Дэйв Райан, генеральный директор Intel по здравоохранению и медико-биологическим наукам — серия интервью

Дэйв Райан возглавляет Глобальный бизнес в области здравоохранения и наук о жизни подразделение Intel, занимающееся цифровым преобразованием от периферийных устройств к облаку, чтобы воплотить в реальность точную и ценную заботу. Его клиентами являются производители, которые создают инструменты для медико-биологических наук, медицинское оборудование, клинические системы, вычислительные устройства и устройства, используемые исследовательскими центрами, больницами, клиниками, учреждениями по уходу за больными и дома. Дэйв входил в состав советов директоров Отдела здоровья и фитнеса Ассоциации потребительских технологий, Альянса HIMSS Personal Connected Health Alliance, Глобальной коалиции по проблемам старения и Альянса для Connected Care.  

Что представляет собой подразделение Intel Health & Life Sciences?

Подразделение Intel Health & Life Sciences помогает клиентам создавать решения в области медицинской визуализации, клинических систем, лабораторных и медико-биологических наук, обеспечивая распределенный, интеллектуальный и персонализированный уход.

Подразделение Intel Health сосредоточено на здравоохранении населения, медицинской визуализации, клинических системах и цифровой инфраструктуре.

• Служба Population Health изучает разнообразные данные о пациентах, чтобы дать поставщикам информацию о рисках медицинских проблем и улучшении лечения в разных когортах. Оптимизированные и настроенные машинное обучение и искусственный интеллект помогают «уровневым» группам, поэтому плательщики и поставщики отдают предпочтение пациентам с наибольшим риском.
• Медицинская визуализация (например, МРТ, КТ) генерирует огромные наборы данных, требующих точной оценки без права на ошибку. HPC и AI помогают быстрее сканировать данные изображений и выявлять критические факторы, чтобы помочь радиологам в постановке диагноза.
• Клинические системы используют компьютерное зрение, искусственный интеллект, высокопроизводительные вычисления и периферийные вычисления для мониторинга пациентов, роботизированной хирургии, телемедицины и многих других. Эти интеллектуальные системы согласовывают различные исходные данные для получения полного представления о пациенте и улучшения диагностики, а также обеспечивают гибкость и масштабируемость для поддержки меняющихся потребностей организации.
• Цифровая инфраструктура объединяет множество технологий, позволяющих использовать новые подходы к взаимодействию с пациентами, включая уход в любом месте и в любое время, когда врачи сотрудничают в пространстве и времени для управления состоянием, хирургии и аналитики.

Подразделение Intel Lab and Life Sciences сосредоточено в трех основных областях: аналитика данных, омика и фармацевтика.

• Аналитика данных использует ИИ для запуска каскада открытий и идей, которые помогают, среди прочего, обеспечить прецизионную медицину, гарантируя, что пациенты получают наиболее эффективные для них препараты, и, таким образом, снижая риск профилей побочных эффектов.
• омика описывает и количественно определяет группы биологических молекул, используя биоинформатику и вычислительную биологию. Огромные наборы данных, задействованные здесь, требуют высокопроизводительной обработки для получения результатов в разумные сроки. Благодаря такой пропускной способности и новым базам данных, наборам инструментов, библиотекам и оптимизации кода омические учреждения могут сократить время до получения результатов и затраты на разработку.
• Фармацевтика — это изучение лекарств и того, как они взаимодействуют с биологическими системами человека, в том числе на молекулярном уровне, где наука о данных нуждается в искусственном интеллекте и машинном обучении, чтобы помочь в поиске потенциальных клиентов и оптимизации, идентификации целей и доклинических исследованиях. Это приводит к более качественным клиническим испытаниям, более разумному пониманию реакций и более быстрому открытию новых лекарств.

Когда лично вы впервые заинтересовались использованием ИИ на благо здравоохранения?

