Dave Ryan, Manajer Umum, Bisnis Kesehatan & Ilmu Pengetahuan Hayati di Intel – Seri Wawancara

Dave Ryan memimpin Bisnis Kesehatan & Ilmu Pengetahuan Hayati Global di Intel (INTC ) yang fokus pada transformasi digital dari edge-to-cloud untuk membuat perawatan berbasis nilai menjadi kenyataan. Pelanggannya adalah produsen yang membangun instrumen ilmu pengetahuan hayati, peralatan medis, sistem klinis, komputasi dan perangkat yang digunakan oleh pusat penelitian, rumah sakit, klinik, fasilitas perawatan residensial dan rumah. Dave telah menjabat di dewan Consumer Technology Association Health & Fitness Division, HIMSS’ Personal Connected Health Alliance, Global Coalition on Aging dan Alliance for Connected Care.  

Apa itu Bisnis Kesehatan & Ilmu Pengetahuan Hayati Intel?

Bisnis Kesehatan & Ilmu Pengetahuan Hayati Intel membantu pelanggan menciptakan solusi di bidang pencitraan medis, sistem klinis, dan laboratorium ilmu pengetahuan hayati, yang memungkinkan perawatan terdistribusi, cerdas, dan personal.

Bisnis Kesehatan Intel fokus pada kesehatan populasi, pencitraan medis, sistem klinis, dan infrastruktur digital.

• Kesehatan Populasi memeriksa data pasien yang beragam untuk memberikan penyedia wawasan tentang risiko masalah kesehatan dan perawatan yang ditingkatkan di seluruh kohort. ML dan AI yang dioptimalkan membantu “tier” kelompok, sehingga pembayar dan penyedia dapat memprioritaskan pasien yang berisiko paling tinggi.
• Pencitraan Medis (misalnya MRI, CT), menghasilkan kumpulan data yang sangat besar yang memerlukan evaluasi yang akurat dengan tidak ada ruang untuk kesalahan. HPC dan AI membantu memindai data citra lebih cepat dan mengidentifikasi faktor kritis untuk membantu radiolog dalam diagnosis.
• Sistem Klinis menggunakan visi komputer, AI, HPC, dan komputasi edge untuk pemantauan pasien, bedah robot, dan telehealth, serta lain-lain. Sistem cerdas ini memadukan data sumber yang beragam untuk memberikan pandangan pasien yang lengkap dan diagnosis yang lebih baik, dengan fleksibilitas dan skalabilitas untuk mendukung kebutuhan organisasi yang berubah.
• Infrastruktur Digital mengintegrasikan banyak teknologi untuk memungkinkan pendekatan baru untuk interaksi pasien, termasuk perawatan di mana saja dan kapan saja, di mana klinisi bekerja sama di seluruh ruang dan waktu untuk manajemen kondisi, bedah, dan analitik.

Bisnis Laboratorium dan Ilmu Pengetahuan Hayati Intel fokus pada tiga bidang utama: Analisis Data, ‘Omics, dan Farmasi.

• Analisis Data menggunakan AI untuk menggerakkan rangkaian penemuan dan wawasan yang membantu memungkinkan, antara lain, perawatan presisi dengan memastikan bahwa pasien mendapatkan obat yang paling efektif untuk mereka, dan mengurangi risiko profil efek samping.
• ‘Omics menggambarkan dan mengukur kelompok molekul biologis, menggunakan bioinformatika dan biologi komputasi. Kumpulan data yang sangat besar yang terlibat di sini memerlukan pemrosesan dengan throughput tinggi untuk menerima hasil dalam kerangka waktu yang wajar. Dengan throughput dan database baru, toolkit, perpustakaan, dan optimasi kode, lembaga ‘Omics dapat mengurangi waktu untuk hasil dan biaya pengembangan.
• Farmasi adalah studi tentang obat dan bagaimana mereka berinteraksi dengan sistem biologis manusia, termasuk pada tingkat molekuler di mana ilmu data memerlukan AI dan ML untuk membantu dengan generasi dan optimasi, identifikasi target dan penelitian pra-klinis. Ini menghasilkan uji klinis yang lebih baik, wawasan reaksi yang lebih cerdas, dan penemuan obat baru yang lebih cepat.

