Дэйв Райан, Генеральный директор, Здравоохранение и Науки о Жизни в Intel – Серия Интервью

Дэйв Райан возглавляет глобальный бизнес-подразделение Здравоохранение и Науки о Жизни в Intel, которое фокусируется на цифровой трансформации от края до облака, чтобы сделать точную, основанную на стоимости помощь реальностью. Его клиенты – это производители, которые создают инструменты для наук о жизни, медицинское оборудование, клинические системы, вычислительные приборы и устройства, используемые исследовательскими центрами, больницами, клиниками, учреждениями резидентного ухода и дома. Дэйв входил в состав советов Ассоциации потребительской технологии Здравоохранение и Фитнес-Дивизион, Персональный подключенный альянс здравоохранения HIMSS, Глобальный коалиционный старение и Альянс подключенного ухода.  

Что такое бизнес Здравоохранение и Науки о Жизни Intel?

Бизнес Здравоохранение и Науки о Жизни Intel помогает клиентам создавать решения в области медицинской визуализации, клинических систем и лабораторных и научных исследований, что позволяет обеспечить распределенную, интеллектуальную и персонализированную помощь.

Бизнес Здравоохранение Intel фокусируется на популяционном здравоохранении, медицинской визуализации, клинических системах и цифровой инфраструктуре.

• Популяционное Здравоохранение анализирует разнообразные данные пациентов, чтобы дать поставщикам представление о рисках медицинских проблем и улучшении методов лечения в когортах. Оптимизированные и настроенные МЛ и ИИ помогают “тирить” группы, чтобы плательщики и поставщики 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 ИИ помогают более быстро сканировать изображения и выявлять критические факторы, чтобы помочь радиологам в диагностике.
• Клинические системы используют компьютерное зрение, ИИ, высокопроизводительные вычисления и вычисления на краю для мониторинга пациентов, роботизированной хирургии и телемедицины и многих других. Эти интеллектуальные системы согласовывают разнообразные источники данных для полного представления пациента и лучшей диагностики, с гибкостью и масштабируемостью для поддержки меняющихся организационных потребностей.
• Цифровая инфраструктура интегрирует 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 Лаборатории и Науки о Жизни Intel фокусируется на 3 основных областях: Анализ данных, ‘Омики и Фарма.

• Анализ данных использует ИИ, чтобы стимулировать каскад открытий и представлений, которые помогают обеспечить, среди прочего, точную медицину, гарантируя, что пациенты получают лекарства, которые наиболее эффективны для них, и снижая риск побочных эффектов.
• ‘Омики описывает и количественно оценивает группы биологических молекул, используя биоинформатику и вычислительную биологию. Огромные наборы данных, задействованные здесь, требуют высокопроизводительной обработки, чтобы получить результаты в разумные сроки. С этой производительностью и новыми базами данных, наборами инструментов, библиотеками и оптимизацией кода ‘омические учреждения могут сократить время до получения результатов и стоимости разработки.
• Фарма – это изучение лекарств и того, как они взаимодействуют с биологическими системами человека, включая на молекулярном уровне, где наука о данных требует ИИ и МЛ, чтобы помочь с генерацией лидеров и оптимизацией, идентификацией целей и доклиническими исследованиями. Это приводит к лучшим клиническим испытаниям, умным представлениям о реакциях и более быстрому открытию новых лекарств.

Когда вы лично впервые заинтересовались использованием ИИ для пользы здравоохранения?

Распространение ИИ по многим отраслям в основном было связано с автоматизацией задач, обычно выполняемых людьми. В здравоохранении ИИ стал инструментом, с помощью которого мы дополняем или помогаем, не заменяя, существующую человеческую экспертизу, чтобы обеспечить действительно 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 ИИ, и, в частности, вывод, может выполнять более быстрые и подробные сканирования огромных массивов информации, чем любой человек, и, делая это, не только раскрывает представления, ранее скрытые, но и максимизирует ценное время радиолога, чтобы прийти к лучшему диагностическому выводу и для большего количества пациентов. Например, решения ИИ от клиентов помогают радиологам, анализируя данные в рентгеновских снимках, которые могут указывать на наличие коллапса легкого (пневмоторакс) или COVID. Это действительно замечательное достижение, которое революционизирует эффективность как самой медицинской визуализации, так и того, как человеческая экспертиза применяется. 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 новую целостность, намного большую, чем сумма частей. Перенос этого на следующий уровень – идея о том, что ИИ может демократизировать знания по уходу и сделать редкую человеческую экспертизу и нюансы, основанные на опыте, еще дальше, повышая уровень качества.

