Dave Ryan, Dyrektor Generalny, Zdrowie i Nauki o Życiu w Intel – Seria Wywiadów

Dave Ryan kieruje globalnym biznesem Zdrowia i Nauk o Życiu w Intel (INTC ), 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 nauk o życiu, 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 Zdrowia i Nauk o Życiu w Intel?

Biznes Zdrowia i Nauk o Życiu w Intel pomaga klientom tworzyć rozwiązania w dziedzinach obrazowania medycznego, systemów klinicznych i laboratoriów 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 ryzyko problemów zdrowotnych i poprawę leczenia w różnych grupach. Optymalizowane i dostosowane technologie 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 i nie pozostawiają miejsca na błąd. Technologie HPC i AI pomagają szybciej skanować dane obrazowe i identyfikować krytyczne czynniki, aby pomóc radiologom w diagnozie.
• Systemy kliniczne wykorzystują technologie komputerowego widzenia, AI, HPC i obliczeń krawędziowych do monitorowania pacjentów, chirurgii roboczej i telemedycyny oraz wielu innych. Te inteligentne systemy uzgadniają różnorodne dane źródłowe, aby uzyskać pełny widok pacjenta i lepszą diagnozę, z elastycznością i skalowalnością, aby wspierać zmieniające się potrzeby organizacyjne.
• Infrastruktura cyfrowa łączy wiele technologii, aby umożliwić nowe podejścia do interakcji z pacjentami, w tym opiekę w dowolnym miejscu i czasie, gdzie klinicyści współpracują w przestrzeni i czasie, aby zarządzać stanem, przeprowadzać operacje i analizy.

Biznes Laboratoriów i Nauk o Życiu w Intel koncentruje się na trzech głównych obszarach: Analityce Danych, „Omics” 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 profili skutków ubocznych.
• „Omics” opisuje i ilościowo określa grupy molekuł biologicznych, wykorzystując bioinformatykę i biologię komputerową. Ogromne zestawy danych zaangażowane w tym procesie wymagają przetwarzania o wysokiej wydajności, aby otrzymać wyniki w rozsądnym czasie. Z tym przepustem i nowymi bazami danych, narzędziami, bibliotekami i optymalizacjami kodu, instytucje „Omics” mogą skrócić czas otrzymywania wyników i kosztów rozwoju.
• Farmacja to badanie leków i ich interakcji z ludzkimi systemami biologicznymi, w tym na poziomie molekularnym, gdzie nauka o danych potrzebuje AI i ML, aby pomóc w generowaniu wiodących i optymalizacji, identyfikacji celów i badań przedklinicznych. To prowadzi do lepszych badań klinicznych, mądrzejszych wglądów w reakcje i szybszego odkrywania nowych leków.

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

Rozprzestrzenianie się AI na wiele branż było w dużej mierze spowodowane automatyzacją zadań rutynowo wykonywanych przez ludzi. W opiece zdrowotnej AI stało się narzędziem, za pomocą którego wspieramy lub ułatwiamy, a nie zastępujemy, istniejącą ekspertyzę ludzką, aby dostarczyć naprawdę przełomowe podejścia do diagnozy i leczenia. I nie ma miejsca, gdzie jest to bardziej widoczne niż w obrazowaniu medycznym, gdzie objętość i złożoność danych są zarówno barierą, jak i okazją. Dziś AI, a w szczególności wnioskowanie, jest w stanie wykonać szybsze i bardziej szczegółowe skany ogromnych ilości informacji niż jakikolwiek człowiek i w ten sposób nie tylko ujawnia wglądy, które były wcześniej ukryte, ale także maksymalizuje cenny czas radiologa, aby osiągnąć lepsze wnioski diagnostyczne i dla większej liczby pacjentów. Na przykład, rozwiązania AI od klientów pomagają radiologom, analizując dane w zdjęciach rentgenowskich, które mogą wskazywać na obecność zapadniętego płuca (pneumotoraksu) lub COVID. To jest naprawdę godny uwagi osiągnięcie, które rewolucjonizuje skuteczność samego obrazowania medycznego i tego, jak ludzka ekspertyza jest stosowana. Świadkowanie takiej transformacji w tej jednej dziedzinie naturalnie motywuje do poszukiwania następnego wielkiego skoku w innych obszarach 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 to idea, że AI może demokratyzować wiedzę w różnych dziedzinach opieki, aby uczynić rzadką ludzką ekspertyzę i doświadczalną nuancję jeszcze bardziej dostępną, podnosząc poziom jakości.

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

Branże Zdrowia i Nauk o Życiu generują więcej danych o większej złożoności niż jakakolwiek inna branża na świecie dzisiaj. 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 narzędziem różnych potrzeb, zarówno trywialnych, jak i przełomowych, w środowiskach klinicznych i laboratoryjnych, aby rozwiązać potrójne wyzwanie branży: poprawić jakość opieki i dostęp, jednocześnie obniżając koszty.

Na przykład, elektroniczne rekordy zdrowia (EHR) umożliwiły rewolucję cyfrową w jakości i wydajności opieki zdrowotnej. Niestety, w tych rekordach jest mieszanka nieuporządkowanych i uporządkowanych danych, które AI może pomóc zdigitalizować w bardziej ujednolicone i użyteczne zestawy danych. Rozpoznawanie optyczne znaków (OCR) i przetwarzanie języka naturalnego (NLP) to tylko dwa modele AI, które mogą przekonwertować analogi pisma odręcznego i głosu do danych EHR. I gdy tylko zdigitalizowane, AI może być stosowane w tych zestawach danych w wielu ekscytujących przypadkach użycia.