Распространение ИИ во многих отраслях в значительной степени было связано с автоматизацией тех задач, которые обычно выполняются людьми. В здравоохранении ИИ стал инструментом, с помощью которого мы дополняем или помогаем, а не заменяем существующий человеческий опыт, чтобы предлагать действительно революционные подходы к диагностике и лечению. И нигде это не проявляется так ясно, как в медицинской визуализации, где объем и сложность данных являются одновременно барьером и возможностью. Сегодня ИИ и, в частности, логические выводы способны выполнять более быстрое и детальное сканирование обширных массивов информации, чем любой человек, и при этом не только выявляет ранее скрытые данные, но и максимизирует драгоценное время рентгенолога, чтобы дать доступ к информации. лучшее диагностическое заключение и для большего количества пациентов. Например, ИИ-решения от клиентов помогают радиологам анализировать данные на рентгеновских снимках, которые могут указывать на наличие коллапса легкого (пневмоторакс) или COVID. Это действительно замечательное достижение, которое коренным образом изменило эффективность как самой медицинской визуализации, так и того, как применяется человеческий опыт. Наблюдение за такой трансформацией в этой одной области естественным образом мотивирует человека искать следующий большой скачок в других областях здравоохранения и наук о жизни, где человек и машина объединяются, чтобы создать новое целое, намного превосходящее сумму частей. Еще одним шагом вперед является идея о том, что ИИ может демократизировать знания в различных дисциплинах ухода и сделать скудный человеческий опыт и нюансы, основанные на опыте, еще более важными, повышая уровень качества.

 

Насколько важен ИИ для анализа больших данных в клинических условиях?

Отрасли здравоохранения и наук о жизни генерируют больше данных с большей сложностью, чем любая другая отдельная отрасль в мире сегодня. И, в отличие от других отраслей, эффективное управление и анализ этих данных — вопрос жизни и смерти. Учитывая эти масштабы, ИИ в настоящее время является незаменимым средством удовлетворения ряда потребностей, как повседневных, так и прорывных, как в клинических, так и в лабораторных условиях для достижения тройной цели отрасли: улучшить качество и доступность медицинской помощи при одновременном снижении затрат.

Например, электронные медицинские записи (ЭМК) позволили совершить цифровую революцию в качестве и эффективности оказания медицинской помощи. К сожалению, в этих записях находится беспорядочная смесь как неструктурированных, так и структурированных данных, которые ИИ может помочь оцифровать в более унифицированные и полезные наборы данных. Оптическое распознавание символов (OCR) и обработка естественного языка (NLP) — это всего лишь две модели с поддержкой искусственного интеллекта, которые могут преобразовывать аналоги рукописного текста и голоса в данные EHR. После оцифровки ИИ может применяться к этим наборам данных во многих интересных случаях использования.

В других случаях количество данных, получаемых с медицинских устройств и камер, увеличивается, и в сочетании с данными истории болезни аналитика может помочь получить новые идеи для дальнейшей персонализации лечения. На уровне переписи многие больницы уже внедрили алгоритмы, которые могут прогнозировать начало сепсиса для более быстрого вмешательства, а в отделениях интенсивной терапии программное обеспечение может объединять данные с нескольких изолированных устройств для создания впечатляюще полной картины этого пациента почти в реальном времени. Со временем все собранные и сохраненные данные также можно будет проанализировать для получения более точных прогнозов в будущем.

 

Какие наиболее примечательные случаи использования машинного обучения для анализа этих данных вы наблюдаете?

Как упоминалось выше, инструменты NLP могут помочь заменить ручную запись или ввод данных для создания новых документов, таких как сводки посещений пациентов и подробные клинические записи. Это позволяет клиницистам принимать больше пациентов, а поставщикам услуг улучшать документацию, рабочий процесс и точность выставления счетов за счет более раннего ввода заказов и документации в течение дня.

В более широком смысле аналитика с поддержкой ИИ помогает поставщикам понимать и управлять широким спектром клинических приложений, повышая эффективность и снижая затраты. Это позволяет больницам лучше управлять ресурсами и корректировать передовой опыт, а командам по уходу — сотрудничать в диагностике и координировать лечение и общую помощь, которую они оказывают, чтобы улучшить результаты лечения пациентов.

Клиницисты могут анализировать целевые аномалии, используя соответствующие подходы машинного обучения, и отфильтровывать структурированную информацию из других необработанных данных. Это может привести к более быстрой и точной диагностике и оптимальному лечению. Например, алгоритмы машинного обучения могут преобразовать диагностическую систему медицинских изображений в автоматизированное принятие решений путем преобразования изображений в машиночитаемый текст. Методы машинного обучения и распознавания образов также могут извлекать ценную информацию из огромных объемов данных клинических изображений, не поддающихся управлению в одиночку, для преобразования диагностики, лечения и наблюдения за пациентами.

