Dave Ryan, Algemeen Directeur, Health & Life Sciences Business bij Intel – Interview Serie

Dave Ryan leidt de Global Health & Life Sciences business unit bij Intel (INTC ) die zich richt op digitale transformatie van edge-to-cloud om precisie, waardegebaseerde zorg een realiteit te maken. Zijn klanten zijn de fabrikanten die levenswetenschappelijke instrumenten, medische apparatuur, klinische systemen, compute-apparaten en apparaten bouwen die worden gebruikt door onderzoekscentra, ziekenhuizen, klinieken, residentiële zorginstellingen en thuis. Dave heeft gezeten in de raden van de Consumer Technology Association Health & Fitness Division, HIMSS’ Personal Connected Health Alliance, de Global Coalition on Aging en de Alliance for Connected Care.  

Wat is Intel’s Health & Life Sciences Business?

Intel’s Health & Life Sciences business helpt klanten oplossingen te creëren op het gebied van medische beeldvorming, klinische systemen en lab en levenswetenschappen, waardoor gedistribueerde, intelligente en gepersonaliseerde zorg mogelijk wordt.

Intel’s Health business richt zich op populatiegezondheid, medische beeldvorming, klinische systemen en digitale infrastructuur.

• Populatiegezondheid onderzoekt diverse patiëntgegevens om zorgverleners inzicht te geven in risico’s voor medische problemen en verbeterde behandelingen over kohorten. Geoptimaliseerde en afgestemde ML en AI helpen “tier”-groepen, zodat verzekeraars en zorgverleners patiënten prioriteren die het meeste risico lopen.
• Medische beeldvorming (bijv. MRI, CT), genereert enorme datasets die nauwkeurige evaluatie vereisen met geen ruimte voor fouten. HPC en AI helpen om beeldgegevens sneller te scannen en kritische factoren te identificeren om radiologen te helpen bij de diagnose.
• Klinische systemen gebruiken computerzicht, AI, HPC en edge computing voor patiëntmonitoring, robotchirurgie en telehealth en vele anderen. Deze intelligente systemen verzoenen diverse brondata voor een complete patiëntbeeld en betere diagnose, met flexibiliteit en schaalbaarheid om veranderende organisatorische behoeften te ondersteunen.
• Digitale infrastructuur integreert veel technologieën om nieuwe benaderingen van patiëntinteractie mogelijk te maken, waaronder zorg op elk moment en elke plaats, waarbij clinici samenwerken over ruimte en tijd voor conditiebeheer, chirurgie en analyse.

Intel’s Lab en Life Sciences business richt zich op 3 primaire gebieden: Data Analytics, ‘Omics en Pharma.

• Data Analytics gebruikt AI om een cascade van ontdekkingen en inzichten te stimuleren die helpen om, onder andere, precisiegeneeskunde mogelijk te maken door ervoor te zorgen dat patiënten de medicijnen krijgen die het meest effectief voor hen zijn, en zo het risico van bijwerkingen te verminderen.
• ‘Omics beschrijft en kwantificeert biologische molecuulgroepen, met behulp van bio-informatica en computationele biologie. De enorme datasets die hierbij betrokken zijn, vereisen hoge doorvoersnelheden om resultaten binnen redelijke tijdsbestekken te krijgen. Met deze doorvoer en nieuwe databases, toolkits, bibliotheken en code-optimalisaties kunnen ‘omics-instituten de tijd tot resultaten en ontwikkelingskosten verminderen.
• Pharma is de studie van medicijnen en hoe ze interactie hebben met menselijke biologische systemen, inclusief op moleculair niveau waar gegevenswetenschap AI en ML nodig heeft om te helpen bij leadgeneratie en optimalisaties, doelidentificatie en preklinisch onderzoek. Dit resulteert in betere klinische trials, slimmere reactie-inzichten en snellere nieuwe medicijnontdekking.

Wanneer bent u persoonlijk voor het eerst geïnteresseerd geraakt in het gebruik van AI voor het voordeel van de gezondheidszorg?