Kapan Anda secara pribadi pertama kali tertarik menggunakan AI untuk kepentingan kesehatan?

Penyebaran AI di banyak industri sebagian besar tentang mengotomatisasi tugas yang rutin dilakukan oleh manusia. Di kesehatan, AI telah menjadi alat yang membantu, bukan menggantikan, keahlian manusia yang ada untuk memberikan pendekatan transformasional untuk diagnosis dan perawatan. Dan tidak ada yang lebih jelas daripada di pencitraan medis, di mana volume dan kompleksitas data adalah baik hambatan dan peluang. Hari ini, AI, dan inferensi khususnya, dapat melakukan pemindaian yang lebih cepat dan lebih rinci dari kumpulan data yang sangat besar daripada yang dapat dilakukan oleh manusia dan dengan demikian tidak hanya mengungkap wawasan yang sebelumnya tersembunyi tetapi juga memaksimalkan waktu yang berharga dari radiolog untuk mencapai kesimpulan diagnostik yang lebih baik dan untuk lebih banyak pasien. Misalnya, solusi AI dari pelanggan membantu radiolog dengan menganalisis data dalam sinar-X yang dapat menunjukkan adanya paru-paru yang runtuh (pneumotoraks) atau COVID. Itu adalah prestasi yang luar biasa yang merevolusi efikasi pencitraan medis itu sendiri dan bagaimana keahlian manusia diterapkan. Melihat transformasi seperti itu di bidang ini secara alami memotivasi seseorang untuk mencari lompatan besar berikutnya di bidang kesehatan dan ilmu pengetahuan hayati lainnya di mana manusia dan mesin bergabung untuk menghasilkan sesuatu yang baru yang jauh lebih besar daripada jumlah bagian-bagianannya. Mengambil langkah lebih lanjut adalah gagasan bahwa AI dapat mendemokratisasikan pengetahuan di seluruh disiplin ilmu dan membuat keahlian manusia yang langka dan nuansa berpengalaman menjadi lebih jauh, meningkatkan tingkat kualitas.

Seberapa penting AI dalam menganalisis data besar di pengaturan klinis?

Industri Kesehatan dan Ilmu Pengetahuan Hayati menghasilkan lebih banyak data dengan kompleksitas yang lebih besar daripada industri lain di dunia saat ini. Dan tidak seperti industri lain, mengelola dan menganalisis data tersebut secara efektif adalah masalah hidup dan mati. Mengingat magnitudo ini, AI sekarang menjadi enabler yang tak tergantikan dari berbagai kebutuhan, baik biasa maupun terobosan, di pengaturan klinis dan laboratorium untuk menangani Triple Aim industri: Meningkatkan kualitas perawatan dan akses sambil menurunkan biaya.

Sebagai contoh, catatan kesehatan elektronik (EHR) telah memungkinkan revolusi digital dalam kualitas dan efisiensi pengiriman perawatan. Sayangnya, dalam catatan tersebut ada campuran data yang tidak terstruktur dan terstruktur yang AI dapat membantu digitalkan menjadi kumpulan data yang lebih seragam dan berguna. Pengenalan karakter optik (OCR) dan pemrosesan bahasa alami (NLP) adalah dua model AI yang dapat mengubah analog tulisan tangan dan suara menjadi data EHR. Dan setelah digitalkan, AI dapat diterapkan di seluruh kumpulan data ini dalam banyak kasus penggunaan yang menarik.

