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

Dave Ryan leder Global Health & Life Sciences business-enheten i Intel (INTC ) som fokuserer på digital transformasjon fra edge-to-cloud for å gjøre presisjonsbasert, verdi-basert 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 hjem. 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 Intels Health & Life Sciences Business?

Intels Health & Life Sciences Business hjelper kunder å skape løsninger innen områdene medisinsk bildebehandling, kliniske systemer og lab- og life sciences, som muliggjør distribuert, intelligent og personlig omsorg.

Intels helsevirksomhet fokuserer på befolkningshelse, medisinsk bildebehandling, kliniske systemer og digital infrastruktur.

• Befolkningshelse undersøker diverse pasientdata for å gi leger innsikt i risiko for medisinske problemer og forbedrede behandlinger over kohorter. Optimert og avstemt ML og AI hjelper med å “prioritere” grupper, slik at betalere og leger kan prioritere pasienter med høyest risiko.
• Medisinsk bildebehandling (f.eks. MRI, CT), genererer enorme datamengder som krever nøyaktig vurdering uten feil. HPC og AI hjelper med å skanne bildedata raskere og identifisere kritiske faktorer for å assistere radiologer i diagnose.
• Kliniske systemer bruker datamaskinsyn, AI, HPC og edge computing for pasientovervåking, robotisk kirurgi 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.
• Digitale infrastrukturer integrerer mange teknologier for å muliggjøre nye tilnærminger til pasientinteraksjon, inkludert omsorg hvor klinikerer samarbeider over rom og tid for tilstandshåndtering, kirurgi og analyser.

Intels Lab- og Life Sciences-virksomhet fokuserer på 3 primære områder: Data Analytics, ‘Omics og Pharma.

• Data Analytics bruker AI for å drive en kaskade av oppdagelser og innsikter som hjelper med å muliggjøre, blant annet, presisjonsmedisin ved å sikre at pasienter får de medikamenter som er mest effektive for dem, og redusere risikoen for bivirkninger.
• ‘Omics beskriver og kvantifiserer biologiske molekylgrupper, ved hjelp av bioinformatikk og komputasjonell biologi. De massive datamengdene involvert her krever høy-gjennomstrømming 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 data-vitenskap trenger AI og ML for å assistere med ledelse og optimalisering, mål-identifikasjon og preklinisk forskning. Dette resulterer i bedre kliniske prøver, smartere reaksjonsinnsikt og raskere oppdagelse av nye legemidler.

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

Spredningen 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 store mengder informasjon enn noe menneske kan, og gjør det ikke bare åpenbare innsikter som tidligere var skjult, men maksimerer også den verdifulle tiden til radiologen for å nå en bedre diagnostisk konklusjon og for flere pasienter. For eksempel hjelper AI-løsninger fra kunder radiologer ved å analysere data i røntgenbilder som kan indikere tilstedeværelse av en kollapsert lunge (pneumothorax) 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 neste store sprang i andre helse- og life sciences-aktiviteter hvor menneske og maskin kombinerer for å produsere en ny helhet som er så mye større enn summen av delene. Å gå ett skritt videre er tanken om at AI kan demokratisere kunnskap over omsorgsdiscipliner og gjøre sjeldent menneskelig ekspertise og erfaring-basert nuanse gå enda lenger, og heve kvalitetsnivået.

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

Helse- og life sciences-industriene genererer mer data med større kompleksitet enn noen annen enkelt industri i verden i dag. Og i motsetning til andre industrier, er effektivt håndtering og analyse av denne dataen en liv eller død-sak. Gitt disse størrelsene, er AI nå et uerstattelig verktøy for en rekke behov, både hverdagslige og banebrytende, i både kliniske og lab-miljøer for å møte industrens Triple Aim: Forbedre kvaliteten på omsorgen og tilgangen, samtidig som kostnadene reduseres.

