Dave Ryan, General Manager, Health & Life Sciences Business at Intel – Intervju-serie

Dave Ryan leder Global Health & Life Sciences business-enheten i Intel som fokuserer på digital transformasjon fra edge-to-cloud for å gjøre presisjonsbasert omsorg til virkelighet. Hans kunder er produsentene som bygger life sciences-instrumenter, medisinsk utstyr, kliniske systemer, beregningsenheter og enheter brukt av forskningssentere, sykehus, klinikker, institusjoner og hjemmet. Dave har sittet i styrene for Consumer Technology Association Health & Fitness Division, HIMSS’ Personal Connected Health Alliance, Global Coalition on Aging og Alliance for Connected Care.  

Hva er Intel’s Health & Life Sciences Business?

Intel’s Health & Life Sciences business hjelper kunder å lage løsninger innen områdene medisinsk bildebehandling, kliniske systemer og lab og life sciences, som muliggjør distribuert, intelligent og personlig omsorg.

Intel’s Health business fokuserer på befolkningshelse, medisinsk bildebehandling, kliniske systemer og digital infrastruktur.

• Befolkningshelse undersøker divers patientdata for å gi behandlere innsikt i risiko for medisinske problemer og forbedret behandling over kohorter. Optimert og avstemt ML og AI hjelper “tier” grupper, så betalere og behandlere prioriterer pasienter med størst risiko.
• Medisinsk bildebehandling (f.eks. MRI, CT), genererer enorme datamengder som krever nøyaktig vurdering uten feil. HPC og AI hjelper med å skanne bilde-data og identifisere kritiske faktorer for å assistere radiologer i diagnose.
• Kliniske systemer bruker datavisning, AI, HPC og edge computing for pasientovervåking, robotikkirurgi og telehelse og mange andre. Disse intelligente systemene samordner diverse kilde-data for en fullstendig pasientoversikt og bedre diagnose, med fleksibilitet og skalerbarhet for å støtte endrede organisatoriske behov.
• Digital infrastruktur integrerer mange teknologier for å muliggjøre nye tilnærminger til pasientinteraksjon, inkludert omsorg hvor klinikkere samarbeider over rom og tid for tilstandsbehandling, kirurgi og analyser.

Intel’s Lab og Life Sciences business er fokusert på 3 primære områder: Data Analytics, ‘Omics og Pharma.

• Data Analytics bruker AI for å drive en kaskade av oppdagelser og innsikt som hjelper med å muliggjøre, blant annet, presisjonsmedisin ved å sikre at pasienter får de medikamentene som er mest effektive for dem, og dermed redusere risikoen for bivirkninger.
• ‘Omics beskriver og kvantifiserer biologiske molekylgrupper, ved hjelp av bioinformatikk og komputasjonsbiologi. De enorme datamengdene involvert her krever høy-gjennomstrømmingsprosesser for å motta resultater innen rimelige tidsrammer. Med denne gjennomstrømmingen og nye databaser, verktøy, biblioteker og kodeoptimaliseringer, kan ‘omics-institusjoner redusere tid til resultater og utviklingskostnader.
• Pharma er studiet av legemidler og hvordan de samhandler med menneskelige biologiske systemer, inkludert på molekylært nivå hvor datavitenskap trenger AI og ML for å assistere med ledergenerering og optimalisering, mål-ID og preklinisk forskning. Dette resulterer i bedre kliniske forsøk, smartere reaksjonsinnsikt og raskere nytt legemiddelfunn.

Når ble du personlig først interessert i å bruke AI til fordel for helsevesenet?

