Dave Ryan, Dyrektor Generalny, Health & Life Sciences Business w Intel – Seria Wywiadów

Dave Ryan kieruje globalnym biznesem Health & Life Sciences w Intel, który koncentruje się na transformacji cyfrowej od krawędzi do chmury, aby uczynić precyzyjną, opartą na wartości opiekę rzeczywistością. Jego klienci to producenci, którzy budują instrumenty life sciences, sprzęt medyczny, systemy kliniczne, urządzenia komputacyjne i urządzenia używane przez ośrodki badawcze, szpitale, kliniki, placówki opieki zdrowotnej i domy. Dave zasiadał w radach Consumer Technology Association Health & Fitness Division, HIMSS’ Personal Connected Health Alliance, Global Coalition on Aging i Alliance for Connected Care.  

Co to jest biznes Health & Life Sciences w Intel?

Biznes Health & Life Sciences w Intel pomaga klientom tworzyć rozwiązania w obszarach obrazowania medycznego, systemów klinicznych i laboratoriów i nauk o życiu, umożliwiając rozproszoną, inteligentną i personalizowaną opiekę.

Biznes zdrowia w Intel koncentruje się na zdrowiu populacji, obrazowaniu medycznym, systemach klinicznych i infrastrukturze cyfrowej.

• Zdrowie populacji bada różnorodne dane pacjentów, aby dać dostawcom wgląd w ryzyka problemów zdrowotnych i poprawione leczenia w grupach. Optymalizowane i dostosowane ML i AI pomagają „klasyfikować” grupy, aby płatnicy i dostawcy priorytetowo traktowali pacjentów o największym ryzyku.
• Obrazowanie medyczne (np. MRI, CT) generuje ogromne zestawy danych, które wymagają dokładnej oceny bez możliwości błędu. HPC i AI pomagają szybciej skanować dane obrazu i identyfikować krytyczne czynniki, aby pomóc radiologom w diagnozie.
• Systemy kliniczne wykorzystują komputerowe widzenie, AI, HPC i obliczenia krawędziowe do monitorowania pacjentów, chirurgii roboczej i telezdrowia, a także innych. Te inteligentne systemy uzgadniają dane z różnych źródeł, aby uzyskać pełny widok pacjenta i lepszą diagnozę, z elastycznością i skalowalnością, aby wspierać zmieniające się potrzeby organizacyjne.
• Infrastruktura cyfrowa integruje wiele technologii, aby umożliwić nowe podejścia do interakcji z pacjentem, w tym opiekę w dowolnym miejscu i czasie, gdzie klinicyści współpracują w przestrzeni i czasie, aby zarządzać stanem, przeprowadzać operacje i analizy.

Biznes laboratoryjny i nauk o życiu w Intel koncentruje się na trzech głównych obszarach: analityce danych, „omikach” i farmacji.

• Analityka danych wykorzystuje AI, aby napędzać lawinę odkryć i wglądów, które pomagają umożliwić, między innymi, medycynę precyzyjną, zapewniając, że pacjenci otrzymują leki, które są dla nich najbardziej skuteczne, i zmniejszają ryzyko skutków ubocznych.
• „Omika” opisuje i ilościowo określa grupy cząsteczek biologicznych, wykorzystując bioinformatykę i biologię komputerową. Ogromne zestawy danych wymagają szybkiego przetwarzania, aby otrzymać wyniki w rozsądnym czasie. Z tym przepustem i nowymi bazami danych, narzędziami, bibliotekami i optymalizacjami kodu, instytucje „omikowe” mogą skrócić czas do uzyskania wyników i obniżyć koszty rozwoju.
• Farmacja jest nauką o lekach i ich interakcji z ludzkimi systemami biologicznymi, w tym na poziomie molekularnym, gdzie nauka o danych potrzebuje AI i ML, aby pomóc w generowaniu i optymalizacji, identyfikacji celów i badań przedklinicznych. To prowadzi do lepszych badań klinicznych, mądrzejszych wglądów i szybszego odkrywania nowych leków.

Kiedy osobiście zacząłeś interesować się wykorzystaniem AI dla dobra opieki zdrowotnej?

