Дэйв Райан, Генеральный менеджер, Здравоохранение и Науки о жизни в Intel – Интервью

Дэйв Райан возглавляет глобальный бизнес по здравоохранению и науке о жизни в Intel (INTC ), который фокусируется на цифровой трансформации от края до облака, чтобы сделать точную, основанную на ценностях помощь реальностью. Его клиенты – это производители, которые создают инструменты для научных исследований, медицинское оборудование, клинические системы, вычислительные устройства и устройства, используемые исследовательскими центрами, больницами, клиниками, учреждениями по уходу и дома. Дэйв входил в состав советов директоров Ассоциации потребительской технологии, Здоровья и фитнеса, Альянса персональной связанной помощи HIMSS, Глобальной коалиции по вопросам старения и Альянса по связанной помощи.

Что такое бизнес Intel по здравоохранению и науке о жизни?

Бизнес Intel по здравоохранению и науке о жизни помогает клиентам создавать решения в области медицинской визуализации, клинических систем и лабораторных исследований, что позволяет обеспечить распределенную, интеллектуальную и персонализированную помощь.

Бизнес Intel по здравоохранению фокусируется на здоровье населения, медицинской визуализации, клинических системах и цифровой инфраструктуре.

• Здоровье населения анализирует различные данные пациентов, чтобы дать поставщикам представление о рисках для медицинских проблем и улучшении методов лечения в разных группах. Оптимизированные и настроенные алгоритмы машинного обучения и искусственного интеллекта помогают “ранжировать” группы, чтобы поставщики и плательщики могли уделять приоритетное внимание пациентам с наибольшим риском.
• Медицинская визуализация (например, МРТ, КТ) генерирует огромные наборы данных, требующие точной оценки без возможности ошибки. Высокопроизводительные вычисления и искусственный интеллект помогают более быстро сканировать изображения и выявлять критические факторы, чтобы помочь радиологам в диагнозе.
• Клинические системы используют компьютерное зрение, искусственный интеллект, высокопроизводительные вычисления и краевые вычисления для мониторинга пациентов, роботизированной хирургии и телемедицины, а также других приложений. Эти интеллектуальные системы согласовывают различные источники данных для получения полного представления о пациенте и лучшего диагноза, с гибкостью и масштабируемостью для поддержки меняющихся организационных потребностей.
• Цифровая инфраструктура объединяет многие технологии, чтобы обеспечить новые подходы к взаимодействию с пациентами, включая помощь в любом месте и в любое время, когда клиницисты сотрудничают в пространстве и времени для управления состоянием, хирургии и аналитики.

Бизнес Intel по лабораторным исследованиям и науке о жизни фокусируется на трех основных областях: аналитике данных, “омике” и фармацевтике.

• Аналитика данных использует искусственный интеллект, чтобы стимулировать каскад открытий и представлений, которые помогают, среди прочего, обеспечить точную медицину, гарантируя, что пациенты получают наиболее эффективные для них лекарства, и снижая риск побочных эффектов.
• “Омика” описывает и количественно оценивает группы биологических молекул, используя биоинформатику и вычислительную биологию. Огромные наборы данных, участвующие в этом процессе, требуют высокопроизводительных вычислений, чтобы получить результаты в разумные сроки. С этой производительностью и новыми базами данных, наборами инструментов, библиотеками и оптимизацией кода учреждения “омики” могут сократить время получения результатов и развитие затрат.
• Фармацевтика – это изучение лекарств и их взаимодействия с биологическими системами человека, включая молекулярный уровень, где наука о данных требует искусственного интеллекта и машинного обучения, чтобы помочь с генерацией лидеров и оптимизацией, идентификацией целей и доклиническими исследованиями. Это приводит к лучшим клиническим испытаниям, более умным представлениям о реакциях и более быстрому открытию новых лекарств.

Когда вы лично впервые заинтересовались использованием искусственного интеллекта для пользы здравоохранения?

