Dave Ryan, Intel의 헬스 및 라이프 사이언스 사업 총괄 – 인터뷰 시리즈

Dave Ryan은 Intel의 글로벌 헬스 및 라이프 사이언스 사업 단위를 이끌고 있습니다. 이 단위는 에지에서 클라우드까지의 디지털 변화를 통해 정밀하고 가치 기반의 치료를 현실화하는 데 중점을 두고 있습니다. 그의 고객은 연구 센터, 병원, 클리닉, 재활 센터, 가정에서 사용되는 라이프 사이언스 기기, 의료 장비, 임상 시스템, 컴퓨팅 어플라이언스 및 장치를 제작하는 제조업체입니다. Dave는 Consumer Technology Association Health & Fitness Division, HIMSS의 Personal Connected Health Alliance, Global Coalition on Aging, Alliance for Connected Care의 이사회의 일원으로 활동했습니다.

인텔의 헬스 및 라이프 사이언스 사업은 무엇입니까?

인텔의 헬스 및 라이프 사이언스 사업은 고객이 의료 영상, 임상 시스템, 연구소 및 라이프 사이언스 분야에서 솔루션을 개발하도록 도와줍니다. 이는 분산된, 지능형, 개인화된 치료를 가능하게 합니다.

인텔의 헬스 사업은 인구 건강, 의료 영상, 임상 시스템, 디지털 인프라에 중점을 두고 있습니다.

• 인구 건강은 다양한 환자 데이터를 분석하여 의료 문제에 대한 위험과 개선된 치료를 제공합니다. 최적화된 기계 학습과 인공지능은 환자 그룹을 분류하여 보험 제공업체와 제공자가 가장 위험한 환자에게 우선순위를 부여할 수 있도록 합니다.
• 의료 영상(MRI, CT 등)은 정확한 평가가 필요한巨大한 데이터 세트를 생성합니다. 고성능 컴퓨팅과 인공지능은 영상 데이터를 더 빠르게 분석하고 방사선과가 진단을 내리기 위한 중요한 요소를 식별하는 데 도움이 됩니다.
• 임상 시스템은 컴퓨터 비전, 인공지능, 고성능 컴퓨팅, 에지 컴퓨팅을 사용하여 환자 모니터링, 로봇 수술, 원격 의료 등에 활용됩니다. 이러한 지능형 시스템은 다양한 소스 데이터를 종합하여 완전한 환자 뷰를 제공하고 조직의 필요에 따라 유연하고 확장 가능하게 지원합니다.
• 디지털 인프라는 다양한 기술을 통합하여 환자 상호 작용에 새로운 접근 방식을 가능하게 합니다. 여기에는 임상가들이 공간과 시간을 초월하여 상태 관리, 수술, 분석을 위해 협력할 수 있는どこ서나 언제나 치료가 포함됩니다.

인텔의 연구소 및 라이프 사이언스 사업은 3가지 주요 분야에 중점을 두고 있습니다. 데이터 분석, 옴즈, 제약입니다.

• 데이터 분석은 인공지능을 사용하여 발견과 통찰력을 구동하여 정밀의학을 가능하게 합니다. 이는 환자가 가장 효과적인 약을 받도록 보장하고 부작용 프로파일의 위험을 줄입니다.
• 옴즈는 생물 분자 그룹을 설명하고 정량화하며 생물 정보학과 계산 생물학을 사용합니다. 여기에는巨大한 데이터 세트가 필요하며 합리적인 시간 내에 결과를 얻으려면 고 처리량 처리가 필요합니다. 이러한 처리량과 새로운 데이터베이스, 툴킷, 라이브러리, 코드 최적화를 통해 옴즈 기관은 결과에 대한 시간과 개발 비용을 줄일 수 있습니다.
• 제약은 약과 인간 생물학적 시스템의 상호 작용을 연구하며 분자 수준에서 데이터 과학이 인공지능과 기계 학습을 필요로 합니다. 이는 새로운 약의 발견, 임상 시험, 반응 통찰력, 빠른 신약 개발을 위한 리드 생성 및 최적화를 가능하게 합니다.

당신은 언제부터 인공지능을 활용한 헬스케어에 관심을 가지게 되셨나요?

