Даве Риан, генерални директор, пословање у области здравља и природних наука у Интелу – серија интервјуа

Даве Риан води Глобално здравље и науке о животу јединица у Интелу која се фокусира на дигиталну трансформацију од ивице до облака како би прецизна брига заснована на вредностима постала стварност. Његово купци су произвођачи који праве инструменте за науке о животу, медицинску опрему, клиничке системе, рачунарске уређаје и уређаје које користе истраживачки центри, болнице, клинике, установе за стамбену негу и куће. Дејв је био у одборима Одељења за здравље и фитнес удружења потрошачке технологије, ХИМСС-ове Персонал Цоннецтед Хеалтх Аллианце, Глобалне коалиције за старење и Алијансе за повезану негу.  

Шта је Интелово пословање у области здравства и природних наука?

Интелово пословање у области здравства и науке о животу помаже клијентима да креирају решења у областима медицинског снимања, клиничких система и лабораторијских и животних наука, омогућавајући дистрибуирану, интелигентну и персонализовану негу.

Интелово здравствено пословање се фокусира на здравље становништва, медицинско снимање, клиничке системе и дигиталну инфраструктуру.

• Популатион Хеалтх испитује различите податке о пацијентима како би пружаоцима пружио увид у ризике од здравствених проблема и побољшане третмане у свим кохортама. Оптимизовани и подешени МЛ и АИ помажу групама „слој“, тако да обвезници и пружаоци услуга дају приоритет пацијентима у највећем ризику.
• Медицинско снимање (нпр. МРИ, ЦТ), генерише огромне скупове података који захтевају тачну процену без места за грешке. ХПЦ и АИ помажу бржем скенирању података о слици и идентификацији критичних фактора који помажу радиолозима у дијагнози.
• Клинички системи користе компјутерски вид, вештачку интелигенцију, ХПЦ и рубно рачунарство за праћење пацијената, роботску хирургију и телехеалтх и многе друге. Ови интелигентни системи усклађују различите изворне податке за потпуни преглед пацијената и бољу дијагнозу, уз флексибилност и скалабилност да подрже променљиве организационе потребе.
• Дигитална инфраструктура интегрише многе технологије како би омогућила нове приступе интеракцији са пацијентима, укључујући негу било где и било када где клиничари сарађују у простору и времену за управљање стањем, хирургију и аналитику.

Интелово пословање у области лабораторијских и животних наука фокусирано је на 3 основне области: Аналитика података, „Омицс и Пхарма“.

• Аналитика података користи вештачку интелигенцију да покрене низ открића и увида који помажу, између осталог, да омогуће прецизну медицину тако што осигурава да пацијенти добијају лекове који су за њих најефикаснији и тако смањују ризик од профила нежељених ефеката.
• 'омика описује и квантификује групе биолошких молекула, користећи биоинформатику и рачунарску биологију. Огромни скупови података који су овде укључени захтевају обраду високе пропусности да би се добили резултати у разумним временским оквирима. Са овом пропусношћу и новим базама података, алатима, библиотекама и оптимизацијама кода, 'омицс институције могу да смање време до резултата и трошкове развоја.
• Фарма је проучавање лекова и начина на који они ступају у интеракцију са људским биолошким системима, укључујући и на молекуларном нивоу где су науци о подацима потребни АИ и МЛ да помогну у генерисању и оптимизацији, идентификацији циља и претклиничким истраживањима. Ово резултира бољим клиничким испитивањима, паметнијим увидом у реакције и бржим откривањем нових лекова.

Када сте се лично у почетку заинтересовали за коришћење вештачке интелигенције у корист здравствене заштите?