Распространение искусственного интеллекта по многим отраслям в основном было связано с автоматизацией задач, которые обычно выполняются людьми. В здравоохранении искусственный интеллект стал инструментом, с помощью которого мы дополняем или помогаем существующей человеческой экспертизе, чтобы обеспечить真正 трансформационные подходы к диагностике и лечению. И нигде это не очевиднее, чем в медицинской визуализации, где объем и сложность данных являются одновременно барьером и возможностью. Сегодня искусственный интеллект и, в частности, вывод, могут выполнять более быстрые и подробные сканирования огромных массивов информации, чем любой человек, и, делая это, не только раскрывают представления, ранее скрытые, но и максимизируют ценное время радиолога, чтобы прийти к лучшему диагностическому выводу и для большего количества пациентов. Например, решения искусственного интеллекта от клиентов помогают радиологам, анализируя данные в рентгеновских изображениях, которые могут указывать на наличие коллапса легкого (пневмоторакс) или COVID. Это действительно замечательное достижение, революционизирующее эффективность как самой медицинской визуализации, так и применения человеческой экспертизы. Свидетельство такого рода трансформации в этой области естественным образом мотивирует к поиску следующего великого скачка в других областях здравоохранения и наук о жизни, где человек и машина объединяются, чтобы произвести новое целое, намного большее суммы частей. Перенос этого на следующий шаг – идея о том, что искусственный интеллект может демократизировать знания по дисциплинам ухода и сделать редкую человеческую экспертизу и опытную нюанс еще дальше, повышая уровень качества.

Насколько важен искусственный интеллект для анализа больших данных в клинической обстановке?

Отрасли здравоохранения и наук о жизни генерируют больше данных с большей сложностью, чем любая другая отрасль в мире сегодня. И, в отличие от других отраслей, эффективное управление и анализ этих данных является вопросом жизни и смерти. Учитывая эти масштабы, искусственный интеллект теперь является незаменимым средством для удовлетворения ряда потребностей, как обыденных, так и прорывных, как в клинической, так и в лабораторной обстановке, чтобы решить задачи отрасли: улучшить качество помощи и доступ к ней, снизив при этом затраты.

Например, электронные медицинские записи (ЭМЗ) позволили осуществить цифровую революцию в качестве и эффективности оказания медицинской помощи. К сожалению, в этих записях есть смесь как неструктурированных, так и структурированных данных, которую искусственный интеллект может помочь оцифровать в более унифицированные и полезные наборы данных. Оптическое распознавание символов (OCR) и обработка естественного языка (NLP) – это только два моделей, основанных на искусственном интеллекте, которые могут преобразовать аналоги рукописного текста и голоса в данные ЭМЗ. И как только они оцифрованы, искусственный интеллект может быть применен к этим наборам данных во многих интересных случаях использования.

В других случаях данные, полученные от медицинских устройств и камер, растут, и когда они объединяются с данными медицинской истории, аналитика может помочь выявить новые представления, чтобы еще больше персонализировать лечение. На уровне переписи населения многие больницы уже развернули алгоритмы, которые могут предсказать начало сепсиса для более быстрого вмешательства, и в отделениях интенсивной терапии программное обеспечение может объединить данные из нескольких изолированных устройств, чтобы создать впечатляюще полную картину пациента в режиме реального времени. Со временем все эти захваченные и хранимые данные также могут быть проанализированы для лучших прогнозов в будущем.

Какие из наиболее заметных случаев использования машинного обучения для анализа этих данных?

Как упоминалось выше, инструменты NLP могут помочь заменить ручную запись или ввод данных для создания новых документов, таких как резюме посещений пациентов и подробные клинические заметки. Это позволяет клиницистам видеть больше пациентов, а поставщикам – улучшать документацию, рабочий процесс и точность выставления счетов, вводя заказы и документацию раньше в течение дня.

Более широко, аналитика, основанная на искусственном интеллекте, помогает поставщикам понять и управлять широким спектром клинических приложений, которые улучшают эффективность и снижают затраты. Это позволяет больницам лучше управлять ресурсами и тонко настраивать лучшие практики, а командам по уходу – сотрудничать в диагнозах и координировать методы лечения и общую помощь, которую они оказывают пациентам.

Клиницисты могут анализировать нацеленные аномалии с помощью подходящих подходов машинного обучения и фильтровать структурированную информацию из других сырых данных. Это может привести к более быстрому и точному диагнозу и оптимальному лечению. Например, алгоритмы машинного обучения могут преобразовать систему диагностики медицинских изображений в автоматическое принятие решений, преобразуя изображения в текст, читаемый машиной. Техники машинного обучения и распознавания образов также могут извлекать представления из огромных объемов клинических изображений, неуправляемых человеком, чтобы трансформировать диагноз, лечение и мониторинг пациентов.

