Dave Ryan, Gerente General, Negocios de Salud y Ciencias de la Vida en Intel – Serie de Entrevistas

Dave Ryan lidera la unidad de negocios Global de Salud y Ciencias de la Vida de Intel (INTC ) que se centra en la transformación digital desde el borde hasta la nube para hacer que el cuidado de precisión y basado en valor sea una realidad. Sus clientes son los fabricantes que construyen instrumentos de ciencias de la vida, equipo médico, sistemas clínicos, dispositivos de cómputo y dispositivos utilizados por centros de investigación, hospitales, clínicas, entornos de cuidado residencial y el hogar. Dave ha servido en las juntas de la Asociación de Tecnología de Consumo de Salud y Fitness, la Alianza de Salud Conectada Personal de HIMSS, la Coalición Global de Envejecimiento y la Alianza para el Cuidado Conectado.  

¿Cuál es el negocio de Salud y Ciencias de la Vida de Intel?

El negocio de Salud y Ciencias de la Vida de Intel ayuda a los clientes a crear soluciones en las áreas de imágenes médicas, sistemas clínicos y laboratorio y ciencias de la vida, lo que permite un cuidado distribuido, inteligente y personalizado.

El negocio de Salud de Intel se centra en la salud de la población, las imágenes médicas, los sistemas clínicos y la infraestructura digital.

• La Salud de la Población examina datos de pacientes diversos para dar a los proveedores información sobre los riesgos de problemas médicos y mejores tratamientos en cohortes. El ML y el AI optimizados ayudan a “estratificar” grupos, para que los pagadores y los proveedores prioricen a los pacientes con mayor riesgo.
• Las Imágenes Médicas (por ejemplo, MRI, CT), generan enormes conjuntos de datos que requieren una evaluación precisa sin margen de error. El HPC y el AI ayudan a escanear más rápidamente los datos de las imágenes y a identificar factores críticos para ayudar a los radiólogos en el diagnóstico.
• Los Sistemas Clínicos utilizan la visión por computadora, el AI, el HPC y el cómputo de borde para el monitoreo de pacientes, la cirugía robótica y la telemedicina, entre otros. Estos sistemas inteligentes reconcilian datos de fuentes diversas para obtener una visión completa del paciente y un mejor diagnóstico, con flexibilidad y escalabilidad para satisfacer las necesidades organizacionales cambiantes.
• La Infraestructura Digital integra muchas tecnologías para permitir enfoques novedosos para la interacción con los pacientes, incluyendo el cuidado en cualquier lugar y en cualquier momento, donde los clínicos colaboran a través del espacio y el tiempo para la gestión de condiciones, la cirugía y el análisis.

El negocio de Laboratorio y Ciencias de la Vida de Intel se centra en 3 áreas principales: Análisis de Datos, ‘Omics y Farmacéutica.

• El Análisis de Datos utiliza el AI para impulsar una cascada de descubrimientos e ideas que ayudan a habilitar, entre otras cosas, la medicina de precisión al garantizar que los pacientes reciban los medicamentos más efectivos para ellos, y así reducir el riesgo de perfiles de efectos secundarios.
• La ‘Omics describe y cuantifica grupos de moléculas biológicas, utilizando bioinformática y biología computacional. Los conjuntos de datos masivos involucrados aquí requieren un procesamiento de alto rendimiento para obtener resultados dentro de plazos razonables. Con este rendimiento y nuevas bases de datos, kits de herramientas, bibliotecas y optimizaciones de código, las instituciones de ‘Omics pueden reducir el tiempo para obtener resultados y los costos de desarrollo.
• La Farmacéutica es el estudio de los medicamentos y cómo interactúan con los sistemas biológicos humanos, incluyendo a nivel molecular, donde la ciencia de datos necesita el AI y el ML para ayudar con la generación de leads y optimizaciones, la identificación de objetivos y la investigación preclínica. Esto resulta en ensayos clínicos mejores, ideas de reacción más inteligentes y un descubrimiento de nuevos medicamentos más rápido.

¿Cuándo se interesó personalmente por primera vez en el uso del AI para el beneficio de la atención médica?