Rozprzestrzenianie się AI w wielu branżach było w dużej mierze związane z automatyzacją zadań rutynowo wykonywanych przez ludzi. W opiece zdrowotnej AI stało się narzędziem, za pomocą którego wspieramy lub ułatwiamy istniejącą ludzką ekspertyzę, aby dostarczyć naprawdę przełomowe podejścia do diagnozy i leczenia. I nigdzie nie jest to bardziej widoczne niż w obrazowaniu medycznym, w którym objętość i złożoność danych są zarówno barierą, jak i okazją. Dziś AI, a w szczególności inferencja, może wykonywać szybsze i bardziej szczegółowe skany ogromnych ilości informacji niż jakikolwiek człowiek, i nie tylko ujawnia ukryte wcześniej wglądy, ale także maksymalizuje cenny czas radiologa, aby osiągnąć lepszy wniosek diagnostyczny i dla większej liczby pacjentów. Na przykład rozwiązania AI od klientów pomagają radiologom, analizując dane w zdjęciach rentgenowskich, które mogą wskazywać na obecność zapadniętej płuca (pneumotoraks) lub COVID. To naprawdę godny uwagi wyczyn, który rewolucjonizuje skuteczność samego obrazowania medycznego i tego, jak ludzka ekspertyza jest stosowana. Świadkowanie takiej transformacji w tym jednym polu naturalnie motywuje do poszukiwania następnego wielkiego skoku w innych dziedzinach opieki zdrowotnej i nauk o życiu, gdzie człowiek i maszyna łączą się, aby wytworzyć nową całość, która jest o wiele większa niż suma części. Przenosząc to o krok dalej, jest idea, że AI może demokratyzować wiedzę w różnych dziedzinach opieki, sprawiając, że rzadka ludzka ekspertyza i doświadczalna subtelność mogą sięgać jeszcze dalej, podnosząc poziom jakości.

Jak ważne jest AI w analizie dużych zbiorów danych w środowisku klinicznym?

Branże opieki zdrowotnej i nauk o życiu generują więcej danych o większej złożoności niż jakakolwiek inna branża na świecie. I w przeciwieństwie do innych branż, skuteczne zarządzanie i analiza tych danych jest kwestią życia i śmierci. Biorąc pod uwagę te wielkości, AI jest teraz niezbywalnym enablerem szeregu potrzeb, zarówno rutynowych, jak i przełomowych, w środowiskach klinicznych i laboratoryjnych, aby rozwiązać trójpodstawowy cel branży: poprawić jakość opieki i dostęp, jednocześnie obniżając koszty.

Na przykład elektroniczne rekordy zdrowia (EHR) umożliwiły rewolucję cyfrową w jakości i wydajności dostarczania opieki. Niestety, w tych rekordach jest mieszanka nieuporządkowanych i uporządkowanych danych, które AI może pomóc zdigitalizować w bardziej ujednolicone i użyteczne zestawy danych. Optyczne rozpoznawanie znaków (OCR) i przetwarzanie języka naturalnego (NLP) to tylko dwa modele AI, które mogą przekształcić analogi pisma odręcznego i głosu w dane EHR. I gdy tylko zdigitalizowane, AI można zastosować w tych zestawach danych w wielu interesujących przypadkach użycia.

W innych przypadkach dane przechwycone z urządzeń medycznych i kamer rosną, a gdy połączone z danymi historii pacjenta, analityka mogą pomóc w uzyskaniu nowych wglądów, aby dalej personalizować leczenie. Na poziomie spisów wiejskich wiele szpitali już wdrożyło algorytmy, które mogą przewidzieć początek sepsy, aby szybciej interweniować, a w oddziałach intensywnej opieki, oprogramowanie może połączyć dane z wielu izolowanych urządzeń, aby utworzyć imponująco kompletny obraz pacjenta w czasie rzeczywistym. Z biegiem czasu wszystkie te przechwycone i zapisane dane mogą być również analizowane, aby uzyskać lepsze przewidywania w przyszłości.

Jakie są niektóre z bardziej godnych uwagi przypadków użycia maszynowego uczenia się w analizie tych danych?

Jak wspomniano powyżej, narzędzia NLP mogą pomóc zastąpić ręczne pisanie lub wprowadzanie danych, aby wygenerować nowe dokumenty, takie jak podsumowania wizyt pacjentów i szczegółowe notatki kliniczne. To umożliwia klinicystom widzieć więcej pacjentów i dostawcom poprawić dokumentację, przepływ pracy i dokładność rozliczeń, wprowadzając zamówienia i dokumentację wcześniej w ciągu dnia.

Szerzej, analityka AI pomaga dostawcom zrozumieć i zarządzać szerokim zakresem aplikacji klinicznych, które poprawiają wydajność i obniżają koszty. To pozwala szpitalom lepiej zarządzać zasobami i dostosowywać najlepsze praktyki, a zespołom opieki do współpracy nad diagnozami i koordynowaniem leczenia i ogólnej opieki, którą świadczą pacjentom.

Klinicyści mogą analizować ukierunkowane anomalie, używając odpowiednich podejść ML i filtrować informacje uporządkowane z innych surowych danych. To może prowadzić do szybszej i bardziej dokładnej diagnozy i optymalnych leczeń. Na przykład algorytmy ML mogą przekształcić system diagnostyczny obrazów medycznych w automatyczne podejmowanie decyzji, przekształcając obrazy w tekst czytelny maszynowo. Techniki ML i rozpoznawania wzorców mogą również uzyskać wglądy z ogromnych ilości danych obrazów klinicznych, które są niezarządzalne przez człowieka, aby przekształcić diagnozę, leczenie i monitorowanie pacjentów.

