Dave Ryan, Johtaja, Terveydenhuolto ja Elämän Tutkimusliiketoiminta Intelilla – Haastattelu Sarja

Dave Ryan johtaa Globaalia Terveydenhuolto ja Elämän Tutkimusliiketoimintaa Intelilla, joka keskittyy digitaaliseen muutokseen reunasta pilveen, jotta voidaan tehdä tarkkuutta ja arvon perustuvaa hoitoa todelliseksi. Hänen asiakkaansa ovat elämän tutkimuslaitteiden valmistajat, lääkinnällisten laitteiden, kliinisten järjestelmien, laskentalaitteiden ja laitteiden valmistajat, joita tutkimuskeskukset, sairaalat, klinikat, asuinhuoneistot ja koti käyttävät. Dave on toiminut kuluttajateknologian yhdistyksen terveyden ja kuntoilun osaston, HIMSSin henkilökohtaisten yhteyksien liiton, globalin vanhenemisen koalition ja yhteydenpidon huollon liiton hallituksissa.  

Mikä on Intelin Terveydenhuolto ja Elämän Tutkimusliiketoiminta?

Intel (INTC ) Terveydenhuolto ja Elämän Tutkimusliiketoiminta auttaa asiakkaita luomaan ratkaisuja lääkinnällisen kuvantamisen, kliinisten järjestelmien ja laboratorion ja elämän tutkimuksen alueilla, mahdollistaen hajautetun, älykkään ja yksilöllisen hoidon.

Intel Terveydenhuolto liiketoiminta keskittyy väestön terveyteen, lääkinnälliseen kuvantamiseen, kliinisiin järjestelmiin ja digitaaliseen infrastruktuuriin.

• Väestön terveys tutkii monimuotoista potilasdataa, jotta tarjoajat saavat näkyvyyden riskeihin ja parantuneisiin hoitoihin eri potilasryhmissä. Optimoidut ja säätelty ML ja AI auttavat “tier” -ryhmiä, jotta maksajat ja tarjoajat priorisoivat potilaita, jotka ovat eniten vaarassa.
• Lääkinnällinen kuvantaminen (esim. MRI, CT) tuottaa valtavat datat, jotka vaativat tarkan arvioinnin ilman virheitä. HPC ja AI auttavat nopeuttaa kuvadatan skannausta ja tunnistamaan kriittisiä tekijöitä, jotka auttavat radiologeja diagnoosissa.
• Kliiniset järjestelmät käyttävät tietokoneen näköa, AI: ta, HPC: tä ja reunan laskentaa potilaiden seuraamiseen, robottiin, etähoitoon ja muihin. Nämä älykkäät järjestelmät sovittavat monimuotoista lähdedataa yhteen, jotta voidaan saada täydellinen potilaskuva ja parempi diagnoosi, jolla on joustavuutta ja skaalautuvuutta tukeakseen muuttuvia organisaatiotarpeita.
• Digitaalinen infrastruktuuri yhdistää monia teknologioita, jotta voidaan mahdollistaa uudet lähestymistavat potilaiden vuorovaikutukseen, kuten hoito kaikkialla ja aina, jossa klinikkatyöntekijät voivat tehdä yhteistyötä ajan ja tilan yli oireiden hallintaan, leikkauksiin ja analyyttisiin.

Intel Laboratorion ja Elämän Tutkimusliiketoiminta keskittyy kolmeen pääalueeseen: Data-analyysi, ‘Omics ja Farmaseutti.

• Data-analyysi käyttää AI: ta, jotta voidaan ajaa löytöjen ja oivallusten kaskadia, joka auttaa muun muassa tarkkuutta ja lääketieteellistä hoidoa, varmistaen, että potilaat saavat lääkkeet, jotka ovat tehokkaimpia heille, ja siten vähentäen sivuvaikutusten riskiä.
• ‘Omics kuvaa ja määrää biologisia molekyyliryhmiä, käyttäen bioinformatiikkaa ja laskennallista biologiaa. Tässä osallistuvat massiiviset datat vaativat suuren nopeuden prosessointia, jotta tulokset saadaan kohtuullisen ajan kuluessa. Tämän nopeuden ja uusien tietokantojen, työkalujen, kirjastojen ja koodin optimointien avulla ‘omics-laitokset voivat vähentää aikaa tuloksiin ja kehityskustannuksiin.
• Farmaseutti on lääkkeiden tutkimus ja niiden vuorovaikutus ihmisen biologisen järjestelmän kanssa, myös molekyylitasolla, jossa data-tiede tarvitsee AI: ta ja ML: ä, jotta voidaan auttaa johtavan aineen generoimisessa ja optimoinnissa, kohdistuksessa ja prekliinisessä tutkimuksessa. Tämä johtaa parempiin kliinisiin kokeisiin, älykkäämpiin reaktio-oivalluksiin ja nopeampaan uuden lääkkeen löytämiseen.