Di contoh lain, data yang ditangkap dari perangkat medis dan kamera tumbuh, dan ketika digabungkan dengan data riwayat pasien, analitik dapat membantu menggerakkan wawasan baru untuk mempersonalisasi perawatan lebih lanjut. Pada tingkat sensus, banyak rumah sakit telah menerapkan algoritma yang dapat memprediksi onset sepsis untuk intervensi yang lebih cepat, dan di ICU, perangkat lunak dapat menggabungkan data dari perangkat terisolasi untuk menciptakan gambaran pasien yang lengkap di waktu nyata. Dalam waktu, semua data yang ditangkap dan disimpan dapat dianalisis untuk prediksi yang lebih baik di masa depan.

Apa beberapa contoh kasus yang paling menonjol yang Anda lihat untuk pembelajaran mesin menganalisis data ini?

Sebagaimana disebutkan di atas, alat NLP dapat membantu menggantikan penulisan atau entri data manual untuk menghasilkan dokumen baru, seperti ringkasan kunjungan pasien dan catatan klinis terperinci. Ini memungkinkan klinisi untuk melihat lebih banyak pasien, dan penyedia untuk meningkatkan dokumentasi, alur kerja, dan akurasi penagihan dengan memasukkan perintah dan dokumentasi lebih awal dalam hari.

Lebih luas, analitik yang diaktifkan AI membantu penyedia memahami dan mengelola berbagai aplikasi klinis yang meningkatkan efisiensi dan menurunkan biaya. Ini memungkinkan rumah sakit untuk lebih baik mengelola sumber daya dan menyesuaikan praktik terbaik, dan tim perawatan untuk berkolaborasi dalam diagnosis dan koordinasi perawatan dan pengiriman perawatan yang mereka berikan untuk meningkatkan hasil pasien.

Klinisi dapat menganalisis untuk abnormalitas yang ditargetkan menggunakan pendekatan ML yang sesuai dan menyaring informasi terstruktur dari data mentah lainnya. Ini dapat mengarah pada diagnosis yang lebih cepat dan akurat dan perawatan yang optimal. Sebagai contoh, algoritma ML dapat mengubah sistem diagnostik citra medis menjadi pengambilan keputusan otomatis dengan mengubah citra menjadi teks yang dapat dibaca mesin. Teknik ML dan pengenalan pola dapat menarik wawasan dari volume besar data citra klinis, yang tidak dapat diatasi oleh manusia, untuk mengubah diagnosis, perawatan, dan pemantauan pasien.

Untuk menilai dan mengelola kesehatan populasi, algoritma ML dapat membantu memprediksi trajektori risiko masa depan, mengidentifikasi pengemudi risiko, dan memberikan solusi untuk hasil terbaik. Modul pembelajaran dalam yang terintegrasi dengan teknologi AI memungkinkan peneliti untuk menafsirkan kumpulan data genomik yang kompleks, untuk memprediksi jenis kanker tertentu (berdasarkan profil ekspresi gen yang diperoleh dari berbagai kumpulan data besar) dan mengidentifikasi beberapa target yang dapat diobati.

Apakah Anda dapat menjelaskan bagaimana Intel berkolaborasi dengan komunitas genomika untuk mengubah kumpulan data besar menjadi wawasan biomedis yang mempercepat perawatan personal?

Perawatan presisi menyediakan sumber data kesehatan individu yang memungkinkan pemilihan target penyakit dan identifikasi populasi pasien yang menunjukkan hasil klinis yang ditingkatkan untuk pendekatan pencegahan dan terapeutik yang baru.

Genomika adalah fondasi dari perawatan presisi ini. Ini memberikan cetak biru dari siapa kita, dan mengapa dan bagaimana kita unik, yang sangat penting bagi penyedia untuk memahami ketika mereka menggabungkan informasi ini dengan data lain (citra, kimia klinis, riwayat medis, data kohort, dll.). Klinisi menggunakan informasi ini untuk mengembangkan dan mengirimkan perawatan yang spesifik untuk pasien yang menawarkan risiko yang lebih rendah dan lebih efektif.