De verspreiding van AI over veel industrieën is grotendeels geweest over het automatiseren van taken die routinematig door mensen worden uitgevoerd. In de gezondheidszorg is AI een instrument geworden waarmee we bestaande menselijke expertise ondersteunen of assisteren, in plaats van vervangen, om echt transformatieve benaderingen van diagnose en behandeling te leveren. En nergens is dit duidelijker dan in medische beeldvorming, waar de hoeveelheid en complexiteit van gegevens zowel een barrière als een kans is. Vandaag de dag kan AI, en inferencing in het bijzonder, snellere en gedetailleerdere scans van enorme hoeveelheden informatie uitvoeren dan enige mens, en zo niet alleen inzichten onthullen die eerder verborgen waren, maar ook de waardevolle tijd van de radioloog maximaliseren om een betere diagnostische conclusie te bereiken en voor meer patiënten. Bijvoorbeeld, AI-oplossingen van klanten helpen radiologen door het analyseren van gegevens in röntgenfoto’s die de aanwezigheid van een geklapte long (pneumothorax) of COVID kunnen aantonen. Dat is een echt opmerkelijke prestatie die de effectiviteit van zowel medische beeldvorming als de toepassing van menselijke expertise revolutioneert. Het getuigen van zo’n transformatie in dit ene veld motiveert je om de volgende grote stap in andere gezondheids- en levenswetenschappelijke onderzoeken te zoeken waar mens en machine samen een nieuw geheel vormen dat veel groter is dan de som van de delen. Een stap verder is het idee dat AI kennis kan democratiseren over zorgdisciplines en schaarse menselijke expertise en ervaren gebaseerde nuances nog verder kan laten gaan, waardoor het niveau van kwaliteit wordt verhoogd.

Hoe belangrijk is AI voor het analyseren van big data in een klinische setting?

De gezondheids- en levenswetenschappelijke industrie genereert meer gegevens met grotere complexiteit dan enige andere enkele industrie in de wereld vandaag. En in tegenstelling tot andere industrieën, is het effectief beheren en analyseren van die gegevens een kwestie van leven en dood. Gezien deze omvang, is AI nu een onmisbaar instrument voor een reeks behoeften, zowel alledaags als baanbrekend, in zowel de klinische als laboratoriumomgeving om de Triple Aim van de industrie te adresseren: verbetering van de kwaliteit van de zorg en toegang, terwijl de kosten worden verlaagd.

Bijvoorbeeld, hebben elektronische patiëntendossiers (EHR) een digitale revolutie mogelijk gemaakt in de kwaliteit en efficiëntie van de zorgverlening. Helaas bevat deze dossiers een rommige mix van zowel ongestructureerde als gestructureerde gegevens, die AI kan helpen om te digitaliseren in meer geünificeerde en bruikbare datasets. Optische karakterherkenning (OCR) en natuurlijke taalverwerking (NLP) zijn slechts twee AI-geactiveerde modellen die analoge handschriften en spraak kunnen omzetten in EHR-gegevens. En eenmaal gedigitaliseerd, kan AI worden toegepast op deze datasets in veel spannende use cases.

In andere gevallen kan data die wordt vastgelegd van medische apparaten en camera’s worden gecombineerd met patiëntgeschiedenisgegevens, waardoor analytics kunnen helpen om nieuwe inzichten te stimuleren om behandelingen verder te personaliseren. Op censusniveau hebben veel ziekenhuizen algoritmes geïmplementeerd die sepsisontwikkeling kunnen voorspellen voor snellere interventie, en in IC’s kan software data combineren van meerdere geïsoleerde apparaten om een compleet beeld van de patiënt te creëren in near-real-time. Over tijd kan al die vastgelegde en opgeslagen data ook worden geanalyseerd voor betere voorspellingen in de toekomst.

Wat zijn enkele van de meest opvallende use cases die u ziet voor machine learning die deze gegevens analyseren?

Like vermeld, kunnen NLP-tools helpen om handmatige schrijf- of gegevensinvoer te vervangen om nieuwe documenten te genereren, zoals patiëntbezoeksamenvattingen en gedetailleerde klinische notities. Dit stelt clinici in staat om meer patiënten te zien en zorgverleners om hun workflow, facturering en documentatie te verbeteren door orders en documentatie eerder in de dag in te voeren.

Breder, helpen AI-geactiveerde analytics zorgverleners om een breed scala aan klinische toepassingen te begrijpen en te beheren die de efficiëntie en kosten verlagen. Dit stelt ziekenhuizen in staat om hun middelen beter te beheren en best practices te verfijnen, en zorgteams om diagnoses en behandelingen te coördineren en de zorg die ze aan patiënten leveren te verbeteren.

Clinici kunnen doelgerichte afwijkingen analyseren met behulp van passende ML-benaderingen en gestructureerde informatie filteren uit andere ruwe gegevens. Dit kan leiden tot snellere en nauwkeurigere diagnoses en optimale behandelingen. Bijvoorbeeld, kunnen ML-algoritmen het diagnostische systeem van medische beelden omzetten in geautomatiseerde besluitvorming door beelden om te zetten in machineleesbare tekst. ML- en patronenherkenningstechnieken kunnen ook inzichten trekken uit enorme volumes van klinische beeldgegevens, die onbeheersbaar zijn voor de mens alleen, om de diagnose, behandeling en monitoring van patiënten te transformeren.