Aby ocenić i zarządzać zdrowiem populacji, algorytmy ML mogą pomóc przewidzieć przyszłe trajektorie ryzyka, zidentyfikować sterowniki ryzyka i zapewnić rozwiązania dla najlepszych wyników. Moduły głębokiego uczenia się zintegrowane z technologiami AI pozwalają badaczom interpretować złożone zestawy danych genetycznych, aby przewidzieć określone rodzaje raka (na podstawie profili ekspresji genów uzyskanych z różnych dużych zestawów danych) i zidentyfikować wiele celów dla leków.

Czy mógłbyś wyjaśnić, w jaki sposób Intel współpracuje z społecznością genetyki, aby przekształcić duże zestawy danych w biomedyczne wglądy, które przyspieszają opiekę personalizowaną?

Medycyna precyzyjna dostarcza źródła danych zdrowia na poziomie indywidualnym, które umożliwiają lepszy wybór celów chorób i identyfikację populacji pacjentów, które wykazują poprawione wyniki kliniczne nowym profilaktycznym i terapeutycznym podejściom.

Genetyka jest kamieniem węgielnym tej medycyny precyzyjnej. Zapewnia plan, który mówi, kim jesteśmy i dlaczego i jak jesteśmy wyjątkowi, co jest kluczowe dla dostawców, aby zrozumieć, łącząc tę informację z innymi danymi (obrazami, chemią kliniczną, historią medyczną, danymi kohorty itp.). Klinicyści wykorzystują tę informację, aby opracować i dostarczyć leczenie dostosowane do potrzeb pacjenta, które są mniejszym ryzykiem i bardziej skuteczne.

Intel współpracuje ze społecznością genetyki, optymalizując najczęściej używane narzędzia analityczne genetyczne używane w branży, aby działały najlepiej na platformach i procesorach opartych na architekturze Intel. Na przykład optymalizacja oprogramowania Genomic Analysis Toolkit (GATK) Instytutu Broad na sprzęcie Intel z wykorzystaniem OpenVINO, aby ułatwić rozwój, debugowanie i wdrożenie modeli AI, podkreśla nasz wpływ i zaangażowanie w tej branży. Narzędzie GATK zapewnia korzyści dla badań biomedycznych, takie jak Genomics DB, które efektywnie przechowują pliki o rozmiarze około 200 GB (typowe dla zestawów danych genetycznych) i Genome Kernel Library, które wykorzystują określone instrukcje sprzętowe architektury Intel, aby przyspieszyć obciążenia genetyczne i wykorzystanie AI.

Przyspieszanie szybkości i obniżanie kosztów analizy genetycznej, jednocześnie zachowując dokładność tej analizy, nadal jest istotne dla badaczy biomedycznych i innych nauk o życiu, którzy wykorzystują rozwiązania obliczeniowe Intel, aby odkryć i wykorzystać nowe wglądy medyczne.

Czy mógłbyś omówić, dlaczego uważasz, że zdalna opieka zdrowotna jest tak ważna?

Branża opieki zdrowotnej pracowała nad różnymi formami i aspektami opieki zdalnej przez wiele lat. Powody te były, do niedawna, intuicyjnym i pożądanym przekonaniem, że opieka zdalna może być dla wielu sytuacji dostarczania opieki tak dobra, jak lub lepsza niż tradycyjne modele opieki w gabinecie. Teraz, pod wpływem kryzysu pandemii i jego wpływu, systemy dostarczania opieki zdrowotnej na całym świecie są zmuszone do przyjęcia telezdrowia lub upadku. Ten nagły popyt na wdrożenie teraz potwierdza te długotrwałe przekonania, że opieka zdalna jest zarówno żywotna, jak i bardzo opłacalna.

Opieka zdalna ma wiele korzyści. Zadowolenie i satysfakcja pacjentów z opieki zdalnej rosną szybko. Mogą pozostać spokojni i zrelaksowani w domu, z mniejszymi zakłóceniami i wpływem na czas i harmonogram. Dostawcy lubią to, ponieważ pozwala im widzieć więcej pacjentów i lepiej zarządzać własnym czasem i lepiej alokować rzadkie zasoby kliniczne. I oczywiście, co stało się najbardziej przekonywującym powodem dla wszystkich w ciągu ostatnich kilku miesięcy, jest wrodzona zdolność opieki zdalnej do ograniczania zakażeń i potrzeby kontaktu osobistego, kiedy wideorozmowa z uzupełniającymi urządzeniami i telemetrycznymi może wykonać większość zadań opieki tak samo dobrze.

Czy mógłbyś omówić niektóre z technologii, które są obecnie wykorzystywane do monitorowania pacjentów na odległość?

