Dave Ryan, General Manager, Health & Life Sciences Business at Intel – Intervju-serie

Dave Ryan leder Global Health & Life Sciences business-enheten på Intel som fokuserar på digital transformation från edge-to-cloud för att göra precisionsbaserad, värdebaserad vård till verklighet. Hans kunder är tillverkare som bygger livsvetenskapsinstrument, medicinsk utrustning, kliniska system, beräkningsenheter och enheter som används av forskningscenter, sjukhus, kliniker, boenden och hem. Dave har suttit i styrelserna för Consumer Technology Association Health & Fitness Division, HIMSS’ Personal Connected Health Alliance, Global Coalition on Aging och Alliance for Connected Care.  

Vad är Intel’s Health & Life Sciences Business?

Intel’s Health & Life Sciences business hjälper kunder att skapa lösningar inom områdena medicinsk avbildning, kliniska system och labb- och livsvetenskap, vilket möjliggör distribuerad, intelligent och personanpassad vård.

Intel’s Health business fokuserar på befolkningshälsa, medicinsk avbildning, kliniska system och digital infrastruktur.

• Befolkningshälsa undersöker diversifierad patientdata för att ge vårdgivare insikt i risker för medicinska problem och förbättrade behandlingsalternativ över kohorter. Optimerad och justerad ML och AI hjälper till att “gruppera” grupper, så att betalare och vårdgivare kan prioritera patienter med störst risk.
• Medicinsk avbildning (t.ex. MRI, CT), genererar enorma datamängder som kräver exakt utvärdering med noll fel. HPC och AI hjälper till att snabbare skanna avbildningsdata och identifiera kritiska faktorer för att assistera radiologer vid diagnos.
• Kliniska system använder datorseende, AI, HPC och edge computing för patientövervakning, robotkirurgi och telehälsa och många andra. Dessa intelligenta system sammanställer diversifierad källdata för en komplett patientvy och bättre diagnos, med flexibilitet och skalbarhet för att stödja förändrade organisatoriska behov.
• Digital infrastruktur integrerar många teknologier för att möjliggöra nya tillvägagångssätt för patientinteraktion, inklusive vård var som helst och när som helst, där kliniker samarbetar över tid och rum för tillståndsbehandling, kirurgi och analys.

Intel’s Lab and Life Sciences business fokuserar på tre primära områden: Data Analytics, ‘Omics och Pharma.

• Data Analytics använder AI för att driva en kaskad av upptäckter och insikter som hjälper till att möjliggöra, bland annat, precisionsmedicin genom att säkerställa att patienter får de läkemedel som är mest effektiva för dem, och därmed minska risken för biverkningar.
• ‘Omics beskriver och kvantifierar biologiska molekylgrupper med hjälp av bioinformatik och beräkningsbiologi. De enorma datamängder som är involverade här kräver höghastighetsbearbetning för att få resultat inom rimliga tidsramar. Med denna kapacitet och nya databaser, verktyg, bibliotek och kodoptimeringar kan ‘omics-institutioner minska tiden till resultat och utvecklingskostnader.
• Pharma är studiet av läkemedel och hur de interagerar med mänskliga biologiska system, inklusive på molekylär nivå, där datavetenskap behöver AI och ML för att assistera med ledningsgenerering och optimering, målidentifiering och preklinisk forskning. Detta resulterar i bättre kliniska prövningar, smartare reaktionsinsikter och snabbare upptäckt av nya läkemedel.

När blev du personligen intresserad av att använda AI för att gynna hälso- och sjukvården?