Насколько важно ИИ для анализа больших данных в клинической обстановке?

Отрасли Здравоохранение и Науки 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, ИИ теперь является незаменимым средством для удовлетворения ряда потребностей, как обыденных, так и прорывных, в клинической и лабораторной обстановке для решения цели отрасли: Улучшить качество ухода и доступ, снижая затраты.

Например, электронные записи здоровья (ЭЗ) обеспечили цифровую революцию в качестве и эффективности оказания медицинской помощи. К сожалению, в этих записях есть запутанная смесь как неструктурированных, так и структурированных данных, которую ИИ может помочь оцифровать в более унифицированные и полезные наборы данных. Оптическое распознавание символов (OCR) и обработка естественного языка (NLP) – это только две модели, основанные на ИИ, которые могут преобразовать аналоги рукописного и голосового ввода в данные ЭЗ. И как только они оцифрованы, ИИ 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 истории пациента, аналитика может помочь стимулировать 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 полное представление о пациенте в режиме реального времени. Со временем все эти захваченные и хранящиеся данные также могут быть проанализированы для лучших прогнозов в будущем.

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

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

Более широко, аналитика, основанная на ИИ, 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, и командам ухода сотрудничать в диагнозах и координировать методы лечения и общую помощь, которую они оказывают пациентам.

Клиницисты могут анализировать нацеленные аномалии, используя подходящие подходы МЛ, и фильтровать структурированную информацию из других сырых данных. Это может привести к более быстрой и точной диагностике и оптимальным методам лечения. Например, алгоритмы МЛ могут преобразовать диагностическую систему медицинских изображений в автоматическое принятие решений, преобразуя изображения в текст, читаемый машиной. Техники МЛ и распознавания образов также могут извлекать представления из огромных объемов клинических изображений, которые не поддаются человеческой обработке, чтобы преобразовать диагностику, лечение и мониторинг пациентов.

Чтобы оценить и управлять популяционным здравоохранением, алгоритмы МЛ могут помочь предсказать будущие траектории риска, выявить факторы риска и предоставить решения для лучших результатов. Модули глубокого обучения, интегрированные с технологиями ИИ, позволяют исследователям интерпретировать сложные геномные наборы данных, предсказывать конкретные виды рака (на основе профилей экспрессии генов, полученных из различных крупных наборов данных) и выявлять множество целевых объектов для лекарств.

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

Точная медицина обеспечивает источники данных о здоровье на уровне отдельного человека, что позволяет лучше выбирать цели заболеваний и выявлять популяции пациентов, которые демонстрируют 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 имеет решающее значение для поставщиков, чтобы понять, когда они объединяют эту информацию с другими данными (изображениями, клинической химии, медицинской истории, когортными данными и т. д.). Клиницисты используют эту информацию, чтобы разработать и оказать 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 на основе архитектуры Intel. Например, оптимизация программного обеспечения генетического анализа Broad Institute, отраслевого лидера, на аппаратном обеспечении Intel с помощью OpenVINO для облегчения разработки, отладки и развертывания моделей ИИ, подчеркивает наш вклад и приверженность этой отрасли. Программное обеспечение GATK обеспечивает выгоды для биомедицинских исследований, такие как Genomics DB, который эффективно хранит файлы размером ~200 ГБ (типичные для геномных наборов данных) и Genome Kernel Library, который запускает AVX512, чтобы воспользоваться конкретными аппаратными инструкциями архитектуры Intel и ускорить геномные рабочие процессы и использование ИИ.

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 решения вычислений Intel, чтобы открыть и использовать новые медицинские представления.

Можете ли вы обсудить, почему вы считаете, что удаленный уход является так важен?