Чтобы оценить и управлять здоровьем населения, алгоритмы машинного обучения могут помочь предсказать будущие траектории риска, выявить факторы риска и предложить решения для лучших результатов. Модули глубокого обучения, интегрированные с технологиями искусственного интеллекта, позволяют исследователям интерпретировать сложные геномные наборы данных, предсказывать конкретные виды рака (на основе профилей экспрессии генов, полученных из различных крупных наборов данных) и выявлять несколько целевых объектов.

Можете ли вы подробнее рассказать о том, как Intel сотрудничает с геномной общиной, чтобы превратить большие наборы данных в биомедицинские представления, которые ускоряют персонализированную помощь?

Точная медицина обеспечивает источники данных о здоровье на уровне отдельных людей, которые позволяют лучше выбирать цели заболеваний и выявлять популяции пациентов, демонстрирующие улучшенные клинические результаты для новых профилактических и терапевтических подходов.

Геномика является краеугольным камнем этой точной медицины. Она обеспечивает план того, кто мы есть, и почему и как мы уникальны, что является критически важным для понимания поставщиками, когда они объединяют эту информацию с другими данными (изображениями, клинической химией, медицинской историей, данными когорт и т. д.). Клиницисты используют эту информацию, чтобы разработать и обеспечить пациентам специфические методы лечения, которые являются менее рискованными и более эффективными.

Intel сотрудничает с геномной общиной, оптимизируя наиболее часто используемые генетические инструменты анализа, используемые в отрасли, для работы на платформах и процессорах Intel. Например, оптимизация индустриального лидера генетического варианта программного обеспечения Broad Institute, Genomic Analysis Toolkit (GATK), на аппаратуре Intel с использованием OpenVINO для облегчения разработки, отладки и развертывания моделей искусственного интеллекта, подчеркивает наш вклад и приверженность этой отрасли. Инструментарий GATK обеспечивает выгоды для биомедицинских исследований, такие как Genomics DB, который эффективно хранит файлы размером ~200 ГБ (типичные для геномных наборов данных), и библиотека Genome Kernel, работающая с AVX512, которая использует конкретные аппаратные инструкции архитектуры Intel для ускорения геномных рабочих процессов и использования искусственного интеллекта.

Ускорение скорости и снижение стоимости геномного анализа, сохраняя при этом точность этого анализа, продолжает быть убедительным для биомедицинских и других исследователей в области наук о жизни, которые используют вычислительные решения Intel, чтобы открыть и использовать новые медицинские представления.

Можете ли вы обсудить, почему вы считаете, что удаленная медицинская помощь так важна?

Отрасль здравоохранения работала над различными формами и аспектами удаленной помощи в течение многих лет. Причины этого были, до недавнего времени, интуитивным и надеясь убеждением, что удаленная помощь может быть для многих ситуаций оказания помощи такой же хорошей или даже лучше, чем традиционные модели в клинике. Теперь, подстегнутая кризисом пандемии и его воздействием, системы здравоохранения по всему миру вынуждены принять телемедицину или рухнуть. Этот внезапный рывок к реализации теперь доказывает, что эти долго держащиеся убеждения являются истинными, и помощь на расстоянии является жизненно важной и высоко жизнеспособной.

Удаленная помощь имеет много преимуществ. Комфорт и удовлетворенность пациентов от телемедицинской помощи растут быстро. Они могут оставаться спокойными и комфортными дома, с меньшим нарушением и влиянием на время/график. Поставщики любят это, потому что это позволяет им видеть больше пациентов и лучше управлять своим временем и лучше распределять дефицитную клиническую помощь. И, конечно, то, что стало наиболее ясной и убедительной причиной за последние несколько месяцев для всех, является врожденной способностью удаленной помощи ограничить распространение инфекции и необходимость личного контакта, когда видеочат с дополнительными устройствами и вычислительной телеметрией может выполнить большинство задач оказания помощи так же хорошо.

Можете ли вы обсудить некоторые технологии, которые в настоящее время используются для удаленного мониторинга пациентов?

