Dave Ryan, General Manager, Health & Life Sciences Business at Intel – Intervista alla serie

Dave Ryan guida l’unità aziendale Global Health & Life Sciences di Intel che si concentra sulla trasformazione digitale da edge-to-cloud per rendere possibile la cura di precisione e basata sul valore. I suoi clienti sono i produttori che costruiscono strumenti per le scienze della vita, attrezzature mediche, sistemi clinici, appliance e dispositivi utilizzati da centri di ricerca, ospedali, cliniche, strutture di assistenza residenziale e case. Dave ha fatto parte dei consigli di amministrazione di Consumer Technology Association Health & Fitness Division, HIMSS’ Personal Connected Health Alliance, il Global Coalition on Aging e l’Alliance for Connected Care.  

Che cosa è il business Health & Life Sciences di Intel?

Il business Health & Life Sciences di Intel aiuta i clienti a creare soluzioni nelle aree di imaging medico, sistemi clinici e laboratori e scienze della vita, abilitando la cura distribuita, intelligente e personalizzata.

Il business Health di Intel si concentra sulla salute della popolazione, sull’imaging medico, sui sistemi clinici e sull’infrastruttura digitale.

• La salute della popolazione esamina i dati dei pazienti diversi per fornire ai fornitori informazioni sui rischi per problemi medici e trattamenti migliorati in tutta la coorte. L’ML e l’AI ottimizzati aiutano a “classificare” i gruppi, in modo che i pagatori e i fornitori possano dare priorità ai pazienti a rischio.
• L’imaging medico (ad esempio MRI, TC), genera enormi set di dati che richiedono una valutazione accurata senza margini di errore. L’HPC e l’AI aiutano a scansionare più rapidamente i dati delle immagini e a identificare i fattori critici per assistere i radiologi nella diagnosi.
• I sistemi clinici utilizzano la visione artificiale, l’AI, l’HPC e l’elaborazione edge per il monitoraggio dei pazienti, la chirurgia robotica e la telemedicina e molti altri. Questi sistemi intelligenti riconciliano i dati di diverse fonti per una visione completa del paziente e una diagnosi migliore, con flessibilità e scalabilità per supportare le esigenze organizzative in evoluzione.
• L’infrastruttura digitale integra molte tecnologie per abilitare approcci innovativi all’interazione con i pazienti, compresa la cura ovunque e in qualsiasi momento, in cui i clinici collaborano attraverso spazio e tempo per la gestione delle condizioni, la chirurgia e l’analisi.

Il business Lab and Life Sciences di Intel si concentra in 3 aree principali: Data Analytics, ‘Omics e Pharma.

• La Data Analytics utilizza l’AI per guidare una cascata di scoperte e informazioni che aiutano a consentire, tra le altre cose, la medicina di precisione, assicurando che i pazienti ricevano i farmaci più efficaci per loro e riducendo il rischio di profili di effetti collaterali.
• ‘Omics descrive e quantifica i gruppi di molecole biologiche, utilizzando la bioinformatica e la biologia computazionale. I grandi set di dati coinvolti qui richiedono un’elaborazione ad alta velocità per ottenere risultati entro tempi ragionevoli. Con questa velocità e nuovi database, toolkit, librerie e ottimizzazioni del codice, le istituzioni ‘Omics possono ridurre il tempo per ottenere i risultati e i costi di sviluppo.
• Pharma è lo studio dei farmaci e di come interagiscono con i sistemi biologici umani, compreso a livello molecolare, dove la scienza dei dati necessita di AI e ML per assistere con la generazione di lead e ottimizzazioni, l’identificazione di bersagli e la ricerca preclinica. Ciò porta a trial clinici migliori, insight più intelligenti e una scoperta di nuovi farmaci più rapida.

Quando sei personalmente diventato interessato all’utilizzo dell’AI per il beneficio della sanità?