인공지능은 많은 산업에서 자동화된 작업을 수행하는 데 사용되어 왔습니다. 헬스케어에서는 인공지능이 기존의 인간 전문 지식을 보완하거나 지원하여 진단과 치료에真正한 변화를 가져오는 도구로 사용되고 있습니다. 이는 의료 영상에서 가장 뚜렷하게 나타나며 데이터의 양과 복잡성이障壁이자 기회입니다. 오늘날 인공지능과 추론은 인간이 수행할 수 있는 것보다 훨씬 빠르고 자세하게 정보를 분석할 수 있으며 이는 방사선과가 더 나은 진단 결과를 내릴 수 있도록 합니다. 예를 들어, 고객의 인공지능 솔루션은 방사선과가 엑스레이 데이터를 분석하여 폐부종이나 코로나19의 존재를 나타낼 수 있습니다. 이는 진단과 치료의 효율성을 혁신적으로 향상시키는真正한 업적입니다.

클리닉 환경에서 빅데이터를 분석하는 데 인공지능이 얼마나 중요한가요?

헬스 및 라이프 사이언스 산업은 오늘날 세계에서 가장 많은 데이터를 생성하며 복잡도도最高입니다. 이러한 데이터를 효과적으로 관리하고 분석하는 것은 생명과 죽음의 문제입니다. 이러한 규모에서 인공지능은 헬스케어 산업의 트리플 에임(케어 품질과 접근성을 개선하고 비용을 낮추기)을 해결하는 데 필요한 다양한需求을 충족하는 데 필수적인 도구입니다.

예를 들어, 전자 건강 기록(EHR)은ケ어 제공의 품질과 효율성을 디지털 혁신을 통해 개선했습니다. 그러나 이러한 기록에는 구조화된 데이터와 비구조화된 데이터가 혼합되어 있으며 인공지능이 이를 유용한 데이터 세트로 변환하는 데 도움이 될 수 있습니다. 광학 문자 인식(OCR)과 자연어 처리(NLP)는 두 가지 인공지능 모델로 手書き와 음성을 디지털화하여 EHR 데이터로 변환할 수 있습니다. 한 번 디지털화되면 인공지능을 다양한 사용 사례에 적용할 수 있습니다.

의료 기기와 카메라에서 캡처된 데이터는 증가하고 있으며 환자 기록 데이터와 결합하여 새로운 통찰력을 제공할 수 있습니다. 많은 병원은 이미 알고리즘을 배포하여 빠른 개입을 위한 패혈증 발병을 예측하고 있습니다. 또한 중환자실에서 소프트웨어는 분리된 기기에서 데이터를 결합하여 환자에 대한 완전한 그림을 생성할 수 있습니다.

데이터를 분석하는 데 기계 학습을 사용하는 더 많은 주목할만한 사용 사례는 무엇인가요?

위에서 언급한 바와 같이 NLP 도구는 수동 서면 또는 데이터 입력을 대체하여 새로운 문서, 환자 방문 요약 및詳細한 임상 기록을 생성하는 데 도움이 될 수 있습니다. 이는 임상가가 더 많은 환자를 볼 수 있도록 하며 제공업체가 문서화, 워크플로, 청구 정확성을 개선하는 데 도움이 됩니다.

보다 넓은 의미에서 인공지능 기반 분석은 효율성을 개선하고 비용을 낮추는 다양한 임상 응용 프로그램을 이해하고 관리하는 데 도움이 됩니다. 이는 병원이 자원을 더 잘 관리하고 최선의 관행을 미세 조정할 수 있도록 하며 케어 팀이 진단과 치료를 협력하고 전체적인 환자 결과를 개선하는 데 도움이 됩니다.

임상가는 목표한 이상을 분석하는 데 적절한 기계 학습 접근 방식을 사용하여 구조화된 정보를 다른 원시 데이터에서 필터링할 수 있습니다. 이는 더 빠르고 정확한 진단과 최적의 치료를 가능하게 합니다. 예를 들어, 기계 학습 알고리즘은 의료 이미지의 진단 시스템을 자동화된 의사 결정으로 변환하여 이미지에서 기계가 읽을 수 있는 텍스트로 변환할 수 있습니다. 기계 학습과 패턴 인식 기술은 또한 임상 이미지 데이터의巨대한 볼륨에서 통찰력을 얻어 환자의 진단, 치료, 모니터링을 변환할 수 있습니다.