Spridningen av AI över många branscher har till stor del handlat om att automatisera uppgifter som vanligtvis utförs av människor. Inom hälso- och sjukvården har AI blivit ett verktyg genom vilket vi kompletterar eller assisterar, inte ersätter, befintlig mänsklig expertis för att leverera verkligen transformerande tillvägagångssätt för diagnos och behandling. Och ingenstans är detta tydligare än inom medicinsk avbildning, där datavolym och komplexitet är både hinder och möjlighet. Idag kan AI, och inferens i synnerhet, utföra snabbare och mer detaljerade skanningar av enorma mängder information än någon människa kan, och därigenom inte bara avslöja insikter som tidigare var dolda, utan också maximera den värdefulla tiden för radiologen för att nå en bättre diagnostisk slutsats och för fler patienter. Till exempel kan AI-lösningar från kunder hjälpa radiologer genom att analysera data i röntgenbilder som kan indikera förekomsten av en kollapsad lunga (pneumotorax) eller COVID. Det är en verkligen anmärkningsvärd prestation som revolutionerar effektiviteten i både medicinsk avbildning och hur mänsklig expertis tillämpas. Att bevittna den typen av transformation inom detta område motiverar en att söka efter nästa stora språng inom andra hälso- och livsvetenskapsområden där människa och maskin kombineras för att producera en ny helhet som är så mycket större än summan av delarna. Att ta detta ett steg längre är idén att AI kan demokratisera kunskap över vård discipliner och göra sällsynt mänsklig expertis och erfarenhetsbaserad nyans gå ännu längre, vilket höjer kvalitetsnivån.

Hur viktigt är AI för att analysera stora datamängder i en klinisk miljö?

Hälso- och livsvetenskapsindustrin genererar mer data med större komplexitet än någon annan enskild industri i världen idag. Och till skillnad från andra industrier är effektiv hantering och analys av dessa data en fråga om liv och död. Med tanke på dessa magnituder är AI nu en oumbärlig möjliggörare av en mängd olika behov, både vardagliga och banbrytande, i både kliniska och laboratoriemiljöer för att hantera branschens Triple Aim: Förbättra vårdkvalitet och tillgänglighet samtidigt som kostnaderna minskas.

Till exempel har elektroniska hälsoregister (EHR) möjliggjort en digital revolution inom vårdkvalitet och effektivitet. Tyvärr innehåller dessa register en rörig blandning av både ostrukturerad och strukturerad data, som AI kan hjälpa till att digitalisera till mer enhetliga och användbara datamängder. Optisk teckenigenkänning (OCR) och naturlig språkbehandling (NLP) är bara två AI-aktiverade modeller som kan konvertera analoger av handstil och röst till EHR-data. Och när datamängderna väl är digitaliserade kan AI tillämpas på dessa datamängder i många spännande användningsfall.

I andra fall växer datamängderna som samlas in från medicinska enheter och kameror, och när dessa kombineras med patienthistorikdata kan analyser hjälpa till att driva nya insikter för att ytterligare personanpassa behandlingen. På en befolkningsnivå har många sjukhus redan distribuerat algoritmer som kan förutsäga sepsis på ett tidigare stadium för snabbare ingripande, och på intensivvårdsavdelningar kan programvara kombinera data från flera isolerade enheter för att skapa en imponerande komplett bild av patienten i nära realtid. Över tiden kan all insamlad och lagrad data också analyseras för bättre förutsägelser i framtiden.

Vilka är några av de mest anmärkningsvärda användningsfallen som du ser för maskinlärning som analyserar dessa data?

Som nämnts ovan kan NLP-verktyg hjälpa till att ersätta manuell skrivning eller datainmatning för att generera nya dokument, som patientbesöks sammanfattningar och detaljerade kliniska anteckningar. Detta möjliggör för kliniker att se fler patienter och för vårdgivare att förbättra dokumentation, arbetsflöde och faktureringsnoggrannhet genom att ange beställningar och dokumentation tidigare på dagen.

Mer allmänt hjälper AI-aktiverad analys vårdgivare att förstå och hantera en mängd olika kliniska tillämpningar som förbättrar effektivitet och minskar kostnader. Detta möjliggör för sjukhus att bättre hantera resurser och finjustera bästa praxis, och för vårdteam att samarbeta om diagnoser och koordinera behandlingar och den totala vården de tillhandahåller patienterna.

Kliniker kan analysera för målinriktade avvikelser med hjälp av lämpliga ML-tillvägagångssätt och filtrera ut strukturerad information från andra rådata. Detta kan leda till snabbare och mer exakta diagnoser och optimala behandlingsalternativ. Till exempel kan ML-algoritmer konvertera det diagnostiska systemet för medicinska bilder till automatiserat beslutsfattande genom att konvertera bilder till maskinläsbar text. ML- och mönsterigenkänningstekniker kan också dra insikter från enorma volymer av kliniska bilddata, som är omöjliga för en människa att hantera, för att omvandla diagnos, behandling och övervakning av patienter.