Utbredelsen av AI over mange industrier har i stor grad vært om å automatisere oppgaver som vanligvis utføres av mennesker. I helsevesenet har AI blitt et verktøy som hjelper eksisterende menneskelig ekspertise til å levere virkelig transformative tilnærminger til diagnose og behandling. Og ingensteds er dette tydeligere enn i medisinsk bildebehandling, hvor datavolum og kompleksitet både er barrierer og muligheter. I dag kan AI, og inferens spesielt, utføre raskere og mer detaljerte skanninger av enorme mengder informasjon enn noen menneske kan, og dermed avsløre innsikt som tidligere var skjult og maksimere den verdifulle tiden til radiologen for å nå en bedre diagnostisk konklusjon og for flere pasienter. For eksempel kan AI-løsninger fra kunder hjelpe radiologer med å analysere data i røntgenbilder som kan indikere tilstedeværelse av en kollapset lunge (pneumotoraks) eller COVID. Dette er en virkelig bemerkelsesverdig prestasjon som revolusjonerer effikviteten av både medisinsk bildebehandling og hvordan menneskelig ekspertise anvendes. Å være vitne til denne type transformasjon i ett felt motiverer en til å søke etter det neste store skrittet i andre helse- og life sciences-aktiviteter hvor menneske og maskin kombinerer for å produsere en ny helhet som er mye større enn summen av delene. Å gå et skritt videre er ideen om at AI kan demokratisere kunnskap over omsorgsdiscipliner og gjøre sjeldent menneskelig ekspertise og erfaringbasert nuanse gå enda lenger, og heve kvalitetsnivået.

Hvor viktig er AI til å analysere store datamengder i en klinisk setting?

Helse- og life sciences-industrien genererer mer data med større kompleksitet enn noen annen enkelt industri i verden i dag. Og til forskjell fra andre industrier, er effektivt håndtering og analyse av disse dataene en liv eller død-sak. Gitt disse størrelsene, er AI nå en uunnværlig aktør for å møte en rekke behov, både hverdagslige og banebrytende, i både kliniske og lab-miljøer for å møte industrisens Triple Aim: Forbedre kvalitet og tilgang mens kostnadene reduseres.

For eksempel har elektroniske helsejournaler (EHR) muliggjort en digital revolusjon i kvalitet og effisiens i omsorgstilbud. Uheldigvis inneholder disse journalene en blandet mengde strukturert og ustrukturert data som AI kan hjelpe med å digitalisere til mer enhetlige og nyttige datamengder. Optisk tegngjenkjenning (OCR) og naturlig språkbehandling (NLP) er bare to AI-aktører som kan konvertere analoge skrifttegn og tale til EHR-data. Og når datamengdene er digitalisert, kan AI anvendes over disse datamengdene i mange spennende bruksområder.

I andre tilfeller kan data som er fanget fra medisinske enheter og kameraer vokse, og når de kombineres med pasienthistorie-data, kan analyser hjelpe med å drive nye innsikt for å ytterligere personalisere behandling. På et sensus-nivå har mange sykehus allerede deployert algoritmer som kan forutsi sepsis-opptreden for raskere inngripen, og på intensivavdelinger kan programvare kombinere data fra flere isolerte enheter for å skape en imponerende fullstendig bildet av pasienten i nær-sanntid. Over tid kan all fanget og lagret data også analyseres for bedre prediksjoner i fremtiden.

Hva er noen av de mer bemerkelsesverdige bruksområdene du ser for maskinlæring som analyserer disse dataene?

Som nevnt ovenfor kan NLP-verktøy hjelpe med å erstatte manuell skriving eller datainntasting for å generere nye dokumenter, som pasientbesøksoppsummeringer og detaljerte kliniske notater. Dette muliggjør at klinikkere kan se flere pasienter, og tilbydere kan forbedre dokumentasjon, arbeidsflyt og faktureringssikkerhet ved å angi bestillinger og dokumentasjon tidligere på dagen.

Mer generelt hjelper AI-aktører analytikerne med å forstå og håndtere en rekke kliniske anvendelser som forbedrer effisiens og reduserer kostnader. Dette tillater sykehus å bedre håndtere ressurser og finjustere beste praksis, og omsorgsteam å samarbeide om diagnoser og koordinere behandlinger og total omsorg de tilbyr for å forbedre pasientresultater.

Klinikkere kan analysere for målrettede avvikelser ved hjelp av egnet ML-tilnærminger og filtrere ut strukturert informasjon fra andre rå data. Dette kan føre til raskere og mer nøyaktig diagnose og optimal behandling. For eksempel kan ML-algoritmer konvertere diagnostiske systemer for medisinske bilder til automatisert beslutningstakelse ved å konvertere bilder til maskinlesbar tekst. ML- og mønstergjenkjenningsteknikker kan også trekke innsikt fra enorme volumer av kliniske bilde-data, uoversiktlig for mennesker alene, for å transformere diagnose, behandling og overvåking av pasienter.