인구 건강을 평가하고 관리하는 데 기계 학습 알고리즘을 사용하여 미래의 위험 트레이저리를 예측하고 위험 요인을 식별하며 최상의 결과를 위한 솔루션을 제공할 수 있습니다. 딥 러닝 모듈은 인공지능 기술과 통합하여 연구자들이 복잡한 유전체 데이터 세트를 해석하고 특정 유형의 암(유전자 표현 프로파일에서 얻은 다양한 대규모 데이터 세트에 따라)을 예측하며 다중 표적을 식별하는 데 도움이 됩니다.

인텔은 바이오메디컬 통찰력을 가속화하고 개인화된 치료를 가속화하는 대규모 데이터 세트를 변환하기 위해 게놈 연구 커뮤니티와 어떻게 협력하고 있나요?

정밀의학은 개인 수준의 건강 데이터 소스를 제공하여 질병 표적을 선택하고 임상 결과를 개선하는 데 도움이 됩니다.

게놈은 이 정밀의학의 핵심입니다. 이는 우리가 누구인지, 왜 그리고 어떻게 고유한지에 대한 청사진을 제공하며 이는 제공자가 다른 데이터(이미지, 임상 화학, 의료 기록, 코호트 데이터 등)와 결합하여 환자별 치료를 개발하고 제공하는 데 중요합니다.

인텔은 게놈 연구 커뮤니티와 협력하여 산업에서 가장 일반적으로 사용되는 유전 분석 도구를 인텔 아키텍처 기반 플랫폼과 프로세서에서 최적화하여 실행하도록 지원하고 있습니다. 예를 들어, Broad Institute의 유명한 유전 변이 소프트웨어인 Genomic Analysis Toolkit(GATK)을 인텔 하드웨어에서 OpenVINO를 사용하여 최적화하여 인공지능 모델 개발, 디버깅, 확장 가능한 배포를 용이하게 하는 것이 우리의 영향과 헬스케어 산업에 대한 헌신을 보여줍니다. GATK 툴킷은 바이오메디컬 연구에 대한 혜택을 제공하며 Genomics DB는 약 200GB 크기(일반적으로 게놈 데이터 세트에 해당)의 파일을 효율적으로 저장하며 Genome Kernel Library는 AVX512를 사용하여 인텔 아키텍처 하드웨어의 특정 명령을 활용하여 게놈 워크로드와 인공지능 활용을 가속화합니다.

게놈 분석의 속도와 비용을 줄이고 분석의 정확성을 유지하는 것은 바이오메디컬 및 기타 라이프 사이언스 연구자에게 매력적이며 인텔 컴퓨팅 솔루션을 사용하여 새로운 의료 통찰력을 발견하고 활용하는 데 도움이 됩니다.

원격 헬스케어가 इतन 중요한 이유는 무엇인가요?

헬스 산업은 다양한 형태와 원격ケア의 측면을 수년간 작업해 왔습니다. 이러한 이유는 최근까지는 원격ケア가 전통적인 클리닉 모델만큼 좋거나 더 좋은 ケア 제공 상황일 수 있다는 직관적이고 희망적인 믿음이었습니다. 그러나 현재 팬데믹 위기로 인해 헬스케어 제공 시스템은 전 세계적으로 원격ケア를 채택하거나 붕괴할 수밖에 없습니다. 이러한 급격한 원격ケ어 구현은 이러한 오랜 믿음을 증명하고 원격ケ어가 필수적이고 매우 жиз력 있는 것으로 입증하고 있습니다.

원격ケ어는 많은 혜택이 있습니다. 환자의 원격ケア 제공에 대한 만족도는 급격히 증가하고 있습니다. 환자는 집에서 더 편안하고 시간과 일정에 대한 영향이 적습니다. 제공자는 더 많은 환자를 볼 수 있으며 자원을 더 잘 관리하고 희소한 임상 자원을 더 잘 할당할 수 있습니다. 그리고 최근 몇 개월 동안 모든 사람에게 가장 명백하고 강력한 이유는 원격ケア가 감염을 제한하고 직접 접촉이 필요할 때 비디오 채팅과 증강 장치 및 컴퓨팅 텔레메트리와 같은 기능을 통해ケア 제공 작업을 수행할 수 있는 능력입니다.

원격 환자 모니터링에 현재 사용되는 기술에 대해 논의해 주시겠습니까?