Om populatiegezondheid te beoordelen en te beheren, kunnen ML-algoritmen helpen om toekomstige risicotrajecten te voorspellen, risicofactoren te identificeren en oplossingen te bieden voor de beste resultaten. Diepe leermodules geïntegreerd met AI-technologieën stellen onderzoekers in staat om complexe genoomdatasets te interpreteren, om specifieke soorten kanker te voorspellen (op basis van de genexpressieprofielen verkregen uit diverse grote datasets) en meerdere doelstellingen te identificeren.

Kunt u toelichten hoe Intel samenwerkt met de genomicsgemeenschap om grote datasets om te zetten in biomedische inzichten die gepersonaliseerde zorg versnellen?

Precisiegeneeskunde levert individuele gezondheidsgegevens die zorgverleners in staat stellen om betere doelstellingen te selecteren en patiëntpopulaties te identificeren die verbeterde klinische resultaten laten zien voor nieuwe preventieve en therapeutische benaderingen.

Genomics is de hoeksteen van deze precisiegeneeskunde. Het biedt het blauwdruk van wie we zijn en waarom en hoe we uniek zijn, wat kritiek is voor zorgverleners om te begrijpen wanneer ze deze informatie combineren met andere gegevens (beelden, klinische chemie, medische geschiedenis, cohortgegevens, enz.). Zorgverleners gebruiken deze informatie om patiëntspecifieke behandelingen te ontwikkelen en te leveren die lager risico en effectiever zijn.

Intel werkt samen met de genomicsgemeenschap door de meest gebruikte genetische analysehulpmiddelen in de industrie te optimaliseren om te draaien op Intel-architectuurplatforms en de processors die deze aandrijven. Bijvoorbeeld, de optimalisatie van de Broad Institute’s industrieleidende genetische variantsoftware, de Genomic Analysis Toolkit (GATK), op Intel-hardware met OpenVINO om AI-modelontwikkeling, debug en schaalbare implementatie te vergemakkelijken, benadrukt onze impact en toewijding aan deze industrie. De GATK-toolkit biedt voordelen voor biomedisch onderzoek, zoals Genomics DB, die bestanden van ongeveer 200 GB in grootte (typisch voor genomicsdatasets) efficiënt opslaat, en de Genome Kernel Library die AVX512 uitvoert, die specifieke Intel-architectuurinstructies gebruikt om genomicswerklasten en AI-gebruik te versnellen.

Het versnellen van de snelheid en het verlagen van de kosten van genomicsanalyse, terwijl de nauwkeurigheid van die analyse behouden blijft, blijft aantrekkelijk voor biomedische en andere levenswetenschappelijke onderzoekers die Intel-computeproducten gebruiken om nieuwe medische inzichten te ontdekken en te benutten.

Kunt u bespreken waarom u denkt dat remote healthcare zo belangrijk is?

De gezondheidsindustrie heeft al jaren gewerkt aan verschillende vormen en aspecten van remote zorg. De redenen hiervoor waren, tot voor kort, een intuïtief en gehoopt geloof dat remote zorg voor veel zorgsituaties net zo goed of beter kan zijn dan traditionele klinische modellen. Nu, gestimuleerd door de pandemische crisis en haar impact, zijn gezondheidszorgsysteem over de hele wereld gedwongen om telehealth te implementeren of in te storten. Deze plotselinge haast om te implementeren bewijst nu dat die lang gehouden overtuigingen waar zijn en dat zorg op afstand zowel vitaal als zeer haalbaar is.

Remote zorg heeft veel voordelen. Patiëntcomfort en tevredenheid met telehealthzorglevering stijgen snel. Zij kunnen kalmer en ontspannen thuis blijven met minder verstoring en tijdsimpact. Zorgverleners vinden het fijn omdat het hen in staat stelt om meer patiënten te zien en hun eigen tijd en schaarse klinische middelen beter te beheren. En natuurlijk, wat de afgelopen maanden voor iedereen het duidelijkst en meest overtuigend is geworden, is de inherente mogelijkheid van remote zorg om besmetting te beperken en de noodzaak van persoonlijk contact te verminderen wanneer een videochat met versterkte apparaat- en compute-telemetrie de meeste zorgtaken even goed kan uitvoeren.

Kunt u enkele van de technologieën bespreken die momenteel worden gebruikt voor remote patiëntmonitoring?

