Dave Ryan, General Manager, Health & Life Sciences Business di Intel – Interview Series

Dave Ryan memimpin unit bisnis Global Health & Life Sciences di Intel yang fokus pada transformasi digital dari edge-to-cloud untuk membuat perawatan presisi dan berbasis nilai menjadi kenyataan. Pelanggannya adalah produsen yang membangun instrumen ilmu hayat, 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 Health & Life Sciences Intel?

Bisnis Health & Life Sciences Intel membantu pelanggan menciptakan solusi di bidang pencitraan medis, sistem klinis, dan lab serta ilmu hayat, yang memungkinkan perawatan terdistribusi, cerdas, dan personal.

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

• Kesehatan Populasi menganalisis data pasien yang beragam untuk memberikan wawasan kepada penyedia tentang risiko masalah kesehatan dan perawatan yang ditingkatkan di seluruh kohort. Optimisasi dan pengaturan ML dan AI 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 tanpa ruang untuk kesalahan. HPC dan AI membantu memindai data gambar lebih cepat dan mengidentifikasi faktor kritis untuk membantu radiolog dalam diagnosis.
• Sistem Klinis menggunakan penglihatan komputer, AI, HPC, dan komputasi edge untuk pemantauan pasien, bedah robot, dan telehealth serta banyak lainnya. Sistem cerdas ini memadukan data sumber yang beragam untuk memberikan gambaran lengkap pasien dan diagnosis yang lebih baik, dengan fleksibilitas dan skalabilitas untuk mendukung kebutuhan organisasi yang berubah.
• Infrastruktur Digital mengintegrasikan banyak teknologi untuk memungkinkan pendekatan baru dalam interaksi pasien, termasuk perawatan di mana saja dan kapan saja, di mana klinisi berkolaborasi melintasi ruang dan waktu untuk manajemen kondisi, bedah, dan analitik.

Bisnis Lab dan Life Sciences Intel fokus pada tiga area utama: Analitik Data, ‘Omics, dan Farmasi.

• Analitik 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 sampingan.
• ‘Omics menggambarkan dan mengukur kelompok molekul biologis, menggunakan bioinformatika dan biologi komputasi. Kumpulan data besar yang terlibat di sini memerlukan pemrosesan dengan throughput tinggi untuk mendapatkan 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 coba 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?

Penggunaan AI yang meluas di banyak industri sebagian besar tentang mengotomatisasi tugas yang rutin dilakukan oleh manusia. Di bidang kesehatan, AI telah menjadi alat yang membantu atau melengkapi, bukan menggantikan, keahlian manusia yang ada untuk menghasilkan pendekatan transformasional untuk diagnosis dan perawatan. Dan tidak ada tempat yang lebih jelas daripada di pencitraan medis, di mana volume dan kompleksitas data merupakan hambatan dan kesempatan. Saat ini, AI, dan inferensi khususnya, dapat melakukan pemindaian yang lebih cepat dan lebih rinci dari kumpulan data besar daripada yang dapat dilakukan oleh manusia, dan dengan demikian tidak hanya mengungkap wawasan yang sebelumnya tersembunyi, tetapi juga memaksimalkan waktu berharga radiolog untuk mencapai kesimpulan diagnostik yang lebih baik dan untuk lebih banyak pasien. Misalnya, solusi AI dari pelanggan membantu radiolog dengan menganalisis data pada sinar-X yang dapat menunjukkan adanya paru-paru yang runtuh (pneumothorax) 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 hayat lainnya di mana manusia dan mesin bergabung untuk menghasilkan sesuatu yang baru yang jauh lebih besar daripada jumlah bagian-bagian tersebut. Mengambil langkah lebih jauh adalah ide bahwa AI dapat mendemokratisasikan pengetahuan di seluruh disiplin perawatan 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 Hayat 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. Dengan magnitudo seperti itu, AI sekarang menjadi enabler yang tak tergantikan dari berbagai kebutuhan, baik biasa maupun inovatif, di pengaturan klinis dan lab untuk menangani Tujuan Tiga Industri Kesehatan: Meningkatkan kualitas perawatan dan akses sambil menurunkan biaya.

Misalnya, catatan kesehatan elektronik (EHR) telah memungkinkan revolusi digital dalam kualitas dan efisiensi pengiriman perawatan. Sayangnya, dalam catatan tersebut terdapat 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 contoh model yang diaktifkan AI yang dapat mengubah tulisan tangan dan suara menjadi data EHR. Dan setelah didigitalkan, AI dapat diterapkan di seluruh kumpulan data ini dalam berbagai kasus penggunaan yang menarik.