Milloin sinä henkilökohtaisesti alkoit ensin kiinnostua käyttämään AI: ta terveydenhuollon hyväksi?

AI: n leviäminen monilla aloilla on ollut pitkälti automaattisten tehtävien automatisointia, joita ihmiset suorittavat. Terveydenhuollossa AI on muuttunut työkaluksi, jolla voidaan tukea tai auttaa, ei korvata, olemassa olevaa ihmisten asiantuntemusta, jotta voidaan tarjota todella muuntavaa lähestymistapaa diagnoosiin ja hoitoon. Ja ei missään näin ole selvästi kuin lääkinnällisessä kuvantamisessa, jossa datan määrä ja monimuotoisuus on sekä este että mahdollisuus. Nykyään AI ja erityisesti inference pystyvät suorittamaan nopeammin ja yksityiskohtaisemmin skannauksia valtavista tietomääristä kuin ihminen, ja siten paljastamaan oivalluksia, jotka olivat aiemmin piilotettuja, ja samalla maksimoida arvokasta aikaa radiologeille, jotta he voivat saada paremman diagnostisen johtopäätöksen ja useammalle potilaalle. Esimerkiksi AI-ratkaisut asiakkailta auttavat radiologeja analysoimalla dataa röntgenkuvissa, jotka voivat osoittaa keuhkoputkentulehduksen (pneumotoraksi) tai COVID-19: n läsnäolon. Se on todella merkittävä saavutus, joka vallankumouksellisesti parantaa lääkinnällisen kuvantamisen tehokkuutta ja siten, miten ihmisten asiantuntemus sovelletaan. Todistaminen tällaisesta muutoksesta tässä yhdessä alalla motivoi luonnollisesti etsimään seuraavaa suurta loikkaa muihin terveydenhuollon ja elämän tutkimuksen aloihin, joissa ihminen ja kone yhdistyvät tuottamaan uuden kokonaisuuden, joka on paljon suurempi kuin osien summa. Ottaa askelen eteenpäin on ajatus, että AI voi demokratisoida tietoa hoitotoimenpiteiden eri aloilla ja tehdä harvinaisen ihmisten asiantuntemuksen ja kokemukseen perustuvan nuansen meneväksi pidemmälle, nostaa laadun tasoa.

Kuinka tärkeä AI on suurten datamäärien analysoinnissa kliinisessä ympäristössä?

Terveydenhuolto ja elämän tutkimusalan tuottaa enemmän dataa suuremmalla monimuotoisuudella kuin mikään muu yksittäinen aloite maailmassa tänään. Ja toisin kuin muilla aloilla, datan tehokas hallinta ja analyysi on elämän ja kuoleman asia. Ottaen nämä suuruudet huomioon, AI on nyt välttämätön mahdollistaja monille tarpeille, sekä arkisille että läpimurtoille, sekä kliinisissä että laboratorio-olosuhteissa, jotta voidaan vastata alan kolmea päämäärää: Paranna hoitotasoa ja pääsyä, samalla kun kustannukset lasketaan.

Esimerkiksi sähköiset potilastiedot (EHR) ovat mahdollistaneet digitaalisen vallankumouksen hoidon laadussa ja tehokkuudessa. Valitettavasti näiden tietojen joukossa on sekava sekoitus sekä rakenteista että rakenteettomista tietoja, joita AI voi auttaa digitalisoimaan yhdenmukaisemmiksi ja hyödyllisemmiksi tietosarjoiksi. Optinen merkintunnistus (OCR) ja luonnollisen kielen prosessointi (NLP) ovat vain kaksi AI: n mahdollistavaa mallia, joka voi muuttaa analogiset kirjoitukset ja puheen EHR-tietoihin. Ja kun ne on digitalisoitu, AI voidaan soveltaa näihin tietoihin monissa jännittävissä käyttötarkoituksissa.