Для оценки и управления здоровьем населения алгоритмы машинного обучения могут помочь прогнозировать будущие траектории риска, выявлять факторы риска и предлагать решения для достижения наилучших результатов. Модули глубокого обучения, интегрированные с технологиями искусственного интеллекта, позволяют исследователям интерпретировать сложные наборы геномных данных, прогнозировать определенные типы рака (на основе профилей экспрессии генов, полученных из различных больших наборов данных) и идентифицировать несколько мишеней, поддающихся лечению.

 

Не могли бы вы рассказать, как Intel сотрудничает с сообществом специалистов по геномике, чтобы преобразовать большие наборы данных в биомедицинские идеи, которые ускорят персонализированный уход?

Прецизионная медицина предоставляет источники данных о состоянии здоровья на индивидуальном уровне, которые позволяют лучше выбирать мишени для болезней и идентифицировать группы пациентов, которые демонстрируют улучшенные клинические результаты для новых профилактических и терапевтических подходов.

Геномика является краеугольным камнем этой точной медицины. Он дает представление о том, кто мы, почему и чем мы уникальны, что очень важно для поставщиков, чтобы понять, поскольку они объединяют эту информацию с другими данными (изображениями, клиническим биохимическим анализом, историей болезни, когортными данными и т. д.). Клиницисты используют эту информацию для разработки и предоставления индивидуального лечения пациентов с меньшим риском и большей эффективностью.

Корпорация Intel сотрудничает с сообществом специалистов по геномике, оптимизируя наиболее часто используемые в отрасли инструменты генетического анализа, чтобы обеспечить их наилучшую работу на платформах на базе архитектуры Intel и процессорах, на которых они основаны. Например, оптимизация ведущего в отрасли программного обеспечения для генетических вариантов Broad Institute, набора инструментов для анализа генома (GATK), на оборудовании Intel с использованием OpenVINO для облегчения отладки и масштабируемого развертывания модели ИИ подчеркивает наше влияние и приверженность этой отрасли. Набор инструментов GATK предоставляет преимущества для биомедицинских исследований, таких как база данных Genomics, которая эффективно хранит файлы размером около 200 ГБ (типично для наборов геномных данных), и библиотека ядра генома, работающая под управлением AVX512, которая использует преимущества конкретных аппаратных инструкций архитектуры Intel для ускорения геномных рабочих нагрузок и использования ИИ.

Увеличение скорости и снижение стоимости геномного анализа при сохранении точности этого анализа по-прежнему привлекает исследователей в области биомедицины и других наук о жизни, поскольку они используют вычислительные решения Intel для обнаружения и использования новых медицинских идей.

 

Не могли бы вы рассказать, почему вы считаете, что дистанционное здравоохранение так важно?

Индустрия здравоохранения уже много лет работает над различными формами и аспектами удаленного ухода. Причинами этого до недавнего времени была интуитивная и ожидаемая вера в то, что удаленная помощь может быть во многих ситуациях оказания помощи не хуже или даже лучше, чем традиционные модели в клинике. В настоящее время, вызванные пандемическим кризисом и его последствиями, системы оказания медицинской помощи во всем мире вынуждены переходить на телемедицину или рухнуть. Этот внезапный порыв к осуществлению теперь доказывает, что эти давние убеждения верны, а забота на расстоянии жизненно важна и в высшей степени жизнеспособна.

Дистанционное лечение имеет много преимуществ. Уровень комфорта и удовлетворенности пациентов услугами телемедицины быстро растет. Они могут оставаться спокойнее и непринужденнее в своем доме с меньшими помехами и влиянием времени/графика. Медработникам это нравится, потому что позволяет им принимать больше пациентов, лучше управлять своим временем и лучше распределять медицинские ресурсы. И, конечно же, самой ясной и убедительной причиной за последние несколько месяцев для всех стала неотъемлемая способность удаленного ухода ограничивать заражение и потребность в личном контакте, когда видеочат с аугментированным устройством и компьютерная телеметрия могут получить наибольшую пользу. задачи по уходу выполняются так же хорошо.

 

Можете ли вы рассказать о некоторых технологиях, которые в настоящее время используются для удаленного мониторинга пациентов?