For å vurdere og håndtere befolkningshelse kan ML-algoritmer hjelpe med å forutsi fremtidige risikotrajektorier, identifisere risikofaktorer og tilby løsninger for beste resultater. Dyptlæringmoduler integrert med AI-teknologier tillater forskerne å tolke komplekse genetiske datamengder, for å forutsi bestemte typer kreft (basert på genuttrykksprofiler fra ulike store datamengder) og identifisere flere legemiddel-mål.

Kunne du utdype hvordan Intel samarbeider med genomicsamfunnet for å transformere store datamengder til biomedisinske innsikt som akselerer personlig omsorg?

Presisjonsmedisin tilbyr individ-nivå helsekilder som muliggjør bedre valg av sykdomsmål og identifisering av pasientpopulasjoner som viser forbedrede kliniske resultater til nye forebyggende og terapeutiske tilnærminger.

Genomics er hjørnestenen i denne presisjonsmedisinen. Den gir en plan for hvem vi er, og hvorfor og hvordan vi er unike, noe som er kritisk for behandlere å forstå når de kombinerer denne informasjonen med andre data (bilder, klinisk kjemi, medisinsk historie, kohort-data osv.). Klinikkere bruker denne informasjonen til å utvikle og levere pasient-spesifikke behandlinger som er lavere risiko og mer effektive.

Intel samarbeider med genomicsamfunnet ved å optimalisere de mest vanlige genetiske analyseverktøyene som brukes i industrien til å kjøre best og på Intel-arkitektur-baserte plattformer og prosessorer som driver dem. For eksempel viser optimaliseringen av Broad Institute’s industriledende genetiske variantprogramvare, Genomic Analysis Toolkit (GATK), på Intel-hardware med OpenVINO for å lette AI-modellutvikling, feilsøking og skalerbar distribusjon, vår påvirkning og forpliktelse til denne industrien. GATK-verktøyet gir fordeler til biomedisinsk forskning som Genomics DB som effektivt lagrer filer ~200GB i størrelse (typisk for genetiske datamengder) og Genome Kernel Library som kjører AVX512 som tar fordel av bestemte Intel-arkitektur-hardware-instruksjoner for å akselerere genetiske arbeidsbelastninger og AI-anvendelse.

Å akselerere hastigheten og redusere kostnadene av genetisk analyse samtidig som man opprettholder nøyaktigheten av denne analysen, er fortsatt en overbevisende faktor for biomedisinske og andre life sciences-forskere som bruker Intel-beregningløsninger til å oppdage og utnytte nye medisinske innsikt.

Kunne du diskutere hvorfor du mener at fjernhelse er så viktig?

Helseindustrien har arbeidet med ulike former og aspekter av fjernomsorg i mange år. Grunnene til dette har vært, inntil nylig, en intuitiv og håpet-for tro på at fjernomsorg kan være like god eller bedre enn tradisjonelle klinikk-modeller for mange omsorgsleveringssituasjoner. Nå, ansporet av pandemikrisen og dens innvirkning, er helseomsorgssystemer over hele verden tvunget til å adoptere fjernhelse eller kollapsere. Denne plutselige rusken til å implementere har nå bevist disse lenge holdte troene å være sanne, og omsorg på avstand å være både vital og høyt livskraftig.

Fjernomsorg har mange fordeler. Pasientkomfort og tilfredshet med fjernhelse-omsorgstilbud øker raskt. De kan forbli roligere og mer avslappet i hjemmet sitt med mindre forstyrrelse og tids-/tidsplan-påvirkning. Behandlere liker det fordi det tillater dem å se flere pasienter, og bedre håndtere sin egen tid og bedre allokere sjeldne kliniske ressurser. Og naturligvis, hva som har blitt den klareste og mest overbevisende grunnen for alle de siste månedene, er den innebygde evnen til fjernomsorg til å begrense smitte og behovet for personlig kontakt når en video-samtale med forsterket enhet og beregnings-telemetri kan få de fleste omsorgslevering-oppgaver gjort like godt.

Kan du diskutere noen av teknologiene som for tiden brukes til fjernpasientovervåking?