Er zijn verschillende kritische technologie-elementen. Het belangrijkste is de gebruiksvriendelijkheid voor de patiënt, snel gevolgd door de beveiliging en privacy van de gegevens, en de robuustheid van de toepassing en de gegevens die het vastlegt. Bijvoorbeeld, moeten we voorkomen dat een gebruiker een monitoringsapp van haar iPad per ongeluk verwijdert.

Een ander kritisch aspect voor een zorgverlener die remote zorg implementeert voor meerdere patiënten, is fleetbeheer en de mogelijkheid om updates of technische ondersteuning naar de gebruiker te sturen en aangepast aan elke gebruiker of gebruikersgroep. Dit vereist:

• standaardisatie van gegevensuitwisseling en privacy met industrienormen zoals FHIR en Continua;
• beveiligde en energie-efficiënte compute-platform om gegevens te orkestreren en naar de zorgverlener te communiceren, inclusief passende software en encryptie;
• connectiviteit via een cellulair netwerk om gebruikersapparaten zelfstandig te maken en niet afhankelijk van Wi-Fi thuis dat onbetrouwbaar of zelfs niet-bestaand kan zijn;
• cloud-opslag en analytics op de backend.

Bovendien is de mogelijkheid om gegevens die van gebruikers binnenkomen te verzamelen en te aggregeren, fundamenteel voor het mogelijk maken van clinici om patiëntmonitoring en ondersteuning te doen, en voor software en analytics om zorgteams te informeren over een nominale toestand of een alarmmelding te initiëren voor resultaten die buiten de tolerantie liggen.

We geloven dat AI een veel grotere rol zal spelen in patiëntmonitoring in de toekomst, waardoor de patiëntervaring wordt verbeterd door natuurlijke stemmenquêtes (“Hoe voel je je vandaag?”, “Je bloeddruk lijkt een beetje hoog”) en zorgteams in staat stelt om een patiënt beter te begrijpen en passende behandelingen te identificeren. Door het gebruik van AI-modellen zal populatiegezondheidsbeheer ook vooruitgang boeken, waarbij alle patiëntgegevens worden opgenomen in steeds grotere datasets die de nauwkeurigheid van een iteratief leermodel verbeteren. Dit is essentieel voor remote monitoring op grote schaal.

Wat zijn enkele van de problemen die overwonnen moeten worden om het succespercentage van remote healthcare te verhogen?

Veel van de problemen die ons huidige systeem van traditionele zorgverlening teisteren, zijn ook factoren die het succes van remote zorg vergroten of belemmeren. Deze omvatten maatschappelijke subsegmentenovertuigingen en stigma’s rondom gezondheidszorg, of socio-economische barrières die voortkomen uit het ontbreken van verzekering, technologievaardigheid, vereiste apparaten en connectiviteit. Gegevenssilo’s voorkomen dat we de maximale waarde halen uit grotere gedeelde datasets, vooral nu onze mogelijkheid om leerprogramma’s te benutten echt ontstaat.

Maar er zijn uitdagingen die uniek zijn voor remote zorg:

• beleids- en betalingskwesties, hoewel veel verbeterd in de laatste tijd, moeten hun positieve impuls voortzetten om uit te breiden met ontspannen beperkingen op wat is toegestaan en vergoed via remote zorgmodus;
• financiële uitdagingen en het ontbreken van kapitaal om te investeren in technologie in de gezondheidszorg vereisen een conversie van een CapEx-model naar een OpEx-model. In plaats van te investeren in faciliteiten en CapEx-apparatuur, kunnen zorgverleners overschakelen naar een “pay-as-you-go”-model, waarbij ze geen vast infrastructuur nodig hebben en, net als telefoondiensten, betalen voor de minuten (of gegevens) die worden gebruikt;
• gebruikerservaring, zowel voor patiënten als zorgverleners, moet blijven verbeteren, uiteindelijk tot het punt waarop de technologie naar de achtergrond verdwijnt en de mogelijkheden intuïtief en naadloos zijn en het proces overtuigend is met equivalent of betere resultaten en kostenstructuren.

Uiteindelijk willen we dat de technologie de zorgverlening ondersteunt, niet in de weg staat. Als we succesvol zijn (en we geloven dat we dat zijn en zullen blijven), dan zal de technologie echt een brug naar de betere toekomstige remote zorgmodellen slaan, waardoor de beste zaak wordt gemaakt voor de normalisatie van remote zorg als standaard zorgverlening.

Bedankt voor het fantastische interview, ik heb genoten van het leren over Intel’s gezondheidsinspanningen. Lezers die meer willen leren, kunnen Intel’s Global Health & Life Sciences business bezoeken op https://www.intel.com/content/www/us/en/healthcare-it/precision-medicine.html