För att bedöma och hantera befolkningshälsa kan ML-algoritmer hjälpa till att förutsäga framtida riskbanor, identifiera riskfaktorer och tillhandahålla lösningar för de bästa resultaten. Djupinlärningsmoduler integrerade med AI-teknologier möjliggör för forskare att tolka komplexa genetiska datamängder, förutsäga specifika typer av cancer (baserat på genuttrycksprofiler som erhållits från olika stora datamängder) och identifiera flera läkemedelsmål.

Kan du förklara hur Intel samarbetar med genomicsamhället för att omvandla stora datamängder till biomedicinska insikter som accelererar personanpassad vård?

Precisionsmedicin tillhandahåller individuella hälsodatakällor som möjliggör bättre urval av sjukdomsmål och identifiering av patientpopulationer som visar förbättrade kliniska resultat för nya förebyggande och terapeutiska tillvägagångssätt.

Genomik är hörnstenen i denna precisionsmedicin. Den tillhandahåller ritningen för vem vi är och varför och hur vi är unika, vilket är avgörande för vårdgivare att förstå när de kombinerar denna information med annan data (bilder, klinisk kemi, medicinsk historia, kohortdata etc.). Kliniker använder denna information för att utveckla och leverera patient-specifika behandlingar som är lägre risk och mer effektiva.

Intel samarbetar med genomicsamhället genom att optimera de vanligaste genetiska analysverktygen som används inom branschen för att fungera bäst på Intel-arkitektur-baserade plattformar och processorer som driver dem. Till exempel optimering av Broad Institute’s branschledande genetiska variantprogram, Genomic Analysis Toolkit (GATK), på Intel-hårdvara med OpenVINO för att underlätta AI-modellutveckling, felsökning och skalbar distribution, belyser vår påverkan och åtagande i denna bransch. GATK-verktyget tillhandahåller fördelar för biomedicinsk forskning, såsom Genomics DB som effektivt lagrar filer ~200GB i storlek (typiskt för genetiska datamängder) och Genome Kernel Library som kör AVX512 som utnyttjar specifika Intel-arkitektur-hårdvaruinstruktioner för att accelerera genetiska arbetsbelastningar och AI-användning.

Att accelerera hastigheten och minska kostnaden för genetisk analys samtidigt som analysens noggrannhet upprätthålls, fortsätter att vara angeläget för biomedicinska och andra livsvetenskapsforskare som använder Intel-beräkningslösningar för att upptäcka och utnyttja nya medicinska insikter.

Kan du diskutera varför du tror att distanshälsovård är så viktig?

Hälso- och sjukvårdsbranschen har arbetat med olika former och aspekter av distansvård i många år. Anledningarna till detta har varit, tills nyligen, en intuitiv och hoppfull tro att distansvård kan vara lika bra som eller bättre än traditionella mottagningsmodeller för många vårdleveranssituationer. Nu, driven av pandemikrisen och dess påverkan, tvingas hälsovårdssystem runt om i världen att anta telehälsa eller kollapsa. Denna plötsliga rusning för att implementera bevisar nu att dessa långvariga övertygelser är sanna och att distansvård är både livsviktig och högst livskraftig.

Distansvård har många fördelar. Patienternas komfort och tillfredsställelse med telehälsa ökar snabbt. De kan stanna kvar i sitt hem, med mindre störning och tids-/schemapåverkan. Vårdgivare gillar det eftersom det möjliggör för dem att se fler patienter och bättre hantera sin egen tid och sina begränsade kliniska resurser. Och naturligtvis, vad som har blivit den tydligaste och mest övertygande anledningen under de senaste månaderna för alla, är den inneboende förmågan hos distansvård att begränsa smitta och behovet av fysisk kontakt när en videokonferens med förstärkt enhets- och datatelemetri kan utföra de flesta vårdleveransuppgifter lika bra.

