Dave Ryan, Γενικός Διευθυντής, Υγείας & Επιστημών Ζωής Επιχείρησης στο Intel – Σειρά Συνεντεύξεων

Ο Dave Ryan ηγείται της παγκόσμιας επιχείρησης Υγείας & Επιστημών Ζωής στο Intel που επικεντρώνεται στην ψηφιακή μεταμόρφωση από την άκρη έως το σύννεφο προκειμένου να κάνει την ακρίβεια, την αξία-βασισμένη φροντίδα μια πραγματικότητα. Οι πελάτες του είναι οι κατασκευαστές που κατασκευάζουν όργανα επιστημών ζωής, ιατρικά器ά, κλινικά συστήματα, υπολογιστές και συσκευές που χρησιμοποιούνται από κέντρα ερευνών, νοσοκομεία, κλινικές, οικιστικές εγκαταστάσεις 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 του Intel;

Η επιχείρηση Υγείας & Επιστημών Ζωής του Intel βοηθά τους πελάτες να δημιουργήσουν λύσεις στις περιοχές της ιατρικής εικόνας, κλινικών συστημάτων και εργαστηριακών επιστημών ζωής, ενεργοποιώντας τη διανεμημένη, έξυπνη και προσωποποιημένη φροντίδα.

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

• Η Υγεία του Πληθυσμού εξετάζει διαφορετικά δεδομένα ασθενών για να δώσει στους παρόχους πληροφορίες σχετικά με τους κινδύνους για ιατρικά προβλήματα και βελτιωμένες θεραπείες σε κοόρτες. Η βελτιστοποιημένη και ρυθμισμένη ML και AI βοηθά να “ταξινομήσει” ομάδες, ώστε οι πληρωτές και οι παρόχοι να προτεραιοποιούν τους ασθενείς που βρίσκονται σε μεγαλύτερο κίνδυνο.
• Η Ιατρική Εικόνα (π.χ. MRI, CT), παράγει τεράστια σύνολα δεδομένων που απαιτούν ακριβή αξιολόγηση χωρίς δωμάτιο για λάθος. Η Υπερυπολογιστική και η 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, Υπερυπολογιστική και υπολογισμό άκρης για την παρακολούθηση ασθενών, τη ρομποτική χειρουργική και τη τηλεϊατρική και πολλά άλλα. Αυτά τα έξυπνα συστήματα συμφωνούν με διαφορετικά δεδομένα για μια πλήρη άποψη του ασθενή και καλύτερη διάγνωση, με ευελιξία και κλιμακωτότητα για την υποστήριξη των μεταβαλλόμενων οργανωτικών αναγκών.
• Η Ψηφιακή Υποδομή ενσωματώνει πολλές τεχνολογίες για να ενεργοποιήσει νέες προσεγγίσεις στην αλληλεπίδραση ασθενών, συμπεριλαμβανομένης της φροντίδαςどこ και οποτεδήποτε, όπου οι κλινικοί συνεργάζονται σε διάστημα και χρόνο για τη διαχείριση καταστάσεων, τη χειρουργική και τις αναλύσεις.

Η επιχείρηση Εργαστηριακών Επιστημών Ζωής του Intel επικεντρώνεται σε 3 основные περιοχές: Αναλυτικά Δεδομένων, ‘Omics και Φαρμακευτική.

• Τα Αναλυτικά Δεδομένων χρησιμοποιούν AI για να οδηγήσουν 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 επεξεργασία για να ληφθούν αποτελέσματα εντός λογικών χρονικών πλαισίων. Με αυτή την επεξεργασία και новые βάσεις δεδομένων, εργαλεία, βιβλιοθήκες και βελτιστοποιήσεις κώδικα, οι ιδρύσεις ‘Omics μπορούν να μειώσουν τον χρόνο μέχρι τα αποτελέσματα και τα έξοδα ανάπτυξης.
• Η Φαρμακευτική είναι η μελέτη των φαρμάκων και του πώς αλληλεπιδρούν με τα ανθρώπινα βιολογικά συστήματα, συμπεριλαμβανομένων σε μοριακό επίπεδο όπου η επιστήμη δεδομένων χρειάζεται AI και ML για να βοηθήσει με τη γενιά και τις βελτιστοποιήσεις, την ταυτοποίηση στόχων και την προκλινική έρευνα. Αυτό οδηγεί σε καλύτερες κλινικές δοκιμές, έξυπνες ερευνες και ταχύτερη ανακάλυψη νέων φαρμάκων.