La proliferazione dell’AI in molti settori è stata in gran parte una questione di automazione di quei compiti routinariamente eseguiti dagli esseri umani. Nella sanità, l’AI è diventata uno strumento attraverso il quale noi aumentiamo o assistiamo, non sostituiamo, l’esperienza umana esistente per offrire approcci veramente trasformativi alla diagnosi e al trattamento. E in nessun luogo è questo più chiaro che nell’imaging medico, in cui il volume e la complessità dei dati sono sia una barriera che un’opportunità. Oggi, l’AI, e in particolare l’inferenza, è in grado di eseguire scansioni più rapide e dettagliate di grandi array di informazioni di quanto possa fare un essere umano e, facendolo, non solo rivela informazioni precedentemente nascoste, ma massimizza anche il tempo prezioso del radiologo per raggiungere una diagnosi migliore e per più pazienti. Ad esempio, le soluzioni AI dei clienti aiutano i radiologi analizzando i dati nelle radiografie che potrebbero indicare la presenza di un polmone collassato (pneumotorace) o COVID. Questo è un risultato veramente notevole che sta rivoluzionando l’efficacia sia dell’imaging medico stesso che dell’applicazione dell’esperienza umana. Assistere a questo tipo di trasformazione in questo settore mi ha naturalmente motivato a cercare il prossimo grande balzo in altri settori sanitari e della vita in cui l’uomo e la macchina si combinano per produrre un nuovo insieme molto più grande della somma delle parti. Portare questo un passo più in là è l’idea che l’AI possa democratizzare la conoscenza attraverso le discipline di cura e rendere l’esperienza umana e la sottigliezza basata sull’esperienza ancora più lontane, aumentando il livello di qualità.

Quanto è importante l’AI nell’analizzare grandi dati in un ambiente clinico?

Le industrie Health e Life Sciences generano più dati con maggiore complessità di qualsiasi altra industria nel mondo oggi. E, a differenza di altre industrie, gestire e analizzare efficacemente quei dati è una questione di vita o di morte. Date queste magnitudini, l’AI è ora un enabler indispensabile di una gamma di esigenze, sia ordinarie che innovative, sia negli ambienti clinici che di laboratorio per affrontare l’obiettivo triplo dell’industria: Migliorare la qualità dell’assistenza e l’accesso, riducendo i costi.

Ad esempio, i registri elettronici dei pazienti (EHR) hanno reso possibile una rivoluzione digitale nella qualità e nell’efficienza della consegna dell’assistenza. Purtroppo, all’interno di questi registri c’è un mix confuso di dati sia strutturati che non strutturati che l’AI può aiutare a digitare in set di dati più unificati e utili. Il riconoscimento ottico dei caratteri (OCR) e l’elaborazione del linguaggio naturale (NLP) sono solo due modelli abilitati dall’AI che possono convertire gli analoghi della scrittura a mano e della voce in dati EHR. E una volta digitati, l’AI può essere applicata su questi set di dati in molti casi di utilizzo emozionanti.

In altri casi, i dati catturati dai dispositivi medici e dalle telecamere stanno crescendo e, quando combinati con i dati della storia del paziente, l’analisi può aiutare a guidare nuove informazioni per personalizzare ulteriormente il trattamento. A livello di censimento, molti ospedali hanno già distribuito algoritmi che possono prevedere l’insorgenza della sepsi per un intervento più rapido e, nelle unità di terapia intensiva, il software può combinare i dati di molti dispositivi isolati per creare un’immagine impressionantemente completa del paziente in quasi tempo reale. Nel tempo, tutti quei dati catturati e archiviati possono anche essere analizzati per previsioni migliori nel futuro.

Quali sono alcuni dei casi di utilizzo più notevoli che stai vedendo per l’analisi dei dati di machine learning?

Come menzionato sopra, gli strumenti NLP possono aiutare a sostituire la scrittura o l’inserimento manuale dei dati per generare nuovi documenti, come le sintesi delle visite dei pazienti e le note cliniche dettagliate. Ciò consente ai clinici di vedere più pazienti e ai fornitori di migliorare la documentazione, il flusso di lavoro e l’accuratezza della fatturazione inserendo gli ordini e la documentazione prima nella giornata.

Più in generale, l’analisi abilitata dall’AI aiuta i fornitori a comprendere e gestire una vasta gamma di applicazioni cliniche che migliorano l’efficienza e riducono i costi. Ciò consente agli ospedali di gestire meglio le risorse e di ottimizzare le migliori pratiche e ai team di cura di collaborare alle diagnosi e alla coordinazione dei trattamenti e dell’assistenza generale che forniscono ai pazienti.

I clinici possono analizzare le anomalie mirate utilizzando approcci ML appropriati e filtrare le informazioni strutturate da altri dati grezzi. Ciò può portare a una diagnosi e a trattamenti più rapidi e accurati. Ad esempio, gli algoritmi ML possono convertire il sistema diagnostico delle immagini mediche in processo decisionale automatizzato convertendo le immagini in testo leggibile dalla macchina. Le tecniche ML e di riconoscimento dei modelli possono anche trarre informazioni da grandi volumi di dati di immagini cliniche, incontrollabili da un essere umano, per trasformare la diagnosi, il trattamento e il monitoraggio dei pazienti.