Пролиферација АИ у многим индустријама углавном се односи на аутоматизацију тих задатака које људи рутински обављају. У здравству, вештачка интелигенција је постала оруђе кроз које повећавамо или помажемо, а не замењујемо постојећу људску експертизу да бисмо пружили истински трансформативне приступе дијагнози и лечењу. И нигде ово није јасније него у медицинском снимању, у којем су обим и сложеност података и препрека и прилика. Данас је АИ, а посебно закључивање, у стању да изврши бржа и детаљнија скенирања огромног низа информација него што то може било који човек и на тај начин не само да открива увиде који су претходно били скривени, већ и максимизира драгоцено време радиолога да достигне бољи дијагностички закључак и за више пацијената. На пример, АИ решења купаца помажу радиолозима анализирајући податке на рендгенским зрацима који би могли да укажу на присуство колапса плућа (пнеумоторакс) или ЦОВИД-а. То је заиста изванредно достигнуће које револуционише ефикасност и самог медицинског снимања и начина на који се примењује људска стручност. Сведочење такве врсте трансформације у овој једној области природно мотивише човека да тражи следећи велики скок у другим здравственим и животним наукама, где се човек и машина комбинују да би произвели нову целину која је много већа од збира делова. Корак даље је идеја да АИ може демократизовати знање у свим дисциплинама неге и учинити да оскудна људска стручност и нијансе засноване на искуству иду још даље, подижући ниво квалитета.

 

Колико је АИ важна за анализу великих података у клиничком окружењу?

Индустрије здравља и науке о животу генеришу више података са већом сложеношћу него било која друга појединачна индустрија у свету данас. И за разлику од других индустрија, ефикасно управљање и анализа тих података је питање живота и смрти. С обзиром на ове величине, вештачка интелигенција је сада незамењив покретач читавог низа потреба, како свакодневних тако и револуционарних, како у клиничким тако и у лабораторијским условима, како би се испунио троструки циљ индустрије: побољшати квалитет неге и приступ уз истовремено смањење трошкова.

На пример, електронски здравствени картони (ЕХР) омогућили су дигиталну револуцију у квалитету и ефикасности пружања неге. Нажалост, унутар ових записа налази се збркана мешавина и неструктурираних и структурираних података којима АИ може помоћи да се дигитализују у уједињеније и корисније скупове података. Оптичко препознавање карактера (ОЦР) и обрада природног језика (НЛП) су само два модела са АИ који могу да конвертују аналоге рукописа и гласа у ЕХР податке. А када се једном дигитализује, АИ се може применити на ове скупове података у многим узбудљивим случајевима коришћења.

У другим случајевима, подаци прикупљени са медицинских уређаја и камера расту и, када се комбинују са подацима о историји пацијената, аналитика може помоћи у стварању нових увида за даље персонализовање лечења. На нивоу пописа, многе болнице су већ примениле алгоритме који могу предвидети почетак сепсе ради брже интервенције, а у интензивним одељењима, софтвер може комбиновати податке на више изолованих уређаја како би створио импресивно потпуну слику тог пацијента у скоро реалном времену. Временом, сви ти снимљени и ускладиштени подаци могу се такође анализирати ради бољих предвиђања у будућности.

 

Који су неки од значајнијих случајева употребе које видите за машинско учење које анализира ове податке?

Као што је горе поменуто, НЛП алати могу помоћи да се замене ручно писање или унос података за генерисање нових докумената, као што су резимеи посета пацијената и детаљне клиничке белешке. Ово омогућава клиничарима да виде више пацијената, а пружаоцима услуга да побољшају документацију, ток рада и тачност наплате уносом налога и документације што пре у току дана.

У ширем смислу, аналитика са АИ-ом помаже добављачима да разумеју и управљају широким спектром клиничких апликација које побољшавају ефикасност и смањују трошкове. Ово омогућава болницама да боље управљају ресурсима и фино подешавају најбоље праксе, а тимовима за негу да сарађују на дијагнозама и координирају третмане и целокупну негу коју пружају како би побољшали исходе пацијената.

Клиничари могу анализирати циљане абнормалности користећи одговарајуће МЛ приступе и филтрирати структуриране информације из других сирових података. Ово може довести до брже и прецизније дијагнозе и оптималног лечења. На пример, МЛ алгоритми могу да конвертују дијагностички систем медицинских слика у аутоматизовано доношење одлука претварањем слика у машински читљив текст. МЛ и технике препознавања образаца такође могу да извуку увид из огромних количина података о клиничкој слици, којима не може управљати само човек, да би се трансформисала дијагноза, лечење и праћење пацијената.