Есть несколько важных технологических элементов. Наиболее важным является простота использования для пациента, за которой быстро следуют безопасность и конфиденциальность данных, а также надежность приложения и данных, которые оно собирает. Например, нам нужно предотвратить случайное удаление пользователем приложения для мониторинга со своего iPad.

Еще одним важным аспектом для поставщика медицинских услуг, развертывающего работу с несколькими пациентами, является управление парком устройств и возможность отправки обновлений или технической поддержки по сети с учетом каждого пользователя или группы пользователей. Это требует:

• стандартизация обмена данными и конфиденциальности с помощью отраслевых стандартов, таких как FHIR и Continua;
• безопасная и энергоэффективная вычислительная платформа для организации данных и передачи их врачу, включая соответствующее программное обеспечение и шифрование;
• подключение через сотовую сеть, чтобы сделать пользовательские устройства автономными и не зависящими от домашнего Wi-Fi, который может быть ненадежным или даже отсутствовать;
• облачное хранилище и аналитика на бэкенде.

Кроме того, способность собирать и агрегировать данные, поступающие от пользователей, имеет основополагающее значение для предоставления врачам возможности осуществлять мониторинг и поддержку пациентов, а также для того, чтобы программное обеспечение и аналитика информировали медицинские бригады о номинальном состоянии или инициировали уведомление о тревоге для результатов, которые из толерантности.

Мы считаем, что ИИ будет играть гораздо более важную роль в мониторинге пациентов в будущем, улучшая качество обслуживания пациентов с помощью естественных голосовых опросов («Как вы себя чувствуете сегодня?», «Ваше кровяное давление кажется немного повышенным») и позволяя бригадам по уходу лучше понять состояние здоровья пациента и подобрать подходящее лечение. Благодаря использованию моделей ИИ управление здоровьем населения также будет развиваться, поскольку все данные о пациентах будут складываться во все более крупные наборы данных, что повысит точность итеративной модели обучения. Это необходимо для удаленного мониторинга в масштабе.

 

Какие проблемы необходимо решить, чтобы повысить эффективность удаленного медицинского обслуживания?

Многие из тех же проблем, которые преследуют нашу нынешнюю систему традиционного оказания помощи, также являются факторами, повышающими или препятствующими успеху удаленной помощи. К ним относятся общественные убеждения и стигмы, окружающие здравоохранение, или социально-экономические барьеры, возникающие из-за отсутствия страховки, свободного владения технологиями, необходимых устройств и возможности подключения. Разрозненные хранилища данных мешают максимизировать ценность, которую могли бы принести более крупные общие наборы данных, особенно сейчас, когда наша способность использовать обучающие программы действительно появляется.

Но есть проблемы, которые являются уникальными для удаленного ухода:

• вопросы политики и оплаты, хотя в последнее время они значительно улучшились, должны продолжать набирать обороты, чтобы расширяться с ослабленными ограничениями на то, что допустимо и подлежит возмещению в рамках дистанционной формы обслуживания;
• финансовые проблемы и нехватка капитала для инвестирования в технологии в здравоохранении требует перехода от модели капитальных затрат к модели эксплуатационных расходов. Вместо того, чтобы инвестировать в объекты и капитальные затраты на оборудование, провайдеры могут перейти к модели «оплата по мере использования», отказавшись от необходимости в большом количестве стационарной инфраструктуры и, подобно телефонной связи, платить за использованные минуты (или данные);
• пользовательский опыт, как для пациента, так и для поставщика услуг, должен продолжать улучшаться, в конечном итоге до тех пор, пока технология не исчезнет на задний план, а возможности станут интуитивно понятными и бесшовными, а процесс привлекательным с эквивалентными или лучшими результатами и структурой затрат.

В конечном счете, мы хотим, чтобы технология поддерживала уход, а не мешала ему. Если мы добьемся успеха (а мы верим, что так и будет продолжаться), то технология действительно позволит создать мост к завтрашней лучшей модели удаленного оказания помощи, создавая наилучшие возможные аргументы в пользу нормализации удаленного ухода в качестве стандарта оказания помощи. .

Спасибо за фантастическое интервью, мне понравилось больше узнать об усилиях Intel в области здравоохранения. Читатели, желающие узнать больше, должны посетить Подразделение Intel Global Health & Life Sciences.