούμενων συσκευών και συνδεσιμότητας. Δεδομένα σιλό εμποδίζουν την μεγιστοποίηση της αξίας που θα μπορούσαν να παράγουν μεγαλύτερα κοινά σύνολα δεδομένων, ιδιαίτερα τώρα που η ικανότητά μας να αξιοποιούμε προγράμματα μάθησης είναι πραγματικά αναδυόμενη.

Αλλά υπάρχουν προκλήσεις που είναι μοναδικές για τη τηλεϊατρική:

• ζητήματα πολιτικής και πληρωμής, αν και πολύ βελτιωμένα πρόσφατα, πρέπει να συνεχίσουν την θετική τους ροή για να επεκταθούν με χαλαρότερες περιοριστικές για το τι είναι επιτρεπτό και αποζημιώσιμο μέσω της τηλεϊατρικής;
• οικονομικές προκλήσεις και έλλειψη κεφαλαίου για επένδυση σε τεχνολογία στην υγεία απαιτούν μια μετάβαση από ένα μοντέλο CapEx σε ένα OpEx. Αντί να επενδύουν σε εγκαταστάσεις και εξοπλισμό CapEx, οι παρόχοι μπορούν να μεταβούν σε ένα “πληρώνω όσο χρησιμοποιώ” μοντέλο, παρακάμπτοντας την ανάγκη για πολλή σταθερή υποδομή και, όπως η τηλεφωνική υπηρεσία, να πληρώνουν για τα λεπτά (ή δεδομένα) που χρησιμοποιούν;
• η εμπειρία του χρήστη, τόσο για τον ασθενή όσο και για τον παρόχο, πρέπει να συνεχίσει να βελτιώνεται, τελικά σε σημείο όπου η τεχνολογία εξαφανίζεται στο παρασκήνιο, και οι ικανότητες είναι εύκολες και άρρηκτες και η διαδικασία είναι πειστική με ισοδύναμα ή καλύτερα αποτελέσματα και κόστη.

Τελικά, θέλουμε η τεχνολογία να υποστηρίξει την παροχή φροντίδας, όχι να εμποδίσει τη φροντίδα. Αν είμαστε επιτυχημένοι (και πιστεύουμε ότι είμαστε και θα συνεχίσουμε να είμαστε), τότε η τεχνολογία θα επιτρέψει μια γέφυρα για το καλύτερο μοντέλο τηλεϊατρικής, κάνωντας την καλύτερη περίπτωση για τη κανονικοποίηση της τηλεϊατρικής ως πρότυπο φροντίδας.

Ευχαριστώ για τη φανταστική συνέντευξη, απολαύσατε να μάθετε περισσότερα για τις προσπάθειες υγείας της Intel. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την παγκόσμια επιχείρηση Υγείας & Επιστημών Ζωής της Intel.