За процену здравља становништва и управљање њиме, алгоритми МЛ могу помоћи у предвиђању будућих путања ризика, идентификовању покретача ризика и пружању решења за најбоље исходе. Модули дубоког учења интегрисани са АИ технологијама омогућавају истраживачима да тумаче сложене скупове геномских података, да предвиде специфичне типове рака (на основу профила експресије гена добијених из различитих великих скупова података) и идентификују вишеструке мете које се могу подесити лековима.

 

Можете ли детаљније објаснити како Интел сарађује са заједницом геномике да трансформише велике скупове података у биомедицинске увиде који убрзавају персонализовану негу?

Прецизна медицина обезбеђује изворе здравствених података на индивидуалном нивоу који омогућавају бољи избор циљева болести и идентификацију популација пацијената који показују побољшане клиничке исходе новим превентивним и терапијским приступима.

Геномика је камен темељац овог прецизног лека. Он пружа нацрт онога ко смо, зашто и како смо јединствени, што је критично за пружаоце услуга да разумеју док комбинују ове информације са другим подацима (слике, клиничка хемија, медицинска историја, подаци о кохорти, итд.). Клиничари користе ове информације за развој и испоруку третмана специфичних за пацијенте који су мањег ризика и ефикаснији.

Интел сарађује са заједницом геномике тако што оптимизује најчешће коришћене алате за генетичку анализу који се користе у индустрији како би најбоље радили на платформама заснованим на Интел архитектури и процесорима који их покрећу. На пример, оптимизација водећег софтвера генетске варијанте Института Броад Института, Геномиц Аналисис Тоолкит (ГАТК), на Интел хардверу који користи ОпенВИНО да би се олакшало отклањање грешака у развоју АИ модела и скалабилно примену, наглашава наш утицај и посвећеност овој индустрији. ГАТК комплет алата пружа предности биомедицинским истраживањима као што је Геномицс ДБ који ефикасно складишти датотеке величине ~200 ГБ (типично за скупове геномских података) и Геноме Кернел Либрари са АВКС512 која користи предности специфичних хардверских инструкција Интел архитектуре за убрзавање рада генома и коришћење АИ.

Убрзање брзине и смањење трошкова геномске анализе уз задржавање тачности те анализе и даље је привлачно за биомедицинске и друге истраживаче у области природних наука јер користе Интелова рачунарска решења да открију и искористе нове медицинске увиде.

 

Можете ли да продискутујете зашто верујете да је здравствена заштита на даљину толико важна?

Здравствена индустрија већ дуги низ година ради на различитим облицима и аспектима неге на даљину. Разлози за то су донедавно били интуитивно веровање и веровање да даљинска нега може бити за многе ситуације пружања неге, једнако добра или боља од традиционалних модела у клиници. Сада подстакнути пандемијском кризом и њеним утицајем, системи за пружање здравствене заштите широм света приморани су да усвоје телездравство или пропадну. Ова изненадна журба за имплементацијом сада доказује да су та дуго држана веровања истинита и да је брига на даљину витална и веома одржива.

Нега на даљину има многе предности. Удобност и задовољство пацијената пружањем здравствене неге на даљину убрзано расте. Они су у стању да остану мирнији и опуштенији у свом дому са мање поремећаја и утицаја на време/распоред. Пружаоци услуга то воле јер им омогућава да виде више пацијената и боље управљају својим временом и боље распоређују клиничке ресурсе за страх. И наравно, оно што је постало најјаснији и најубедљивији разлог ових последњих неколико месеци за све је инхерентна способност неге на даљину да ограничи заразу и потреба за личним контактом када видео ћаскање са проширеним уређајем и компјутерском телеметријом може да добије највише задаци пружања неге обављени исто тако добро.

 

Можете ли да разговарате о неким технологијама које се тренутно користе за даљинско праћење пацијената?