Отрасль здравоохранения работала над различными формами и аспектами удаленного ухода в течение многих лет. Причины этого были, до недавнего времени, интуитивным и надеясь на убеждение, что удаленный уход может быть для многих ситуаций оказания медицинской помощи таким же хорошим или даже лучше, чем традиционные модели в клинике. Теперь, подстегнутый кризисом пандемии и его воздействием, системы здравоохранения по всему миру вынуждены принять телемедицину или рухнуть. Этот внезапный рывок к реализации теперь доказывает, что эти давние убеждения являются истинными, и уход на расстоянии является жизненно важным и высоко жизнеспособным.

Удаленный уход имеет много преимуществ. Комфорт и удовлетворенность пациентов телемедицинским уходом растут быстро. Они могут оставаться спокойными и комфортными дома, с меньшим нарушением и воздействием на время/график. Поставщики любят это, потому что это позволяет им видеть больше пациентов и лучше управлять своим временем и более эффективно распределять дефицитные клинические ресурсы. И, конечно, то, что стало самой ясной и убедительной причиной для всех в последние месяцы, является врожденной способностью удаленного ухода ограничить распространение заболеваний и необходимость личного контакта, когда видеочат с дополнительными устройствами и вычислениями может выполнить большинство задач по оказанию медицинской 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 которой следует безопасность и конфиденциальность данных, и надежность приложения и захваченных данных. Например, нам нужно предотвратить случайное удаление пользователем мониторингового приложения с его iPad.

Другим критическим аспектом для поставщика, развертывающего удаленный уход у нескольких пациентов, является управление флотом и возможность отправлять обновления или техническую поддержку по проводу и адаптировать ее для каждого пользователя или когорты пользователей. Для этого требуется:

• стандартизация обмена данными и конфиденциальности с отраслевыми стандартами, такими как FHIR и Continua;
• безопасная и энергоэффективная вычислительная платформа для оркестровки данных и их передачи обратно 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 отсутствовать;
• облачное хранение и аналитика на стороне сервера.

Кроме того, возможность собирать и агрегировать данные, поступающие от пользователей, является фундаментальной для того, чтобы клиницисты могли выполнять мониторинг пациентов и поддержку, и чтобы программное обеспечение и аналитика информировали команды ухода о номинальном состоянии или инициировали уведомление об тревоге для результатов, которые находятся вне допустимых пределов.

Мы считаем, что ИИ будет играть намного большую роль в мониторинге пациентов в будущем, улучшая опыт пациента через естественные голосовые опросы (“Как вы себя чувствуете сегодня?”, “Ваше кровяное давление кажется немного высоким”) и позволяя командам ухода лучше понять здоровье пациента и выявлять подходящие методы лечения. Благодаря использованию моделей ИИ, управление популяционным здоровьем также будет прогрессировать, когда все данные пациентов будут включены в более крупные наборы данных, что улучшит точность итеративной модели обучения. Это важно 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 ухода, также являются факторами, которые улучшают или препятствуют успеху удаленного ухода. Это включает в себя социальные под-сегменты убеждений и стигмы, окружающие здравоохранение, или социально-экономические барьеры, исходящие из отсутствия страхования, технической грамотности, необходимых устройств и связности. Силосы данных предотвращают максимизацию ценности, которую более крупные общие наборы данных могли бы произвести, особенно теперь, когда наша способность использовать программы обучения действительно появляется.

Но есть проблемы, которые уникальны для удаленного ухода:

• вопросы политики и оплаты, хотя и значительно улучшенные в последнее время, должны продолжать свой положительный импульс, чтобы расширить их с ослабленными ограничениями на то, что допустимо и возмещаемо через модальность удаленного ухода;
• финансовые проблемы и отсутствие капитала для инвестиций в технологии здравоохранения требуют перехода от модели CapEx к модели OpEx. Вместо инвестиций в объекты и оборудование CapEx поставщики могут перейти на “платеж по мере использования” модель, отказываясь от необходимости многочисленной фиксированной инфраструктуры и, как телефонная служба, платя 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 структурами затрат.

В конечном итоге мы хотим, чтобы технология поддерживала оказание медицинской 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 ухода, делая лучший возможный случай для нормализации удаленного ухода в качестве стандартной модели оказания медицинской помощи.

Спасибо за фантастический интервью, мне было интересно узнать больше об усилиях Intel в области здравоохранения. Читателям, которые хотят узнать больше, следует посетить Глобальный бизнес Здравоохранение и Науки о Жизни Intel.