중요한 기술 요소는 환자에게 사용하기 쉬운 것입니다. 다음으로는 데이터의 보안과 개인 정보 보호, 그리고 응용 프로그램과 캡처된 데이터의 견고성이 중요합니다. 예를 들어, 우리는 사용자가 아이패드에서 모니터링 앱을 실수로 삭제하는 것을 방지해야 합니다.

또 다른 중요한 측면은 여러 환자에 걸쳐 원격ケア를 제공하는 제공자의 경우입니다. 이는 다음과 같은 것을 필요로 합니다:

• 산업 표준(FHIR, Continua 등)과 같은 데이터 교환 및 개인 정보 보호의 표준화;
• 데이터를 오케스트레이션하고 클리닉에 다시 전송하는 데 적합한 보안 및 전력 효율적인 컴퓨팅 플랫폼;
• 홈의 Wi-Fi에 의존하지 않고 독립적으로 작동할 수 있는 셀룰러 네트워크를 통한 연결;
• 백엔드의 클라우드 저장소 및 분석.

또한 사용자로부터 들어오는 데이터를 수집하고 집계하는 능력은 임상가가 환자 모니터링과 지원을 수행하고 소프트웨어 및 분석이 케어 팀에 정상 상태 또는 결과가 허용되는 범위를 벗어난 경우 알림을 보내는 데 필수적입니다.

미래에는 인공지능이 환자 모니터링에서 훨씬 더 큰 역할을 할 것입니다. 이는 자연어 설문조사(“오늘 어떻게感觉하세요?”, “당신의 혈압이有点 높아 보입니다”)를 통해 환자 경험을 개선하고 케어 팀이 환자의 건강을 더 잘 이해하고 적절한 치료를 식별하는 데 도움이 됩니다. 인공지능 모델을 통해 인구 건강 관리도 진행됩니다. 모든 환자 데이터가 점점 더 큰 데이터 세트로 통합되어 반복 학습 모델의 정확도를 개선합니다. 이는 원격 모니터링을 확장하는 데 필수적입니다.

원격 헬스케어의 성공률을 높이기 위해 극복해야 할 문제는 무엇인가요?

현재 시스템에서 발생하는 문제와 마찬가지로 원격ケア의 성공을 강화하거나 방해하는 요소도 있습니다. 이러한 요소에는 헬스케어에 대한 사회적 하위 세그먼트의 신념과 스티그마, 사회 경제적 장벽(보험, 기술 유창성, 장치, 연결성의 부족 등)이 포함됩니다. 데이터 시로스는 더 큰 공유 데이터 세트에서 가치가 최대화될 수 있는 것을 방해합니다. 특히 인공지능 학습 프로그램의 가치가真正로 나타나는 지금입니다.

그러나 원격ケア에 고유한 문제도 있습니다:

• 정책 및 지불 문제는 최근 개선되었지만 원격ケ어 모달리티를 통해 허용되고 보상되는 것을 확장하기 위해 긍정적인 추세를 계속해야 합니다.
• 금융적인 도전과 헬스케어 기술에 투자하기 위한 자본은 CapEx 모델에서 OpEx 모델로의 전환을 필요로 합니다. 제공자는 시설과 CapEx 장비에 투자하는 대신 “pay-as-you-go” 모델로 전환하여 많은 고정 인프라의 필요성을 피하고 전화 서비스와 마찬가지로 사용한 분 또는 데이터에 대해 비용을 지불할 수 있습니다.
• 환자와 제공자의 사용자 경험은 궁극적으로 기술이 배경으로 사라지고 기능이 직관적이고無視하며 과정은 매력적이며 결과와 비용 구조가 동일하거나 더 나은 수준으로 개선되어야 합니다.

궁극적으로 우리는 기술이 케어 제공을 지원하도록 하고 그 방해가 되지 않도록 하려 합니다. 우리가 성공한다면(그리고 우리는 성공하고 계속할 것이라고 믿습니다) 기술은真正로 원격ケア 제공의 내일의 더 나은 모델로의 다리를 제공하여 원격ケア를 표준 케어 제공으로 정상화하는 데 가장好的 사례를 만들 것입니다.

인텔의 헬스 노력에 대해 더 많이 배우고 싶은 독자는 인텔의 글로벌 헬스 및 라이프 사이언스 사업을 방문해야 합니다.