Toisissa tapauksissa lääkintälaitteista ja kamerasta kerätty data kasvaa, ja kun se yhdistetään potilaan historiaan, analytiikka voi auttaa ajamaan uusia oivalluksia, jotka auttavat henkilökohtaistamaan hoitoa. Monissa sairaaloissa on jo käyttöön otettu algoritmeja, jotka voivat ennustaa sepsiksen alkamisen nopeamman puuttumisen vuoksi, ja tehohoito-osastoissa ohjelmisto voi yhdistää dataa useista erillistä laitteista, jotta voidaan luoda täydellinen kuva potilaasta lähes reaaliajassa. Ajan myötä kaikki kerätty ja tallennettu data voidaan myös analysoida paremman ennusteen vuoksi tulevaisuudessa.

Mitkä ovat joitakin merkittävimpiä käyttötarkoituksia, joita näet koneoppimisen analysoinnissa tällaisessa datassa?

Kuten mainittiin aiemmin, NLP-työkalut voivat auttaa korvaamaan manuaalisen kirjoittamisen tai datan syöttämisen, jotta voidaan luoda uusia asiakirjoja, kuten potilaskäyntien yhteenvetoja ja yksityiskohtaisia kliinisiä muistiinpanoja. Tämä mahdollistaa klinikoille nähdä enemmän potilaita, ja tarjoajille parantaa dokumentaatiota, työnkulkua ja laskutusnäppäryyttä, kun he syöttävät tilauksia ja dokumentaatiota päivän aikana.

Laajemmin AI: n mahdollistamat analytiikka auttavat tarjoajia ymmärtämään ja hallitsemaan laajan valikoiman kliinisiä sovelluksia, jotka parantavat tehokkuutta ja laskuttavat kustannuksia. Tämä mahdollistaa sairaaloille paremman resurssien hallinnan ja parhaan käytännön hienosäätöä, ja hoitotiimeille yhteistyötä diagnooseja ja koordinoimaan hoitoa, jonka he tarjoavat potilaille.

Kliinikot voivat analysoida kohdennettuja poikkeamia sopivilla ML-lähestymistavoilla ja suodattaa rakenteisia tietoja muista raakadatista. Tämä voi johtaa nopeampaan ja tarkempaan diagnoosiin ja optimaalisiin hoitoihin. Esimerkiksi ML-algoritmit voivat muuttaa lääkinnällisen kuvantamisen diagnostisen järjestelmän automaattiseksi päätöksenteoksi, muuttaen kuvat konekieliseksi tekstimuodoksi. ML- ja mallintamistekniikat voivat myös piirtää oivalluksia massiivisista kliinisen kuvadatan määristä, jotka ovat ihmisen hallitsemattomissa, jotta voidaan muuttaa potilaiden diagnoosia, hoitoa ja seuraamista.

Väestön terveyden arvioinnissa ja hallinnassa ML-algoritmit voivat auttaa ennustamaan tulevaisuuden riskireitit, tunnistamaan riskin ajureita ja tarjota ratkaisuja parhaisiin tuloksiin. Syvä oppimismallit, jotka on integroitu AI-tekniikkaan, mahdollistavat tutkijoille tulkita monimutkaisia geneettisiä datatietoja, ennustaa tiettyjä syöpätyyppejä (perustuen geeni-ilmaisuun, joka on saatu useista suurista datatietoista) ja tunnistaa useita lääkkeellisiä kohdekohteita.

Voitko selittää, miten Intel on yhteistyössä genomiikan yhteisön kanssa muuttaakseen suuret datatietokannat biolääketieteellisiksi oivalluksiksi, jotka kiihdyttävät henkilökohtaista hoitoa?

Tarkkuuslääketiede tarjoaa yksilöllisiä terveydenhuollon tietolähteitä, jotka mahdollistavat paremman taudin kohdentamisen ja potilasryhmien tunnistamisen, joilla on parannettu kliinisiä tuloksia uusille ehkäiseville ja hoitaville lähestymistavoille.