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

Jakie są niektóre z bardziej godnych uwagi przypadków użycia maszynowego uczenia się do analizy 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, a 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 zdrowotnej współpracować w diagnozach i koordynować leczenia i ogólnej opieki, którą świadczą pacjentom.

Klinicyści mogą analizować ukierunkowane anomalie, stosując odpowiednie podejścia 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 przekonwertować system diagnostyczny obrazowania medycznego w automatyczne podejmowanie decyzji, przekonwertując obrazy na tekst czytelny przez maszynę. Techniki ML i rozpoznawania wzorców mogą również wyciągać wglądy z ogromnych ilości danych obrazowych, nie do pokonania 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 dostarczyć rozwiązania dla najlepszych wyników. Moduły głębokiego uczenia 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, jak Intel współpracuje z społecznością genetyczną, aby przekształcić duże zestawy danych w biomedyczne wglądy, które przyspieszają opiekę personalizowaną?

Medycyna precyzyjna dostarcza źródła danych zdrowia na poziomie indywidualnym, które umożliwiają lepsze wybór celów chorób i identyfikację populacji pacjentów, które wykazują poprawione wyniki kliniczne w nowych profilaktycznych i terapeutycznych podejściach.

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

Intel współpracuje ze społecznością genetyczną, optymalizując najczęściej używane narzędzia analityczne genetyczne używane w branży, aby działały najlepiej i na platformach opartych na architekturze Intel i procesorach, które je napędzają. Na przykład, optymalizacja oprogramowania Genomic Analysis Toolkit (GATK) instytutu Broad, wiodącego w branży, na sprzęcie Intel przy użyciu OpenVINO, aby ułatwić rozwój modeli AI, debugowanie i wdrożenie, podkreśla nasz wpływ i zaangażowanie w tej branży. Narzędzie GATK zapewnia korzyści dla badań biomedycznych, takich jak Genomics DB, który wydajnie przechowuje pliki o rozmiarze ~200 GB (typowe dla zestawów danych genetycznych) i biblioteka Genome Kernel, która działa z AVX512, wykorzystując specjalne instrukcje sprzętu Intel, aby przyspieszyć obciążenia genetyczne i wykorzystanie AI.

Przyspieszanie szybkości i obniżanie kosztów analizy genetycznej, przy zachowaniu dokładności tej analizy, nadal jest przekonywujące 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 zdrowia pracowała nad różnymi formami i aspektami opieki zdalnej przez wiele lat. Powody te były, do niedawna, intuicyjnym i życzeniowym 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 pandemicznego i jego wpływu, systemy opieki zdrowotnej na całym świecie są zmuszone do przyjęcia telemedycyny lub upadku. Ten nagły pęd do wdrożenia teraz potwierdza te długo utrzymywane przekonania, że opieka na odległość jest zarówno żywotna, jak i bardzo wykonalna.

Opieka zdalna ma wiele korzyści. Komfort i zadowolenie pacjentów z opieki zdalnej rośnie szybko. Mogą pozostać spokojni i w swoim domu, z mniejszym zakłóceniem 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 co stało się najbardziej przekonywującym powodem w ciągu ostatnich kilku miesięcy dla wszystkich, to wrodzona zdolność opieki zdalnej do ograniczania zakażeń i potrzeby kontaktu osobistego, kiedy wideorozmowa z urządzeniami i telemetrycznymi może wykonać większość zadań opieki zdrowotnej równie dobrze.

Czy mógłbyś omówić niektóre z technologii, które są obecnie używane 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 przechwytuje. Na przykład, musimy zapobiec przypadkowemu usunięciu aplikacji monitorującej przez pacjenta z iPad.

Innym krytycznym aspektem dla dostawcy opieki zdrowotnej wdrożonej u wielu pacjentów jest zarządzanie flotą i możliwość wysłania aktualizacji lub pomocy technicznej przez sieć i dostosowanej 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 samodzielnymi i niezależnymi od Wi-Fi w domu, które mogą 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 wspierać zespoły opieki zdrowotnej, aby powiadomić o stanie nominalnym 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 zdrowotnej 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 iteracyjnego modelu uczenia. 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 ułatwiają lub utrudniają sukces opieki zdalnej. Obejmują one społeczne podziały i stygmaty związane z opieką zdrowotną lub bariery socio-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.

Jednak istnieją wyzwania, które są unikalne dla opieki zdalnej:

• kwestie polityczne i płatnicze, chociaż znacznie poprawione ostatnio, muszą kontynuować swój pozytywny impet, aby rozwinąć się z luzowanymi restrykcjami dotyczącymi tego, co jest dozwolone i refundowane w ramach opieki zdalnej;
• wyzwania finansowe i brak kapitału do inwestycji w technologię zdrowia wymagają konwersji z modelu CapEx na model OpEx. Zamiast inwestować w obiekty i sprzęt, dostawcy mogą przesiąść się do modelu „płacę, jak używam”, rezygnując z potrzeby dużej ilości infrastruktury stałej i, jak usługa telefoniczna, płacąc za minuty (lub dane) użyte;
• doświadczenie użytkownika, zarówno dla pacjenta, jak i dostawcy, musi nadal się poprawiać, ostatecznie do punktu, w którym technologia znika w tle, a możliwości są intuicyjne i bezproblemowe, a proces jest atrakcyjny z równoważnymi 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 nadal), to technologia pozwoli na most do lepszych modeli opieki zdalnej, tworząc najlepszy możliwy przypadek dla normalizacji opieki zdalnej jako standardu dostarczania opieki.

Dziękuję za wspaniały wywiad, cieszyłem się, ucząc się więcej o wysiłkach Intel w dziedzinie zdrowia. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Globalny biznes Zdrowia i Nauk o Życiu Intel.