Per valutare e gestire la salute della popolazione, gli algoritmi ML possono aiutare a prevedere le traiettorie di rischio future, identificare i driver di rischio e fornire soluzioni per i migliori risultati. I moduli di apprendimento profondo integrati con le tecnologie AI consentono ai ricercatori di interpretare complessi set di dati genomici, di prevedere tipi specifici di cancro (in base ai profili di espressione genica ottenuti da vari grandi set di dati) e di identificare più bersagli farmacologici.

Potresti spiegare come Intel sta collaborando con la comunità genomics per trasformare grandi set di dati in informazioni biomediche che accelerano l’assistenza personalizzata?

La medicina di precisione fornisce fonti di dati di salute a livello individuale che consentono una migliore selezione di bersagli di malattie e l’identificazione di popolazioni di pazienti che dimostrano risultati clinici migliorati per approcci preventivi e terapeutici innovativi.

La genomics è la pietra angolare di questa medicina di precisione. Fornisce il progetto di chi siamo e perché e come siamo unici, che è critico per i fornitori di comprendere mentre combinano queste informazioni con altri dati (immagini, chimica clinica, storia medica, dati della coorte, ecc.). I clinici utilizzano queste informazioni per sviluppare e fornire trattamenti personalizzati per i pazienti che sono a minor rischio e più efficaci.

Intel sta collaborando con la comunità genomics ottimizzando gli strumenti di analisi genetica più comunemente utilizzati nell’industria per funzionare al meglio e su piattaforme basate su architettura Intel e i processori che li alimentano. Ad esempio, l’ottimizzazione del software di varianti genetiche di punta dell’Istituto Broad, il Genomic Analysis Toolkit (GATK), su hardware Intel utilizzando OpenVINO per facilitare lo sviluppo, il debug e la distribuzione dei modelli AI, evidenzia il nostro impatto e l’impegno per questo settore. Il toolkit GATK fornisce benefici alla ricerca biomedica come Genomics DB che memorizza efficientemente file di circa 200 GB di dimensioni (tipici per i set di dati genomici) e la libreria Genome Kernel che utilizza le istruzioni hardware specifiche dell’architettura Intel per accelerare i carichi di lavoro genomici e l’utilizzo dell’AI.

Accelerare la velocità e ridurre il costo dell’analisi genomica, mantenendo al tempo stesso l’accuratezza di quell’analisi, continua a essere convincente per i ricercatori biomedici e di altre scienze della vita che utilizzano le soluzioni di calcolo Intel per scoprire e sfruttare nuove informazioni mediche.

Potresti discutere perché credi che l’assistenza sanitaria remota sia così importante?

L’industria sanitaria ha lavorato su vari aspetti e forme di assistenza remota per molti anni. I motivi per questo sono stati, fino a poco tempo fa, una credenza intuitiva e sperata che l’assistenza remota possa essere, per molte situazioni di consegna dell’assistenza, altrettanto buona o migliore dei modelli di assistenza tradizionali. Ora, spinta dalla crisi pandemica e dal suo impatto, i sistemi di consegna dell’assistenza sanitaria in tutto il mondo sono costretti ad adottare la telemedicina o a collassare. Questo improvviso afflusso di implementazione sta ora dimostrando che quelle credenze a lungo sostenute sono vere e che l’assistenza remota sia vitale e altamente fattibile.

L’assistenza remota ha molti benefici. La soddisfazione dei pazienti per la consegna dell’assistenza tramite telemedicina sta aumentando rapidamente. Possono rimanere più calmi e a proprio agio a casa con meno disruption e impatto sulla pianificazione. I fornitori lo apprezzano perché consente loro di vedere più pazienti e di gestire meglio il proprio tempo e di allocare meglio le risorse cliniche rare. E, naturalmente, ciò che è diventato il motivo più chiaro e convincente per tutti negli ultimi mesi è la capacità intrinseca dell’assistenza remota di limitare la contagiosità e la necessità di contatto personale quando una chat video con telemetria del dispositivo e del calcolo può ottenere la maggior parte dei compiti di consegna dell’assistenza altrettanto bene.

Potresti discutere alcune delle tecnologie attualmente utilizzate per il monitoraggio remoto dei pazienti?