Kan du diskutera några av de teknologier som för närvarande används för distanspatientövervakning?

Det finns flera kritiska tekniska komponenter. Den viktigaste är användarvänlighet för patienten, snabbt följt av datasäkerhet och sekretess, och robustheten i applikationen och de data den samlar in. Till exempel måste vi förhindra att en användare av misstag tar bort en övervakningsapp från sin iPad.

En annan kritisk aspekt för en vårdgivare som distribuerar över flera patienter är flottledning och möjligheten att skicka uppdateringar eller teknisk support nedåt och anpassad till varje användare eller användargrupp. Detta kräver:

• standardisering av datautbyte och sekretess med branschstandarder som FHIR och Continua;
• säker och energisnål beräkningsplattform för att orkestrera data och kommunicera den tillbaka till kliniken, inklusive lämplig programvara och kryptering;
• anslutning via ett cellulärt nätverk för att göra användarenheter fristående och inte beroende av Wi-Fi hemma som kan vara opålitlig eller till och med obefintlig;
• molnlagring och analys på backend.

Utöver detta är förmågan att samla in och aggregera data som strömmar in från användare grundläggande för att möjliggöra för kliniker att utföra patientövervakning och stöd, och för programvara och analyser att informera vårdteam om en nominell tillstånd eller initiera en larmnotifikation för resultat som ligger utanför tolerans.

Vi tror att AI kommer att spela en mycket större roll i patientövervakning i framtiden, förbättra patientupplevelsen genom naturliga röstsamtal (“Hur mår du idag?”, “Ditt blodtryck verkar vara lite högt”) och tillåta vårdteam att bättre förstå en patients hälsa och identifiera lämpliga behandlingsalternativ. Genom användning av AI-modeller kommer befolkningshälsohantering också att utvecklas med all patientdata som infogas i allt större datamängder, vilket förbättrar noggrannheten i ett iterativt lärande modell. Detta är avgörande för distansövervakning i stor skala.

Vilka är några av de problem som måste övervinnas för att öka framgångsfrekvensen för distanshälsovård?

Många av de samma frågorna som plågar vårt nuvarande system för traditionell vårdleverans är också faktorer som förbättrar eller hindrar framgången för distansvård. Dessa inkluderar samhällsundersegmentens övertygelser och stigmatisering av hälsovård, eller socioekonomiska hinder som härrör från brist på försäkring, teknisk kompetens, krävda enheter och anslutning. Data silos förhindrar maximalt värde som större delade datamängder kunde producera, särskilt nu när vår förmåga att utnyttja lärandeprogram är verkligen på väg att utvecklas.

Men det finns utmaningar som är unika för distansvård:

• politiska och betalningsfrågor, även om de har förbättrats avsevärt nyligen, måste fortsätta sin positiva utveckling för att expandera med avslappnade restriktioner för vad som är tillåtet och ersättning via distansvårdmodell;
• finansiella utmaningar och brist på kapital för att investera i teknik inom hälsovården kräver en omvandling från en CapEx-modell till en OpEx-modell. Snarare än att investera i anläggningar och CapEx-utrustning kan vårdgivare byta till en “betala-efter-användning”-modell, och därmed undvika behovet av en stor mängd fast infrastruktur, och som telefonitjänst, betala för de “minuter” (eller data) som används;
• användarupplevelsen, för både patient och vårdgivare, måste fortsätta att förbättras, till slut till den punkt där tekniken försvinner i bakgrunden, och funktionerna är intuitiva och sömlösa och processen är övertygande med likvärdiga eller bättre resultat och kostnadsstrukturer.

Till slut vill vi att tekniken ska stödja vården, inte stå i vägen för den. Om vi är framgångsrika (och vi tror att vi är och kommer att fortsätta vara), då kommer tekniken verkligen att möjliggöra en bro till morgondagens bättre modell för distansvård, och göra det bästa fallet för normaliseringen av distansvård som standard för vårdleverans.

Tack för den fantastiska intervjun, jag njöt av att lära mig mer om Intels hälsoinsatser. Läsare som vill lära sig mer bör besöka Intels Global Health & Life Sciences business.