Istnieją kilka krytycznych elementów technologicznych. Najważniejszy jest łatwy dostęp do pacjenta, szybko połączony z bezpieczeństwem i prywatnością danych, oraz solidnością aplikacji i danych, które są przechwytywane. Na przykład musimy zapobiec przypadkowemu usunięciu aplikacji monitorującej przez pacjenta z iPada.

Innym krytycznym aspektem dla dostawcy wdrożenia w wielu pacjentach jest zarządzanie flotą i możliwość wysłania aktualizacji lub pomocy technicznej przez przewód i dostosowane do każdego użytkownika lub grupy użytkowników. To wymaga:

• standaryzacji wymiany danych i prywatności z branżowymi standardami, takimi jak FHIR i Continua;
• bezpiecznej i efektywnej platformy obliczeniowej do orchestrowania danych i komunikowania ich z powrotem do klinicysty, w tym odpowiedniego oprogramowania i szyfrowania;
• łączności przez sieć komórkową, aby uczynić urządzenia użytkowników samodzielne i niezależne od Wi-Fi w domu, które może być niewiarygodne lub nawet nieistniejące;
• przechowywania w chmurze i analityki na backendzie.

Ponadto, możliwość gromadzenia i agregowania danych płynących z użytkowników jest fundamentalna, aby umożliwić klinicystom monitorowanie pacjentów i wspieranie, a oprogramowaniu i analityce, aby poinformować zespoły opieki o nominalnym stanie lub zainicjować powiadomienie o alarmie dla wyników, które są poza tolerancją.

Wierzymy, że AI będzie odgrywać znacznie większą rolę w monitorowaniu pacjentów w przyszłości, poprawiając doświadczenie pacjenta za pomocą naturalnych ankiet głosowych („Jak się czujesz dzisiaj?”, „Twoje ciśnienie krwi wydaje się trochę wysokie”) i pozwalając zespołom opieki lepiej zrozumieć zdrowie pacjenta i zidentyfikować odpowiednie leczenia. Za pomocą modeli AI, zarządzanie zdrowiem populacji również będzie postępować, a wszystkie dane pacjentów będą wpływać do coraz większych zestawów danych, które poprawiają dokładność modelu uczenia się iteracyjnego. To jest niezbędne do monitorowania na odległość w skali.

Jakie są niektóre z problemów, które należy pokonać, aby zwiększyć wskaźnik sukcesu opieki zdrowotnej na odległość?

Wiele z tych samych problemów, które dotykają nasz obecny system dostarczania opieki tradycyjnej, są również czynnikami, które ulepszają lub hamują sukces opieki zdalnej. Obejmują one społeczne podziały i stygmaty związane z opieką zdrowotną lub bariery socjo-ekonomiczne wynikające z braku ubezpieczenia, umiejętności technicznych, wymaganych urządzeń i łączności. Silosy danych uniemożliwiają maksymalizację wartości, którą większe, współdzielone zestawy danych mogłyby wytworzyć, zwłaszcza teraz, gdy nasza zdolność do wykorzystania programów uczenia się jest naprawdę pojawiająca się.

Jednakże istnieją wyzwania, które są unikalne dla opieki zdalnej:

• kwestie polityczne i płatnicze, chociaż znacznie poprawione ostatnio, muszą kontynuować swój pozytywny impet, aby rozszerzyć się z luzowanymi restrykcjami dotyczącymi tego, co jest dozwolone i refundowane w ramach opieki zdalnej;
• wyzwania finansowe i brak kapitału do inwestycji w technologie opieki zdrowotnej wymagają konwersji z modelu CapEx na model OpEx. Zamiast inwestować w obiekty i sprzęt, dostawcy mogą przesiąść się do modelu „płacę za to, co używam”, rezygnując z potrzeby dużej ilości infrastruktury stałej i, jak w przypadku usług telefonicznych, płacąc za minuty (lub dane) używane;
• doświadczenie użytkownika, zarówno dla pacjenta, jak i dostawcy, musi się poprawiać, ostatecznie do punktu, w którym technologia znika w tle, a możliwości są intuicyjne i bezproblemowe, a proces jest przekonywujący z równymi lub lepszymi wynikami i strukturami kosztów.

Ostatecznie chcemy, aby technologia wspierała dostarczanie opieki, a nie stawała na przeszkodzie. Jeśli będziemy sukcesywni (i wierzymy, że będziemy i będziemy), to technologia pozwoli na most do lepszych modeli dostarczania opieki zdalnej, tworząc najlepszy możliwy przypadek dla normalizacji opieki zdalnej jako standardu dostarczania opieki.

Dziękuję za fantastyczny wywiad, cieszyłem się, ucząc się więcej o wysiłkach Intel w zakresie zdrowia. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Globalny biznes Health & Life Sciences w Intel.