For eksempel har elektroniske helsejournaler (EHR) muliggjort en digital revolusjon i kvaliteten og effektiviteten av omsorgstilbud. Uheldigvis er det en blanding av både strukturert og ustrukturert data i disse journalene, som AI kan hjelpe med å digitalisere til mer enhetlige og nyttige datamengder. Optisk tegnkjenning (OCR) og naturlig språkbehandling (NLP) er bare to AI-aktiverende modeller som kan konvertere analoger av håndskrift og tale til EHR-data. Og når datamengdene er digitalisert, kan AI anvendes over disse datamengdene i mange spennende brukstilfeller.

I andre tilfeller er data fanget fra medisinske enheter og kameraer voksende, og når disse kombineres med pasienthistorie-data, kan analyser hjelpe med å drive nye innsikter 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 komplett bilde av pasienten i nær-sanntid. Over tid kan all denne fanget og lagret data også analyseres for bedre prediksjoner i fremtiden.

Hva er noen av de mer bemerkelsesverdige brukstilfellene du ser for maskinlæring som analyserer denne dataen?

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 klinikerer kan se flere pasienter, og at leverandører kan forbedre dokumentasjon, arbeidsflyt og faktureringssikkerhet ved å angi bestillinger og dokumentasjon tidligere på dagen.

I bredere forstand hjelper AI-aktiverende analyser leverandører med å forstå og håndtere en rekke kliniske applikasjoner som forbedrer effektivitet og reduserer kostnader. Dette muliggjør at sykehus kan bedre håndtere ressurser og finjustere beste praksis, og at omsorgsteam kan samarbeide om diagnoser og koordinere behandlinger og den omsorgen de leverer til pasienter.

Klinikerer kan analysere for målrettede avvikelser ved hjelp av passende 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 beslutningstagning ved å konvertere bilder til maskinlesbar tekst. ML- og mønstergjenkjenningsteknikker kan også trekke innsikter fra massive volumer av klinisk bilde-data, som er umulig for mennesker å håndtere alene, for å transformere diagnose, behandling og overvåking av pasienter.

For å vurdere og håndtere befolkningshelse kan ML-algoritmer hjelpe med å forutsi fremtidige risiko-trafik, identifisere risiko-drivere og tilby løsninger for beste resultater. Dyptlæringsmoduler integrert med AI-teknologier muliggjør at forskerne kan tolke komplekse genomiske datamengder, forutsi bestemte typer kreft (basert på gen-uttrykksprofiler fra forskjellige store datamengder) og identifisere flere legemiddel-mål.

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

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

Genomik er hjørnestenen i denne presisjonsmedisinen. Den gir en blåkopi av hvem vi er, og hvorfor og hvordan vi er unike, noe som er kritisk for leverandører å forstå når de kombinerer denne informasjonen med andre data (bilder, klinisk kjemi, medisinsk historie, kohort-data osv.). Klinikerer 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 optimalisering av Broad Institutes industriledende genetiske variantprogramvare, Genomic Analysis Toolkit (GATK), på Intel-hardware ved hjelp av OpenVINO for å lette AI-modellutvikling, feilsøking og skalerbar distribusjon, høydepunktene vår påvirkning og forpliktelse til denne industrien. GATK-verktøyet gir fordeler til biomedisinsk forskning, som Genomics DB som effektivt lagrer filer på ca. 200 GB i størrelse (typisk for genomiske datamengder) og Genome Kernel Library som kjører AVX512 som utnytter bestemte Intel-arkitektur-instrukser for å akselerere genomiske arbeidsbelastninger og AI-anvendelse.

Akselerere hastigheten og redusere kostnadene av genomisk analyse, samtidig som nøyaktigheten av denne analysen opprettholdes, er fortsatt overbevisende for biomedisinske og andre life sciences-forskere som bruker Intel-beregningssystemer for å oppdage og utnytte nye medisinske innsikter.