Ci sono diversi elementi tecnologici critici. Il più importante è la facilità d’uso per il paziente, seguito rapidamente dalla sicurezza e dalla privacy dei dati e dalla robustezza dell’applicazione e dei dati che cattura. Ad esempio, dobbiamo impedire a un utente di eliminare accidentalmente un’app di monitoraggio dal suo iPad.

Un altro aspetto critico per un fornitore di assistenza che distribuisce su più pazienti è la gestione della flotta e la capacità di inviare aggiornamenti o supporto tecnico via cavo e personalizzati per ogni utente o cohorte di utenti. Ciò richiede:

• la standardizzazione dello scambio di dati e della privacy con standard di settore come FHIR e Continua;
• una piattaforma di calcolo sicura e a basso consumo di energia per orchestrare i dati e comunicarli al clinico, compreso il software e la crittografia appropriati;
• la connettività attraverso una rete cellulare per rendere i dispositivi dell’utente autonomi e non dipendenti dal Wi-Fi a casa che potrebbe essere instabile o addirittura inesistente;
• l’archiviazione cloud e l’analisi nel backend.

Inoltre, la capacità di raccogliere e aggregare i dati in ingresso dagli utenti è fondamentale per consentire ai clinici di monitorare i pazienti e supportarli e per il software e l’analisi di informare i team di cura di uno stato nominale o di attivare una notifica di allarme per i risultati che sono fuori tolleranza.

Crediamo che l’AI giocherà un ruolo molto più grande nel monitoraggio dei pazienti in futuro, migliorando l’esperienza del paziente attraverso sondaggi vocali naturali (“Come ti senti oggi?”, “La tua pressione sanguigna sembra un po’ alta”) e consentendo ai team di cura di comprendere meglio la salute del paziente e di identificare trattamenti appropriati. Attraverso l’utilizzo di modelli AI, la gestione della salute della popolazione progredirà con tutti i dati dei pazienti che si uniscono in set di dati sempre più grandi, migliorando l’accuratezza di un modello di apprendimento iterativo. Ciò è essenziale per il monitoraggio remoto su larga scala.

Quali sono alcuni dei problemi che devono essere superati per aumentare il tasso di successo dell’assistenza sanitaria remota?

Molti dei problemi che affliggono il nostro sistema attuale di consegna dell’assistenza tradizionale sono anche fattori che migliorano o inibiscono il successo dell’assistenza remota. Questi includono credenze e stigma sociali e sottosegmentali sulla sanità, o barriere socioeconomiche derivanti dalla mancanza di assicurazione, dalla competenza tecnologica, dai dispositivi richiesti e dalla connettività. I silos dei dati impediscono di massimizzare il valore che i set di dati condivisi più grandi potrebbero produrre, soprattutto ora che la nostra capacità di sfruttare i programmi di apprendimento è realmente emersa.

Ma ci sono sfide che sono uniche per l’assistenza remota:

• le questioni di politica e di pagamento, sebbene molto migliorate di recente, devono continuare il loro slancio positivo per espandersi con restrizioni rilassate su ciò che è consentito e rimborsabile tramite modalità di assistenza remota;
• le sfide finanziarie e la mancanza di capitale per investire nella tecnologia nel settore sanitario richiedono una conversione da un modello CapEx a un modello OpEx. Invece di investire in strutture e attrezzature CapEx, i fornitori possono passare a un modello “pay as you go”, rinunciando alla necessità di molta infrastruttura fissa e, come il servizio telefonico, pagare per i minuti (o i dati) utilizzati;
• l’esperienza dell’utente, sia per il paziente che per il fornitore, deve continuare a migliorare, alla fine fino al punto in cui la tecnologia scompare sullo sfondo e le capacità sono intuitive e senza soluzione di continuità e il processo è convincente con risultati e strutture di costo equivalenti o migliori.

In definitiva, vogliamo che la tecnologia supporti la fornitura dell’assistenza, non si frapponga tra essa. Se abbiamo successo (e crediamo di averlo e di continuare ad averlo), allora la tecnologia permetterà veramente di costruire un ponte verso il modello di assistenza remota di domani, rendendo il caso più forte possibile per la normalizzazione dell’assistenza remota come standard di consegna dell’assistenza.

Grazie per l’intervista fantastica, ho apprezzato imparare di più sugli sforzi sanitari di Intel. I lettori che desiderano saperne di più possono visitare il business Health & Life Sciences di Intel.