La proliferación del AI en muchas industrias ha sido en gran medida sobre la automatización de tareas que normalmente realizan los humanos. En la atención médica, el AI se ha convertido en una herramienta a través de la cual podemos aumentar o asistir, no reemplazar, la experiencia humana existente para ofrecer enfoques verdaderamente transformadores para el diagnóstico y el tratamiento. Y en ningún lugar es esto más claro que en las imágenes médicas, donde el volumen y la complejidad de los datos son tanto una barrera como una oportunidad. Hoy en día, el AI, y la inferencia en particular, puede realizar escaneos más rápidos y detallados de vastos conjuntos de información que cualquier humano, y al hacerlo no solo revela ideas previamente ocultas, sino que también maximiza el valioso tiempo del radiólogo para llegar a una mejor conclusión diagnóstica y para más pacientes. Por ejemplo, las soluciones de AI de los clientes ayudan a los radiólogos analizando los datos en las radiografías que podrían indicar la presencia de un pulmón colapsado (neumotórax) o COVID. Ese es un logro verdaderamente notable que está revolucionando la eficacia de las imágenes médicas en sí y cómo se aplica la experiencia humana. Presenciar ese tipo de transformación en este campo naturalmente motiva a buscar el próximo gran avance en otras áreas de salud y ciencias de la vida donde el hombre y la máquina se combinan para producir un nuevo todo mucho mayor que la suma de las partes. Llevar eso un paso más allá es la idea de que el AI puede democratizar el conocimiento en las disciplinas de cuidado y hacer que la experiencia humana y la sutileza basada en la experiencia vayan aún más lejos, elevando el nivel de calidad.

¿Cuán importante es el AI para analizar grandes datos en un entorno clínico?

Las industrias de Salud y Ciencias de la Vida generan más datos con mayor complejidad que cualquier otra industria en el mundo hoy en día. Y, a diferencia de otras industrias, gestionar y analizar efectivamente esos datos es una cuestión de vida o muerte. Dada esta magnitud, el AI es ahora un habilitador indispensable de una serie de necesidades, tanto mundanas como innovadoras, en ambos entornos clínicos y de laboratorio para abordar el Triple Objetivo de la industria: Mejorar la calidad del cuidado y el acceso mientras se reducen los costos.

Por ejemplo, los registros electrónicos de salud (EHR) han permitido una revolución digital en la calidad y la eficiencia de la entrega de cuidados. Desafortunadamente, dentro de estos registros hay una mezcla confusa de datos estructurados y no estructurados que el AI puede ayudar a digitalizar en conjuntos de datos más unificados y útiles. El reconocimiento óptico de caracteres (OCR) y el procesamiento de lenguaje natural (NLP) son solo dos modelos habilitados por el AI que pueden convertir los análogos de la escritura a mano y la voz en datos de EHR. Y una vez digitalizados, el AI se puede aplicar en estos conjuntos de datos en muchos casos de uso emocionantes.

En otros casos, los datos capturados de los dispositivos médicos y las cámaras están creciendo, y cuando se combinan con los datos de la historia del paciente, los análisis pueden ayudar a impulsar nuevas ideas para personalizar aún más el tratamiento. A nivel de censo, muchos hospitales ya han desplegado algoritmos que pueden predecir el inicio de la sepsis para una intervención más rápida, y en las UCI, el software puede combinar datos a través de múltiples dispositivos aislados para crear una imagen impresionantemente completa del paciente en tiempo casi real. Con el tiempo, todos esos datos capturados y almacenados también se pueden analizar para mejores predicciones en el futuro.

¿Cuáles son algunos de los casos de uso más notables que está viendo para el análisis de datos de aprendizaje automático?

Como se mencionó anteriormente, las herramientas de NLP pueden ayudar a reemplazar la escritura manual o la entrada de datos para generar nuevos documentos, como resúmenes de visitas de pacientes y notas clínicas detalladas. Esto permite a los clínicos ver a más pacientes, y a los proveedores mejorar la documentación, el flujo de trabajo y la precisión de la facturación al ingresar pedidos y documentación más temprano en el día.

De manera más amplia, los análisis habilitados por el AI ayudan a los proveedores a comprender y gestionar una amplia gama de aplicaciones clínicas que mejoran la eficiencia y reducen los costos. Esto permite a los hospitales gestionar mejor los recursos y afinar las mejores prácticas, y a los equipos de cuidado colaborar en los diagnósticos y la coordinación de los tratamientos y el cuidado que brindan a los pacientes.