Genomiikka on tämän tarkkuuslääketieteen kulmakivi. Se tarjoaa sinä olet, ja miksi ja miten olet ainutlaatuinen, mikä on kriittistä tietoa tarjoajille, jotka yhdistävät tämän tiedon muihin tietoihin (kuvat, kliininen kemia, lääkärintausta, ryhmätiedot jne.). Kliinikot käyttävät tätä tietoa kehittääkseen ja toimittamaan potilaskohtaisia hoitoja, jotka ovat vähemmän riskialttiita ja tehokkaampia.

Intel on yhteistyössä genomiikan yhteisön kanssa optimoimalla alan yleisimmin käytettyjä geneettisiä analyysityökaluja toimimaan parhaalla tavalla Intel-alustalla ja prosessoreilla, jotka niitä ohjaavat. Esimerkiksi Broad-instituutin johtavan geneettisen varianttiohjelman, Genomic Analysis Toolkitin (GATK), optimointi Intel-laitteilla OpenVINO: n avulla helpottaa AI-mallin kehitystä, virheenjäljitystä ja skaalautuvaa käyttöönottoa, korostaa vaikutustamme ja sitoutumistamme tähän aloitteeseen. GATK-työkalu tarjoaa hyötyjä biolääketieteelliselle tutkimukselle, kuten Genomics DB, joka tallentaa tiedostot noin 200 GB:n koossa (tyypillinen genomiikan datatietokannoissa) ja Genome Kernel Library, joka suorittaa AVX512: n, joka hyödyntää tiettyjä Intel-arkkitehtuurin ohjeita, jotta voidaan kiihdyttää genomiikan työkuormia ja AI-käyttöä.

Nopeuttamalla genominen analyysi ja vähentämällä sen kustannuksia, samalla kun analyysin tarkkuus säilyy, on houkuttelevaa biolääketieteellisille ja muiden elämän tutkimuksen tutkijoille, jotka käyttävät Intelin laskentaratkaisuja uusien lääketieteellisten oivallusten löytämiseksi.

Voitko keskustella siitä, miksi uskot, että etäterveydenhuolto on niin tärkeä?

Terveydenhuoltoala on työskennellyt eri muodoissa ja etähoitotoimenpiteiden eri osa-alueilla jo useita vuosia. Syyt tähän ovat olleet, kunnes viime aikoina, intuitiivinen ja toivottu usko, että etähoito voi olla monissa hoitotilanteissa yhtä hyvä tai jopa parempi kuin perinteiset klinikkamallit. Nyt pandemian kriisin ja sen vaikutuksen myötä terveydenhuollon järjestelmät ympäri maailmaa joutuvat ottamaan käyttöön etähoitoa tai romahtamaan. Tämä äkillinen kiire ottamaan käyttöön osoittaa nyt, että nämä pitkään pidetyt uskomukset ovat tosia, ja etähoito on sekä elintärkeä että erittäin toimiva.

Etähoitolle on monia hyötyjä. Potilaiden mukavuus ja tyytyväisyys etähoitoon kasvaa nopeasti. He voivat olla rennommalla ja rauhallisemmin kotonaan, vähemmän häiriötä ja aikataulun vaikutusta. Tarjoajat pitävät siitä, koska se mahdollistaa heille nähdä enemmän potilaita ja paremmin hallita omaa aikaa ja paremmin jakaa niukkoja kliinisiä resursseja. Ja mikä on selvin ja vakuuttavin syy kaikille viimeisten kuukausien aikana, on etähoidon kyky rajoittaa tartuntoja ja tarvetta henkilökohtaisiin yhteyksiin, kun videochatilla voidaan tehdä useimmat hoidon tehtävät yhtä hyvin.

Voitko keskustella joistakin tekniikoista, jotka ovat tällä hetkellä käytössä potilaiden etäseurannassa?

On useita kriittisiä teknologisia elementtejä. Tärkein on potilaan helppokäyttöisyys, sen jälkeen tietoturva ja datan suojaus sekä sovelluksen ja sen keräämän datan luotettavuus. Esimerkiksi meidän on estettävä, että käyttäjä poistaa vahingossa seurantasovelluksen iPadistaan.