Есть несколько критических технологических элементов. Самым важным является простота использования для пациента, быстро за которым следует безопасность и конфиденциальность данных, а также надежность приложения и захваченных данных. Например, нам нужно предотвратить случайное удаление пользователями мониторингового приложения с их iPad.

Другим критическим аспектом для поставщика, развертывающего удаленную помощь у нескольких пациентов, является управление флотом и возможность отправлять обновления или техническую поддержку по проводам, адаптированную к каждому пользователю или когорте пользователей. Для этого требуется:

• стандартизация обмена данными и конфиденциальности с использованием отраслевых стандартов, таких как FHIR и Continua;
• безопасная и энергоэффективная вычислительная платформа для оркестровки данных и их передачи обратно к клиницисту, включая соответствующее программное обеспечение и шифрование;
• связь через сотовую сеть, чтобы сделать устройства пользователей автономными и не зависящими от Wi-Fi дома, которое может быть ненадежным или даже несуществующим;
• хранилище и аналитика в облаке на стороне сервера.

Кроме того, возможность собирать и агрегировать данные, поступающие от пользователей, является фундаментальной для того, чтобы клиницисты могли осуществлять мониторинг пациентов и поддержку, и чтобы программное обеспечение и аналитика могли информировать команды по уходу о номинальном состоянии или инициировать уведомление об аларме для результатов, которые выходят за пределы допустимых значений.

Мы считаем, что искусственный интеллект будет играть гораздо большую роль в мониторинге пациентов в будущем, улучшая опыт пациентов через естественные голосовые опросы (“Как вы себя чувствуете сегодня?”, “Ваше кровяное давление кажется немного высоким”) и позволяя командам по уходу лучше понять здоровье пациента и выявить подходящие методы лечения. Благодаря использованию моделей искусственного интеллекта, управление здоровьем населения также будет прогрессировать, когда все данные пациентов будут включены в все более крупные наборы данных, которые улучшают точность итеративной модели обучения. Это является важным для удаленного мониторинга в масштабе.

Какие проблемы необходимо преодолеть, чтобы увеличить процент успешности удаленного здравоохранения?

Многие из тех же проблем, которые поражают нашу текущую систему традиционного оказания помощи, также являются факторами, которые улучшают или препятствуют успеху удаленной помощи. Это включает в себя социальные подсегменты убеждений и стигм, связанных со здравоохранением, или социально-экономические барьеры, исходящие из отсутствия страхования, технологической грамотности, необходимых устройств и подключения. Силосы данных предотвращают максимизацию ценности, которую могли бы произвести более крупные общие наборы данных, особенно теперь, когда наша способность использовать обучающие программы действительно появляется.

Но есть проблемы, которые уникальны для удаленной помощи:

• политика и проблемы оплаты, хотя и значительно улучшенные в последнее время, должны продолжать свой положительный импульс, чтобы расшириться с ослабленными ограничениями на то, что допустимо и возмещаемо через модальность удаленной помощи;
• финансовые проблемы и отсутствие капитала для инвестиций в технологии здравоохранения требуют перехода от модели CapEx к модели OpEx. Вместо того, чтобы инвестировать в объекты и оборудование CapEx, поставщики могут перейти на модель “плати по мере использования”, отказываясь от необходимости много фиксированной инфраструктуры и, как телефонная связь, платить за использованные минуты (или данные);
• опыт пользователя, как для пациента, так и для поставщика, должен продолжать улучшаться, в конечном итоге до того, как технология исчезнет на фоне, и возможности будут интуитивными и безшовными, а процесс будет убедительным с эквивалентными или лучшими результатами и структурой затрат.

В конечном итоге мы хотим, чтобы технология поддерживала оказание помощи, а не мешала ей. Если мы успешны (и мы считаем, что мы и будем), то технология действительно позволит создать мост к лучшей модели удаленного оказания помощи, создавая лучший возможный случай для нормализации удаленной помощи в качестве стандартной модели оказания помощи.

Спасибо за фантастическое интервью, мне было интересно узнать больше об усилиях Intel в области здравоохранения. Читатели, которые хотят узнать больше, должны посетить Глобальный бизнес Intel по здравоохранению и науке о жизни.