Los clínicos pueden analizar las anomalías objetivo utilizando enfoques de ML apropiados y filtrar la información estructurada de otros datos sin procesar. Esto puede conducir a un diagnóstico más rápido y preciso y a tratamientos óptimos. Por ejemplo, los algoritmos de ML pueden convertir el sistema de diagnóstico de las imágenes médicas en toma de decisiones automatizada al convertir las imágenes en texto legible por máquina. Las técnicas de reconocimiento de patrones y ML también pueden extraer ideas de grandes volúmenes de datos de imágenes clínicas, inmanejables por un humano solo, para transformar el diagnóstico, el tratamiento y el monitoreo de los pacientes.

Para evaluar y gestionar la salud de la población, los algoritmos de ML pueden ayudar a predecir las trayectorias de riesgo futuras, identificar los impulsores de riesgo y proporcionar soluciones para los mejores resultados. Los módulos de aprendizaje profundo integrados con tecnologías de AI permiten a los investigadores interpretar conjuntos de datos genómicos complejos, predecir tipos específicos de cáncer (en función de los perfiles de expresión genética obtenidos de varios conjuntos de datos grandes) e identificar múltiples objetivos farmacéuticos.

¿Podría elaborar sobre cómo Intel está colaborando con la comunidad de genómica para transformar grandes conjuntos de datos en ideas biomédicas que aceleren el cuidado personalizado?

La medicina de precisión suministra fuentes de datos de salud a nivel individual que permiten una mejor selección de objetivos de enfermedades y la identificación de poblaciones de pacientes que demuestran mejores resultados clínicos para enfoques preventivos y terapéuticos novedosos.

La genómica es la piedra angular de esta medicina de precisión. Proporciona el plano de quiénes somos y por qué y cómo somos únicos, lo cual es fundamental para que los proveedores lo comprendan al combinar esta información con otros datos (imágenes, química clínica, historial médico, datos de cohortes, etc.). Los clínicos utilizan esta información para desarrollar y brindar tratamientos personalizados para los pacientes que son de menor riesgo y más efectivos.

Intel está colaborando con la comunidad de genómica optimizando las herramientas de análisis genético más comúnmente utilizadas en la industria para que funcionen mejor y en plataformas y procesadores basados en la arquitectura de Intel. Por ejemplo, la optimización del software de variante genética de la institución líder de la industria, el Kit de Análisis Genómico (GATK), en el hardware de Intel utilizando OpenVINO para facilitar el desarrollo y la implementación de modelos de AI, destaca nuestro impacto y compromiso con esta industria. El kit de herramientas GATK proporciona beneficios a la investigación biomédica, como la base de datos Genómica, que almacena archivos de ~200 GB de tamaño (típicos para conjuntos de datos genómicos) y la Biblioteca del Núcleo del Genoma que se ejecuta en AVX512, que aprovecha las instrucciones específicas del hardware de la arquitectura de Intel para acelerar las cargas de trabajo genómicas y la utilización de AI.

Acelerar la velocidad y reducir el costo del análisis genómico mientras se mantiene la precisión de ese análisis, sigue siendo convincente para los investigadores biomédicos y de otras ciencias de la vida que utilizan las soluciones de cómputo de Intel para descubrir y aprovechar nuevas ideas médicas.

¿Podría discutir por qué cree que la atención médica remota es tan importante?

La industria de la salud ha estado trabajando en varias formas y aspectos de la atención remota durante muchos años. Las razones para esto han sido, hasta hace poco, una creencia intuitiva y esperada de que la atención remota puede ser, para muchas situaciones de entrega de cuidados, tan buena como o mejor que los modelos de clínica tradicionales. Ahora, impulsado por la crisis de la pandemia y su impacto, los sistemas de entrega de cuidados de salud en todo el mundo están obligados a adoptar la telemedicina o colapsar. Esta súbita afluencia a implementar está demostrando que esas creencias largamente sostenidas son verdaderas y que la atención a distancia es vital y muy viable.

La atención remota tiene muchos beneficios. La comodidad y la satisfacción del paciente con la entrega de cuidados de telemedicina están aumentando rápidamente. Pueden permanecer más tranquilos y en su hogar con menos interrupciones y menos impacto en su horario. A los proveedores les gusta porque les permite ver a más pacientes y gestionar mejor su propio tiempo y recursos clínicos escasos. Y, por supuesto, lo que se ha convertido en la razón más clara y convincente para todos en los últimos meses es la capacidad inherente de la atención remota para limitar la contaminación y la necesidad de contacto en persona cuando una charla de video con telemetría de dispositivo y cómputo aumentada puede realizar la mayoría de las tareas de entrega de cuidados tan bien.