Intel berkolaborasi dengan komunitas genomika dengan mengoptimalkan alat analisis genetik yang paling umum digunakan di industri untuk berjalan dengan baik dan di seluruh platform dan prosesor yang berbasis arsitektur Intel. Sebagai contoh, optimasi perangkat lunak varian genetik yang memimpin industri Broad Institute, Genomic Analysis Toolkit (GATK), di perangkat keras Intel menggunakan OpenVINO untuk memudahkan pengembangan model AI dan penerapan yang dapat diskalakan, menyoroti dampak dan komitmen kami terhadap industri ini. Toolkit GATK memberikan manfaat bagi penelitian biomedis seperti Genomics DB yang secara efisien menyimpan file ~200GB dalam ukuran (khas untuk kumpulan data genomik) dan Perpustakaan Kernel Genome yang berjalan AVX512 yang memanfaatkan instruksi perangkat keras khusus Intel untuk mempercepat beban kerja genomik dan pemanfaatan AI.

Mengakselerasi kecepatan dan mengurangi biaya analisis genomik sambil mempertahankan akurasi analisis tersebut, terus menjadi menarik bagi peneliti biomedis dan ilmu pengetahuan hayati lainnya yang menggunakan solusi komputasi Intel untuk menemukan dan mengembangkan wawasan medis baru.

Apakah Anda dapat membahas mengapa Anda percaya bahwa perawatan kesehatan jarak jauh sangat penting?

Industri Kesehatan telah bekerja pada berbagai bentuk dan aspek perawatan jarak jauh selama bertahun-tahun. Alasannya, sampai saat ini, telah menjadi keyakinan intuitif dan diharapkan bahwa perawatan jarak jauh dapat menjadi sama baiknya dengan atau lebih baik dari model klinik tradisional. Sekarang, dipicu oleh krisis pandemi dan dampaknya, sistem pengiriman perawatan kesehatan di seluruh dunia terpaksa mengadopsi telehealth atau runtuh. Ini tiba-tiba memaksa untuk menerapkan sekarang membuktikan keyakinan yang lama itu benar dan perawatan jarak jauh sangat penting dan layak.

Perawatan jarak jauh memiliki banyak manfaat. Kenyamanan dan kepuasan pasien dengan pengiriman perawatan telehealth meningkat dengan cepat. Mereka dapat tetap tenang dan nyaman di rumah mereka dengan gangguan dan dampak jadwal yang lebih sedikit. Penyedia menyukainya karena memungkinkan mereka untuk melihat lebih banyak pasien, dan mengelola waktu dan sumber daya klinis yang langka dengan lebih baik. Dan, tentu saja, apa yang telah menjadi alasan paling jelas dan paling kuat selama beberapa bulan terakhir untuk semua orang adalah kemampuan bawaan perawatan jarak jauh untuk membatasi penularan dan kebutuhan akan kontak tatap muka ketika obrolan video dengan telemetri perangkat dan komputasi dapat menyelesaikan sebagian besar tugas pengiriman perawatan dengan sama baiknya.

Apakah Anda dapat membahas beberapa teknologi yang saat ini digunakan untuk pemantauan pasien jarak jauh?

Ada beberapa elemen teknologi yang sangat penting. Yang paling penting adalah kemudahan penggunaan untuk pasien, diikuti dengan cepat oleh keamanan dan privasi data, dan kekuatan aplikasi dan data yang ditangkap. Sebagai contoh, kita perlu mencegah pengguna menghapus aplikasi pemantauan dari iPad mereka secara tidak sengaja.

Aspek lain yang sangat penting untuk penyedia yang menerapkan di seluruh pasien adalah manajemen armada dan kemampuan untuk mengirimkan pembaruan atau dukungan teknis melalui kabel dan disesuaikan dengan setiap pengguna atau kohort pengguna. Ini memerlukan:

• standarisasi pertukaran data dan privasi dengan standar industri seperti FHIR dan Continua;
• platform komputasi yang aman dan hemat daya untuk mengatur data dan mengkomunikasikannya kembali ke klinisi, termasuk perangkat lunak dan enkripsi yang sesuai;
• koneksi melalui jaringan seluler untuk membuat perangkat pengguna berdiri sendiri dan tidak bergantung pada Wi-Fi di rumah yang mungkin tidak dapat diandalkan atau bahkan tidak ada;
• penyimpanan awan dan analitik di backend.