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

Η διάδοση της AI σε πολλές βιομηχανίες έχει κυρίως να κάνει με την αυτοματοποίηση των εργασιών που εκτελούνται από τους ανθρώπους. Στην υγεία, η AI έχει γίνει ένα εργαλείο μέσω του οποίου ενισχύουμε ή βοηθούμε, δεν αντικαθιστούμε, την υπάρχουσα ανθρώπινη εμπειρία για να παραδώσουμε πραγματικά μεταμορφωτικές προσεγγίσεις στη διάγνωση και τη θεραπεία. Και πουθενά δεν είναι αυτό πιο σαφές niż στην ιατρική εικόνα, στην οποία το όγκο και η复雑ία των δεδομένων είναι και εμπόδιο και ευκαιρία. Σήμερα, η AI, και η συλλογή ειδικότερα, είναι σε θέση να εκτελέσει πιο γρήγορες και λεπτομερείς σαρώσεις μεγάλων πεδίων πληροφοριών από ό,τι οποίος άνθρωπος μπορεί και, κάνοντας这样, αποκαλύπτει πληροφορίες που ήταν προηγουμένως κρυμμένες και μεγιστοποιεί τον πολύτιμο χρόνο του ακτινολόγου για να φθάσει σε καλύτερη διαγνωστική σύμπερασμα 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 επαναστάτει την αποτελεσματικότητα της ιατρικής εικόνας και του πώς εφαρμόζεται η ανθρώπινη εμπειρία. Το να μαρτυρήσουμε τέτοια μεταμόρφωση σε αυτό το ένα πεδίο φυσικά μας мотιβάρει να αναζητήσουμε το επόμενο μεγάλο βήμα σε άλλες υγειονομικές και επιστημονικές επιδιώξεις 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 η AI μπορεί να δημοκρατίσει τις γνώσεις σε όλες τις ιατρικές ειδικότητες και να κάνει την σπάνια ανθρώπινη εμπειρία και την εμπειρία-βασισμένη νюανς να πάνε ακόμα πιο μακριά, αυξάνοντας το επίπεδο της ποιότητας.

Πόσο σημαντική είναι η AI στην ανάλυση μεγάλων δεδομένων σε κλινικό περιβάλλον;

Οι βιομηχανίες Υγείας και Επιστημών Ζωής παράγουν περισσότερα δεδομένα με μεγαλύτερη复雑ία από οποιαδήποτε άλλη βιομηχανία στον κόσμο σήμερα. Και αντίθετα με άλλες βιομηχανίες, η αποτελεσματική διαχείριση και ανάλυση αυτών των δεδομένων είναι ένα ζήτημα ζωής και θανάτου. Δεδομένων αυτών των μεγεθών, η AI είναι τώρα ένα απαραίτητο εργαλείο για eine σειρά αναγκών, τόσο mundanes όσο και przełomowych, και στα κλινικά και στα εργαστηριακά περιβάλλοντα για να αντιμετωπίσουν τον τριπλό στόχο της βιομηχανίας: Βελτίωση της ποιότητας της φροντίδας και της πρόσβασης ενώ μειώνει τα έξοδα.

Για παράδειγμα, τα ηλεκτρονικά ιατρικά αρχεία (EHR) έχουν ενεργοποιήσει μια ψηφιακή επανάσταση στην ποιότητα και την αποτελεσματικότητα της φροντίδας. Δυστυχώς, μέσα σε αυτά τα αρχεία υπάρχει ένα ακατάστατο μείγμα τόσο δομημένων όσο και μη δομημένων δεδομένων, τα οποία η AI μπορεί να βοηθήσει να ψηφιοποιήσει σε πιο ενιαία και χρήσιμα σύνολα δεδομένων. Η αναγνώριση οπτικών χαρακτήρων (OCR) και η φυσική επεξεργασία γλώσσας (NLP) είναι μόνο δύο AI-ενεργοποιημένα μοντέλα που μπορούν να μετατρέψουν τα αναλογικά της χειρόγραφης γραφής και της φωνής σε δεδομένα EHR. Και μια φορά ψηφιοποιημένα, η 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 μεγαλώνουν και, όταν συνδυάζονται με δεδομένα ιστορικού ασθενών, οι αναλύσεις μπορούν να βοηθήσουν να οδηγήσουν σε νέες πληροφορίες για να προσωποποιήσουν τη θεραπεία. Σε επίπεδο απογραφής, πολλά νοσοκομεία έχουν ήδη αναπτύξει αλγόριθμους που μπορούν να προβλέψουν την έναρξη σήψης για ταχύτερη παρέμβαση και στα ΙΚΥ, το λογισμικό μπορεί να συνδυάσει δεδομένα από πολλές απομονωμένες συσκευές για να δημιουργήσει μια εντυπωσιακά πλήρη εικόνα του ασθενή σε近-πραγματικό χρόνο. Με τον καιρό, 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 την ανάλυση δεδομένων με τη βοήθεια της μηχανικής μάθησης;

Όπως αναφέρθηκε παραπάνω, τα εργαλεία NLP μπορούν να βοηθήσουν να αντικαταστήσουν τη χειρόγραφη ή την είσοδο δεδομένων για να δημιουργήσουν νέα έγγραφα, όπως περίληψη επίσκεψης 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 διαδικασίας.