Toinen kriittinen asia hoitotoimenpiteen tarjoajalle, joka ottaa käyttöön useita potilaita, on laivaston hallinta ja mahdollisuus lähettää päivityksiä tai teknistä tukea langattomasti ja räätälöitysti kullekin käyttäjälle tai käyttäjäryhmälle. Tämä vaatii:

• standardisointia datan vaihtoa ja tietosuojaa alan standardeilla, kuten FHIR ja Continua;
• turvallisen ja energiatehokkaan laskentapohjan, joka voi orkesteroida dataa ja viestintää takaisin klinikoille, mukaan lukien sovellettava ohjelmisto ja salaaminen;
• langattoman verkon yhteyden, jotta käyttäjän laitteet voivat toimia itsenäisesti eikä riipua kotona olevasta Wi-Fistä, joka voi olla epäluotettava tai jopa olematon;
• pilvitallennusta ja analytiikkaa taustalla.

Lisäksi kyky kerätä ja aggregoida dataa, joka virtaa käyttäjiltä, on perustavanlaatuinen klinikoille, jotta he voivat tehdä potilaiden seuraamista ja tukea, ja ohjelmistojen ja analytiikan avulla voidaan ilmoittaa hoitotiimeille normaalia tilaa tai aloittaa hälytysilmoitus tuloksista, jotka ovat sietämättömiä.

Uskomme, että AI tulee pelaamaan suuremman roolin potilaiden seurannassa tulevaisuudessa, parantaen potilaskokemusta luonnollisen äänen kysymyksillä (“Miten sinä voit?”, “Verenpaineesi näyttää olevan hieman korkea”) ja mahdollistaen hoitotiimien ymmärtää potilaan terveyttä ja tunnistaa sopivia hoitoja. AI-mallien avulla voidaan myös edistää väestön terveyden hallintaa, kun kaikki potilastiedot sisällytetään yhä suurempiin datatietokantoihin, jotka parantavat iteratiivisen oppimismallin tarkkuutta. Tämä on olennainen etäseurannassa suuressa mittakaavassa.

Mitkä ovat joitakin ongelmia, jotka on voitettava, jotta voidaan lisätä etäterveydenhuollon onnistumisaste?

Monet samat ongelmat, jotka vaivaavat perinteistä hoitotoimenpidettä, ovat myös etähoidon onnistumista estäviä tekijöitä. Nämä ovat sosiaalisten alaryhmien uskomuksia ja stigmoja terveydenhuollon ympärillä, tai sosioekonomisia esteitä, jotka johtuvat vakuutuksen, teknologisen osaamisen, laitteiden ja yhteyden puutteesta. Datapilvet estävät suurten jaettujen datatietokantojen arvon maksimoinnin, erityisesti nyt, kun oppimismahdollisuuksiemme kyky on todella emergoituva.

Mutta on myös haasteita, jotka ovat ainutlaatuisia etähoitolle:

• politiikka- ja maksamisongelmat, vaikka ne ovat parantuneet viime aikoina, on edelleen jatkettava myönteistä liikettä laajentaakseen rajoituksia siitä, mitä on sallittua ja korvattavaa etähoitotoimenpiteellä;
• taloudelliset haasteet ja pääomien puute terveydenhuollossa edellyttävät muutosta CapEx-mallista OpEx-malliin. Tarjoajat voivat siirtyä “maksa-käytä” -malliin, jossa ei tarvitse investoida kiinteistöihin ja kiinteään laitteistoon, ja maksaa vain käytetyn ajan (tai datan) mukaan;
• käyttäjäkokemus, sekä potilaan että tarjoajan, on edelleen parannettava, lopulta siihen pisteeseen, jossa teknologia katoaa taustalle, ja kyvyt ovat luonnollisia ja vaivattomia, ja prosessi on vakuuttava, ja tulokset ja kustannusrakenteet ovat vastaavia tai parempia.

Lopulta haluamme, että teknologia tukee hoidon toimittamista, ei estä sitä. Jos olemme onnistuneita (ja uskomme, että olemme ja tulemme olemaan), niin teknologia todella mahdollistaa sillan huomisen paremman etähoitotoimenpidemallin, jossa voidaan tehdä paras mahdollinen tapaus etähoidon normalisoinnista hoitotoimenpidemallina.

Kiitos fantastisesta haastattelusta, nautin oppimisesta enemmän Intelin terveydenhuollon ponnisteluista. Lukijat, jotka haluavat oppia enemmän, voivat vierailla Intelin Globaalin Terveydenhuollon ja Elämän Tutkimusliiketoiminnan sivustolla.