Постоји неколико критичних технолошких елемената. Најважнија је једноставност употребе за пацијента, брзо праћена сигурношћу и приватношћу података, као и робусност апликације и података које снима. На пример, морамо да спречимо корисника да случајно избрише апликацију за надгледање са свог иПад-а.

Још један критичан аспект за пружаоца неге који користи више пацијената је управљање возним парком и могућност слања ажурирања или техничке подршке низ жицу и прилагођена сваком кориснику или групи корисника. Ово захтева:

• стандардизација размене података и приватности са индустријским стандардима као што су ФХИР и Цонтинуа;
• безбедна и енергетски ефикасна рачунарска платформа за оркестрирање података и њихово преношење назад клиничару, укључујући одговарајући софтвер и шифровање;
• повезивање преко мобилне мреже како би уређаји корисника били самостални и не зависни од Ви-Фи-ја код куће који може бити непоуздан или чак непостојећи;
• складиштење у облаку и аналитика на позадини.

Поред тога, могућност прикупљања и обједињавања података који стижу од корисника је од суштинског значаја за омогућавање клиничарима да врше праћење и подршку пацијената, као и да софтвер и аналитика обавештавају тимове за негу о номиналном стању или иницирају обавештење о аларму за резултате који су из толеранције.

Верујемо да ће вештачка интелигенција играти много већу улогу у напредовању праћења пацијената, побољшавајући искуство пацијената кроз природне гласовне анкете („Како се осећате данас?“, „Ваш крвни притисак изгледа мало висок“) и омогућавајући тимовима за негу да се побољшају. разумети здравље пацијента и идентификовати одговарајуће третмане. Коришћењем АИ модела, управљање здрављем становништва ће такође напредовати са савијањем свих података о пацијентима у све веће скупове података који побољшавају тачност итеративног модела учења. Ово је од суштинског значаја за даљинско надгледање на великом нивоу.

 

Који су неки од проблема које треба превазићи да би се повећала стопа успеха здравствене заштите на даљину?

Многа од истих питања која муче наш тренутни систем традиционалног пружања неге такође су фактори у побољшању или спречавању успеха неге на даљину. То укључује веровања у подсегмент друштва и стигме које окружују здравствену заштиту, или социо-економске препреке које произилазе из недостатка осигурања, течности технологије, потребних уређаја и повезаности. Силоси података спречавају максимизирање вредности коју би већи скупови заједничких података могли да произведу, посебно сада када се заиста појављује наша способност да искористимо програме учења.

Али постоје изазови који су јединствени за негу на даљину:

• питања политике и плаћања, иако су знатно побољшана у последње време, морају наставити са позитивним замахом да се прошире уз олаксана ограничења у погледу онога што је дозвољено и надокнадиво према модалитету неге на даљину;
• финансијски изазови и недостатак капитала за улагање у технологију у здравству захтевају конверзију са ЦапЕк модела на ОпЕк модел. Уместо да улажу у објекте и опрему за капитална улагања, провајдери могу да пређу на модел „плати како идеш“, избегавајући потребу за великом количином фиксне инфраструктуре и, попут телефонских услуга, плаћају за утрошене минуте (или податке);
• корисничко искуство, и за пацијента и за пружаоца услуга, мора наставити да се побољшава, на крају до места где технологија нестаје у позадини, а могућности су интуитивне и беспрекорне, а процес убедљив са еквивалентним или бољим резултатима и структуром трошкова.

На крају крајева, желимо да технологија подржава пружање неге, а не да јој стоји на путу. Ако будемо успешни (а верујемо да јесмо и да ћемо то бити), онда ће технологија заиста омогућити мост ка сутрашњем бољем моделу пружања неге на даљину, чинећи најбољи могући случај за нормализацију неге на даљину као стандарда пружања неге .

Хвала вам на фантастичном интервјуу, уживао сам да сазнам више о Интеловим здравственим напорима. Читаоци који желе да сазнају више треба да посете Интелово глобално пословање у области здравља и науке о животу.