Πιο ευρύτερα, οι αναλύσεις που ενεργοποιούνται από την AI βοηθούν τους παρόχους να κατανοήσουν και να διαχειριστούν eine σειρά κλινικών εφαρμογών που βελτιώνουν την αποτελεσματικότητα και μειώνουν τα έξοδα. Αυτό επιτρέπει στα νοσοκομεία να διαχειριστούν καλύτερα τους πόρους και να βελτιώσουν τις mejores πρακτικές, και τις ομάδες φροντίδας να συνεργαστούν στις διαγνώσεις και να συντονίσουν τις θεραπείες και την общую φροντίδα που παρέχουν για να βελτιώσουν τα αποτελέσματα των ασθενών.

Οι κλινικοίสามารถ αναλύσουν για στοχευμένες ανωμαλίες χρησιμοποιώντας κατάλληλες προσεγγίσεις ML και να φιλτράρουν τις δομημένες πληροφορίες από άλλα ακατέργαστα δεδομένα. Αυτό μπορεί να οδηγήσει σε ταχύτερη και πιο ακριβή διάγνωση και οπτική θεραπεία. Για παράδειγμα, αλγόριθμοι ML μπορούν να μετατρέψουν το σύστημα διάγνωσης ιατρικών εικόνων σε αυτόματο λήψη αποφάσεων μετατρέποντας εικόνες σε κείμενο που μπορεί να διαβαστεί από μηχανή. Τεχνικές ML και αναγνώρισης προτύπων μπορούν επίσης να αποκτήσουν πληροφορίες από τεράστια όγκους κλινικών δεδομένων εικόνας, ανυπέρβλητα από τον άνθρωπο, για να μεταμορφώσουν 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 τροχιές κινδύνου, να αναγνωρίσουν τους οδηγούς κινδύνου και να παρέχουν λύσεις για τα καλύτερα αποτελέσματα. 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 πολλαπλούς στόχους φαρμάκων.

Μπορείτε να εξηγήσετε πώς το Intel συνεργάζεται με την κοινότητα της γενετικής για να μετατρέψει μεγάλα σύνολα δεδομένων σε βιοϊατρικές πληροφορίες που επιταχύνουν την προσωποποιημένη φροντίδα;

Η ιατρική ακρίβειας 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.

Η γενετική είναι η γωνία αυτής της ιατρικής ακρίβειας. 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 χρησιμοποιούν αυτές τις πληροφορίες για να αναπτύξουν και να παραδώσουν θεραπείες που είναι προσωποποιημένες για τον κάθε ασθενή, χαμηλότερου κινδύνου και πιο αποτελεσματικές.

Το Intel συνεργάζεται με την κοινότητα της γενετικής βελτιστοποιώντας τα πιο συχνά χρησιμοποιούμενα εργαλεία γενετικής ανάλυσης που χρησιμοποιούνται στη βιομηχανία για να τρέξουν καλύτερα και σε πλατφόρμες και επεξεργαστές που βασίζονται σε αρχιτεκτονική Intel. Για παράδειγμα, η βελτιστοποίηση του βιομηχανικού ηγετικού λογισμικού γενετικής παραλλαγής, του Genomic Analysis Toolkit (GATK), σε υλικό Intel χρησιμοποιώντας OpenVINO για να διευκολύνει την ανάπτυξη, την αποσφαλμάτωση και την αναπτύξιμη ανάπτυξη του μοντέλου AI, υπογραμμίζει την επίδραση και την Bout του σε αυτή τη 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 εκμεταλλεύεται ειδικές εντολές υλικού αρχιτεκτονικής Intel για να επιταχύνει τις γονιδιακές και τις εργασίες AI.

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

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

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

Η τηλεϊατρική έχει πολλά οφέλη. Η άνεση και η ικανοποίηση του ασθενή με τη τηλεϊατρική είναι σε αύξηση. Μπορούν να παραμείνουν πιο ήρεμοι και σε ηρεμία στο σπίτι τους με λιγότερη διαταραχή και επίδραση στο χρόνο/πρόγραμμα. Οι παρόχοι την αγαπούν γιατί τους επιτρέπει να δουν περισσότερους ασθενείς και να διαχειριστούν καλύτερα τον χρόνο και τους πόρους τους. Και, φυσικά, αυτό που έχει γίνει η πιο σαφής και πιο πειστική αιτία για όλους τους τελευταίους μήνες είναι η εγγενής ικανότητα της τηλεϊατρικής να περιορίσει την μόλυνση και την ανάγκη για προσωπική επαφή όταν μια βίντεο-συνδιάλεξη με τηλεμετρία μπορεί να ολοκληρώσει τις περισσότερες εργασίες φροντίδας.

Μπορείτε να συζητήσετε κάποιες από τις τεχνολογίες που χρησιμοποιούνται τώρα για την τηλε-παρακολούθηση ασθενών;

Υπάρχουν einige κρίσιμες τεχνολογικές επιλογές. Η πιο σημαντική είναι η ευκολία χρήσης για τον ασθενή, γρήγορα ακολουθούμενη από την ασφάλεια και την ιδιωτικότητα των δεδομένων, και την robustness της εφαρμογής και των δεδομένων που