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, inntil nylig, vært en intuitiv og håpet-for tro på at fjernomsorg kan være like god eller bedre enn tradisjonelle kliniske modeller. Nå, sporet av pandemikrisen og dens påvirkning, er helse- og omsorgstjenestesystemer over hele verden tvunget til å adoptere fjernhelse eller kollapse. Denne plutselige rusen til å implementere, er nå bevist å være sanne og fjernomsorg å være både livsviktig og høyt mulig.

Fjernomsorg har mange fordeler. Pasientkomfort og tilfredshet med fjernhelse-tjenester øker raskt. De kan forbli rolig og i sin egen hjemmebane med mindre forstyrrelse og tids-/skjema-påvirkning. Leverandører liker det fordi det muliggjør at de kan se flere pasienter, og bedre håndtere sin egen tid og bedre allokere sjeldne kliniske ressurser. Og hva som har blitt den klareste og mest overbevisende grunn de siste månedene for alle, er den innebygde evnen til fjernomsorg til å begrense smitte og behov for personlig kontakt når en video-samtale med forsterket enhet og beregnings-telemetri kan få de fleste omsorgsoppgaver gjort like godt.

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

Det er flere kritiske teknologiske elementer. Det viktigste er enkelhet i bruk for pasienten, raskt fulgt av sikkerhet og personvern av dataen, og robustheten av applikasjonen og dataen den samler inn. For eksempel må vi forhindre at en bruker sletter en overvåkingsapplikasjon fra sin iPad ved en feil.

En annen kritisk aspekt for en leverandør 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 industrienormer som FHIR og Continua;
• sikker og strømeffektiv beregningsplattform for å samordne data og kommunisere den tilbake til klinikeren, inkludert passende programvare og kryptering;
• tilkobling via en mobilnettverksforbindelse for å gjøre brukerens enheter 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 data som strømmer inn fra brukere, fundamental for å muliggjøre at klinikerer kan overvåke pasienter og gi støtte, og for at programvaren og analyser kan informere omsorgsteam om en nominal tilstand eller initiere en alarm-notifikasjon for resultater som er utenfor toleranse.

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

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

Mange av de samme problemene som plager vårt nåværende system for tradisjonell omsorg, er også faktorer som kan forbedre eller hindre suksessen av fjernomsorg. Disse inkluderer sosiale undergrupperings-tro og stigmaer omkring helse, eller sosio-økonomiske barrierer som stammer fra manglende forsikring, teknologisk kompetanse, nødvendige enheter og tilkobling. Data-siloer forhindrer maksimering av verdi som større delt datamengder kunne produsere, spesielt nå når vår evne til å håndtere læringsprogrammer virkelig er i ferd med å dukke opp.

Men det er også utfordringer som er unike for fjernomsorg:

• politikk- og betalingsproblemer, selv om de har blitt betydelig forbedret nylig, må fortsette sin positive fremdrift for å utvide med avslappede restriksjoner på hva som er tillatt og refunderbart gjennom fjernomsorgsmodus;
• finansielle utfordringer og mangel på kapital til å investere i teknologi i helsevesenet, krever en omlegging fra en CapEx-modell til en OpEx-modell. I stedet for å investere i fasiliteter og CapEx-utstyr, kan leverandører skifte til en “betalt-etter-hver-bruk”-modell, og unngå behovet for mye fast infrastruktur, og som telefon-tjenester, betale for minuttene (eller data) som brukes;
• brukeropplevelsen, både for pasient og leverandør, må fortsette å forbedres, til slutt hvor teknologien forsvinner i bakgrunnen, og funksjonaliteten er intuitiv og sømløs og prosessen overbevisende med like eller bedre resultater og kostnadsstrukturer.

Til slutt ønsker vi at teknologien skal støtte tilbudet av omsorg, ikke hindre 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 fjernomsorgstilbud, og gjøre det beste mulige tilfelle for normalisering av fjernomsorg som standard omsorgstilbud.

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