Selain itu, kemampuan untuk mengumpulkan dan menggabungkan data yang mengalir dari pengguna sangat penting untuk memungkinkan klinisi melakukan pemantauan pasien dan dukungan, dan untuk perangkat lunak dan analitik untuk meminta tim perawatan tentang status nominal atau memicu notifikasi alarm untuk hasil yang tidak toleran.

Kami percaya bahwa AI akan memainkan peran yang jauh lebih besar dalam pemantauan pasien di masa depan, meningkatkan pengalaman pasien melalui survei suara alami (“Bagaimana perasaan Anda hari ini?”, “Tekanan darah Anda tampaknya sedikit tinggi”) dan memungkinkan tim perawatan untuk lebih baik memahami kesehatan pasien dan mengidentifikasi perawatan yang sesuai. Melalui penggunaan model AI, manajemen kesehatan populasi juga akan berkembang dengan semua data pasien yang terlipat ke dalam kumpulan data yang semakin besar yang meningkatkan akurasi model pembelajaran iteratif. Ini sangat penting untuk pemantauan jarak jauh dalam skala besar.

Apa beberapa masalah yang perlu diatasi untuk meningkatkan tingkat keberhasilan perawatan kesehatan jarak jauh?

Banyak masalah yang sama yang menghambat sistem pengiriman perawatan tradisional juga merupakan faktor dalam meningkatkan atau menghambat keberhasilan perawatan jarak jauh. Ini termasuk keyakinan dan stigma sosial yang mengelilingi kesehatan, atau hambatan sosio-ekonomi yang berasal dari kurangnya asuransi, kefasihan teknologi, perangkat yang diperlukan, dan koneksi. Silo data mencegah memaksimalkan nilai yang dapat dihasilkan oleh kumpulan data yang lebih besar, terutama sekarang bahwa kemampuan kita untuk memanfaatkan program pembelajaran benar-benar muncul.

Tapi ada tantangan yang unik untuk perawatan jarak jauh:

• masalah kebijakan dan pembayaran, meskipun telah banyak diperbaiki, harus terus melanjutkan momentum positif untuk memperluas dengan batasan yang lebih longgar tentang apa yang diizinkan dan dapat dibayar melalui modality perawatan jarak jauh;
• tantangan keuangan dan kurangnya modal untuk berinvestasi dalam teknologi kesehatan memerlukan peralihan dari model CapEx ke model OpEx. Daripada berinvestasi dalam fasilitas dan peralatan CapEx, penyedia dapat beralih ke model “bayar sesuai dengan yang digunakan”, melepaskan kebutuhan akan infrastruktur tetap yang banyak dan, seperti layanan telepon, membayar untuk menit (atau data) yang digunakan;
• pengalaman pengguna, baik untuk pasien maupun penyedia, harus terus ditingkatkan, akhirnya ke titik di mana teknologi menghilang ke latar belakang, dan kemampuan menjadi intuitif dan mulus dan proses yang menarik dengan hasil dan struktur biaya yang setara atau lebih baik.

Akhirnya, kita ingin teknologi mendukung penyampaian perawatan, bukan menghalangi perawatan. Jika kita berhasil (dan kita percaya kita akan dan akan terus melakukannya), maka teknologi benar-benar akan memungkinkan jembatan ke model perawatan jarak jauh yang lebih baik di masa depan, membuat kasus terbaik untuk normalisasi perawatan jarak jauh sebagai standar pengiriman perawatan.

Terima kasih atas wawancara yang luar biasa, saya menikmati mempelajari lebih lanjut tentang upaya kesehatan Intel. Pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Bisnis Kesehatan & Ilmu Pengetahuan Hayati Global Intel.