Dalam contoh lain, data yang ditangkap dari perangkat medis dan kamera tumbuh, dan ketika digabungkan dengan data riwayat pasien, analitik dapat membantu menghasilkan 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 yang berbeda untuk menciptakan gambaran yang sangat lengkap tentang pasien tersebut hampir secara real-time. Dalam jangka waktu, semua data yang ditangkap dan disimpan dapat dianalisis untuk prediksi yang lebih baik di masa depan.

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

Seperti 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 pesanan 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 menyetel praktik terbaik, dan tim perawatan untuk berkolaborasi dalam diagnosis dan koordinasi perawatan dan hasil pasien yang mereka berikan untuk meningkatkan hasil pasien.

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

Untuk menilai dan mengelola kesehatan populasi, algoritma ML dapat membantu memprediksi trajektori risiko di 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.

Dapatkah Anda 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 yang lebih baik dan identifikasi populasi pasien yang menunjukkan hasil klinis yang ditingkatkan untuk pendekatan pencegahan dan terapi yang baru.

Genomika adalah fondasi dari perawatan presisi ini. Ini menyediakan cetak biru dari siapa kita, dan mengapa serta 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 lebih rendah risiko 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. Misalnya, optimasi perangkat lunak variant genetik yang memimpin industri dari Broad Institute, Genomic Analysis Toolkit (GATK), pada perangkat keras Intel menggunakan OpenVINO untuk memudahkan pengembangan model AI, debug, dan penerapan yang dapat diskalakan, menyoroti dampak dan komitmen kami terhadap industri ini. Toolkit GATK menyediakan manfaat bagi penelitian biomedis seperti Genomics DB yang dapat menyimpan file sekitar 200GB (khas untuk kumpulan data genomik) dan Perpustakaan Kernel Genom yang menjalankan AVX512 yang mengambil keuntungan dari instruksi perangkat keras arsitektur Intel khusus untuk mempercepat beban kerja genomik dan pemanfaatan AI.

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

Dapatkah Anda 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 untuk ini telah, sampai saat ini, menjadi keyakinan intuitif dan diharapkan bahwa perawatan jarak jauh dapat untuk banyak situasi pengiriman perawatan, sama baiknya atau lebih baik daripada model klinik tradisional. Sekarang, dipicu oleh krisis pandemi dan dampaknya, sistem pengiriman kesehatan di seluruh dunia terpaksa mengadopsi telehealth atau runtuh. Ini mendorong implementasi yang tiba-tiba 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 dengan gangguan dan dampak jadwal yang lebih sedikit. Penyedia menyukainya karena memungkinkan mereka untuk melihat lebih banyak pasien, dan lebih baik mengelola waktu dan alokasi sumber daya klinis yang langka. Dan, tentu saja, apa yang telah menjadi alasan paling jelas dan paling kuat bagi semua orang adalah kemampuan bawaan perawatan jarak jauh untuk membatasi penularan dan kebutuhan akan kontak langsung ketika obrolan video dengan perangkat dan telemetri komputasi yang ditingkatkan dapat menyelesaikan sebagian besar tugas pengiriman perawatan.

Dapatkah Anda 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 kekokohan aplikasi dan data yang ditangkap. Misalnya, 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 mengagregasi 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 kondisi nominal atau memicu notifikasi alarm untuk hasil yang tidak sesuai.

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 tepat. Melalui penggunaan model AI, manajemen kesehatan populasi juga akan berkembang dengan semua data pasien yang terlipat ke dalam kumpulan data yang lebih 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 mempengaruhi sistem perawatan kami saat ini juga mempengaruhi keberhasilan perawatan jarak jauh. Ini termasuk keyakinan dan stigma sosial yang terkait dengan 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 kemampuan kami untuk memanfaatkan program pembelajaran.

Tapi ada tantangan yang unik untuk perawatan jarak jauh:

• masalah kebijakan dan pembayaran, meskipun telah banyak diperbaiki, harus terus meningkatkan momentum positif untuk memperluas dengan relaksasi batasan pada apa yang diizinkan dan dapat dibayar melalui modalitas perawatan jarak jauh;
• tantangan keuangan dan kurangnya modal untuk berinvestasi dalam teknologi di bidang kesehatan memerlukan konversi dari model CapEx ke model OpEx. Sebagai gantinya, penyedia dapat beralih ke model “bayar sesuai dengan yang Anda gunakan”, menghindari kebutuhan akan infrastruktur tetap 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 tanpa cela dan proses yang menarik dengan hasil yang setara atau lebih baik dan struktur biaya.

Pada akhirnya, kita ingin teknologi mendukung penyediaan perawatan, bukan menghalangi perawatan. Jika kita berhasil (dan kita percaya kita berhasil dan akan terus berhasil), maka teknologi benar-benar akan memungkinkan jembatan ke model perawatan jarak jauh yang lebih baik di masa depan, membuat kasus terkuat 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 Global Health & Life Sciences Intel.