Det finnes flere kritiske teknologikomponenter. Den viktigste er brukervennlighet for pasienten, raskt fulgt av sikkerhet og personvern av dataene, og robustheten av applikasjonen og dataene den fanget. For eksempel trenger vi å forhindre at en bruker sletter en overvåkingsapplikasjon fra sin iPad ved en feil.

En annen kritisk aspekt for en behandler som deployer over flere pasienter er flåtehåndtering og evnen til å sende oppdateringer eller teknisk støtte nedover ledningen og tilpasset hver enkelt bruker eller kohort av brukere. Dette krever:

• standardisering av datautveksling og personvern med industristandarder som FHIR og Continua;
• sikker og strømeffektiv beregningsplattform til å orkestrere dataene og kommunisere dem tilbake til klinikkere, inkludert egnet programvare og kryptering;
• tilkobling via en mobilnettverk for å gjøre brukerenheter selvstendige og ikke avhengige av Wi-Fi hjemme som kan være upålitelig eller ikke-eksisterende;
• sky-lagring og analyser på bakenden.

I tillegg er evnen til å samle inn og aggregere dataene som strømmer inn fra brukerne, grunnleggende for å muliggjøre at klinikkere kan overvåke pasienter og støtte, og for at programvaren og analytikken kan underrette omsorgsteam om en nominal tilstand eller initiere en varsling for resultater som er utenfor toleranse.

Vi tror at AI vil spille en mye større rolle i pasientovervåking fremover, og forbedre pasientopplevelsen gjennom naturlig stemme-undersøkelser (“Hvordan har du det i dag?”, “Ditt blodtrykk ser ut til å være litt høyt”) og tillate omsorgsteam å bedre forstå en pasients helse og identifisere egnet behandling. Gjennom bruk av AI-modeller vil befolkningshelsehåndtering også fremme med alle pasientdata som foldes inn i større og større datamengder som forbedrer nøyaktigheten av en iterativ læringsmodell. Dette er essensielt for fjernovervåking i stor skala.

Hva er noen av problemene som må overvines for å øke suksessraten for fjernhelse?

Mange av de samme problemene som plager vårt nåværende system for tradisjonell omsorgslevering, er også faktorer i å forbedre eller hindre suksessen til fjernomsorg. Disse inkluderer sosiale undergruppe-tro og stigma omkring helse, eller socio-økonomiske barrierer som stammer fra manglende forsikring, teknologisk kompetanse, nødvendige enheter og tilkobling. Data-siloer forhindrer å maksimere verdien som større delt datamengder kunne produsere, spesielt nå som vår evne til å håndtere læringsprogrammer virkelig er i fremgang.

Men det finnes også utfordringer som er unike for fjernomsorg:

• politikk- og betalingsproblemer, selv om de har forbedret seg betraktelig nylig, må fortsette sin positive bevegelse for å utvide med avslappede restriksjoner på hva som er tillatt og refunderbart via fjernomsorg-modus;
• finansielle utfordringer og mangel på kapital til å investere i teknologi i helsevesenet krever en konvertering fra en CapEx-modell til en OpEx-modell. I stedet for å investere i fasiliteter og CapEx-utstyr, kan behandlere skifte til en “betaling-per-bruk”-modell, og gå glipp av behovet for mye fast infrastruktur, og, som telefon-tjeneste, betale for minuttene (eller dataene) som brukes;
• brukeropplevelsen, både for pasient og behandler, må fortsette å forbedres, til slutt til hvor teknologien forsvinner i bakgrunnen, og evnene er intuitive og sømløse og prosessen kompakt med likeverdige eller bedre resultater og kostnadsstrukturer.

Til slutt ønsker vi at teknologien skal støtte omsorgstilbud, ikke komme i veien for det. Hvis vi er suksessfulle (og vi tror vi er og vil fortsette å være), så vil teknologien virkelig muliggjøre en bro til morgendagens bedre modell for fjernomsorgslevering, og gjøre det beste mulige tilfelle for normalisering av fjernomsorg som standard omsorgslevering.

Takk for det fantastiske intervjuet, jeg nøt å lære mer om Intel’s helseinnsats. Lesere som ønsker å lære mer bør besøke Intel’s Global Health & Life Sciences business.