¿Puede discutir algunas de las tecnologías que actualmente se utilizan para el monitoreo de pacientes remotos?

Hay varios elementos tecnológicos críticos. El más importante es la facilidad de uso para el paciente, seguido rápidamente por la seguridad y la privacidad de los datos, y la robustez de la aplicación y los datos que captura. Por ejemplo, necesitamos evitar que un usuario elimine una aplicación de monitoreo de su iPad por accidente.

Otro aspecto crítico para un proveedor de cuidados que despliega en múltiples pacientes es la gestión de flotas y la capacidad de enviar actualizaciones o soporte técnico a través de la línea y personalizados para cada usuario o cohorte de usuarios. Esto requiere:

• estandarización del intercambio de datos y la privacidad con estándares de la industria como FHIR y Continua;
• plataforma de cómputo segura y eficiente en términos de energía para orquestar los datos y comunicarlos al clínico, incluyendo el software y el cifrado adecuados;
• conectividad a través de una red celular para hacer que los dispositivos del usuario sean independientes y no dependan de Wi-Fi en el hogar que puede ser poco fiable o incluso inexistente;
• almacenamiento en la nube y análisis en el lado del servidor.

Además, la capacidad de recopilar y agregar los datos que fluyen de los usuarios es fundamental para permitir que los clínicos realicen el monitoreo de pacientes y el soporte, y para que el software y los análisis informen a los equipos de cuidado de un estado nominal o inicien una notificación de alarma para resultados que están fuera de tolerancia.

Creamos que el AI desempeñará un papel mucho más importante en el monitoreo de pacientes en el futuro, mejorando la experiencia del paciente a través de encuestas de voz naturales (“¿Cómo se siente hoy?”, “Su presión arterial parece un poco alta”) y permitiendo que los equipos de cuidado comprendan mejor la salud del paciente e identifiquen tratamientos adecuados. A través del uso de modelos de AI, la gestión de la salud de la población también progresará con todos los datos del paciente que se incorporan a conjuntos de datos cada vez más grandes que mejoran la precisión de un modelo de aprendizaje iterativo. Esto es esencial para el monitoreo remoto a gran escala.

¿Cuáles son algunos de los problemas que necesitan superarse para aumentar la tasa de éxito de la atención médica remota?

Muchos de los mismos problemas que afectan nuestro sistema actual de entrega de cuidados tradicionales también son factores que mejoran o inhiben el éxito de la atención remota. Estos incluyen creencias y estigmas sociales subsegmentados sobre la atención médica, o barreras socioeconómicas que surgen de la falta de seguro, la fluidez tecnológica, los dispositivos necesarios y la conectividad. Los silos de datos evitan maximizar el valor que podrían producir los conjuntos de datos más grandes, especialmente ahora que nuestra capacidad para aprovechar los programas de aprendizaje está emergiendo realmente.

Pero hay desafíos que son únicos para la atención remota:

• las cuestiones de política y pago, aunque han mejorado en gran medida, deben continuar su impulso positivo para expandirse con restricciones relajadas sobre lo que es permitido y reembolsable a través de la modalidad de atención remota;
• los desafíos financieros y la falta de capital para invertir en tecnología en la atención médica requieren una conversión de un modelo de gastos de capital a un modelo de gastos operativos. En lugar de invertir en instalaciones y equipo de capital, los proveedores pueden cambiar a un modelo “pago por uso”, prescindiendo de la necesidad de mucha infraestructura fija y, como el servicio telefónico, pagar por los minutos (o los datos) utilizados;
• la experiencia del usuario, tanto para el paciente como para el proveedor, debe seguir mejorando, en última instancia, hasta que la tecnología desaparezca en el fondo y las capacidades sean intuitivas y perfectas y el proceso sea convincente con resultados y estructuras de costos equivalentes o mejores.

En última instancia, queremos que la tecnología apoye la provisión de cuidados, no se interponga en el camino de la atención. Si tenemos éxito (y creemos que lo somos y seguiremos siendo), entonces la tecnología verdaderamente permitirá un puente hacia el mejor modelo de entrega de cuidados remotos de mañana, haciendo el mejor caso posible para la normalización de la atención remota como estándar de entrega de cuidados.

Gracias por la fantástica entrevista, disfruté aprendiendo más sobre los esfuerzos de salud de Intel. Los lectores que deseen aprender más pueden visitar el negocio Global de Salud y Ciencias de la Vida de Intel.