Дейв Райан, Генеральний менеджер, Здоров’я та наукові дослідження в Intel – Серія інтерв’ю

Дейв Райан керує глобальним напрямком здоров’я та наукові дослідження в Intel (INTC ), який зосереджується на цифровій трансформації від краю до хмари, щоб зробити точну, засновану на вартості допомогу реальністю. Його клієнтами є виробники, які створюють інструменти для наукових досліджень, медичне обладнання, клінічні системи, обчислювальні пристрої та пристрої, які використовуються дослідницькими центрами, лікарнями, клініками, закладами стаціонарного лікування та вдома. Дейв входив до складу ради Асоціації споживчої техніки у сфері охорони здоров’я та фітнесу,(Personal Connected Health Alliance), Глобальної коаліції зі старіння та Альянсу з підключеної допомоги.  

Що таке напрям здоров’я та наукові дослідження в Intel?

Напрямок здоров’я та наукові дослідження в Intel допомагає клієнтам створювати рішення в області медичної візуалізації, клінічних систем, лабораторних та наукових досліджень, забезпечуючи розподілену, інтелектуальну та персоналізовану допомогу.

Напрямок охорони здоров’я в Intel зосереджується на популяційному здоров’ї, медичній візуалізації, клінічних системах та цифровій інфраструктурі.

• Популяційне здоров’я вивчає різноманітні дані пацієнтів, щоб надати постачальникам інформації про ризики медичних проблем та покращення лікування у різних групах. Оптимізовані та налаштовані моделі машинного навчання та штучного інтелекту допомагають «розряджувати» групи, щоб платники та постачальники могли пріоритезувати пацієнтів, які знаходяться під найбільшою загрозою.
• Медична візуалізація (наприклад, МРТ, КТ) генерує величезні набори даних, які вимагають точної оцінки без можливості помилки. Обчислювальні засоби та штучний інтелект допомагають швидше сканувати дані зображень та визначати критичні фактори, щоб допомогти радіологам у діагнозі.
• Клінічні системи використовують комп’ютерне зору, штучний інтелект, обчислювальні засоби та краєві обчислення для моніторингу пацієнтів, роботизованої хірургії, телемедицини та багатьох інших. Ці інтелектуальні системи узгоджують різноманітні джерела даних для повного огляду пацієнта та покращення діагностики, з гнучкістю та масштабованістю для підтримки змінних організаційних потреб.
• Цифрова інфраструктура інтегрує багато технологій для реалізації нових підходів до взаємодії з пацієнтами, включаючи допомогу в будь-якому місці та в будь-який час, коли клініцисти співпрацюють у просторі та часі для управління станом, хірургії та аналітики.

Напрямок лабораторних та наукових досліджень в Intel зосереджується на трьох основних напрямках: аналізі даних, «оміках» та фармацевтиці.

• Аналіз даних використовує штучний інтелект для запуску каскаду відкриттів та інсайтів, які допомагають забезпечити, серед іншого, точну медицину, гарантуючи, що пацієнти отримують найефективніші ліки для них, та знижуючи ризик побічних ефектів.
• «Оміки» описують та кількісно оцінюють групи біологічних молекул, використовуючи біоінформатику та обчислювальну біологію. Масивні набори даних, які використовуються тут, вимагають високопродуктивного оброблення для отримання результатів у розумних термінах. З цим пропускною спроможністю та новими базами даних, інструментами, бібліотеками та оптимізацією коду, установи «оміків» можуть скоротити час отримання результатів та знижувати витрати на розробку.
• Фармацевтика є вивченням ліків та їх взаємодії з біологічними системами людини, включаючи молекулярний рівень, де наукові дані потребують штучного інтелекту та машинного навчання для допомоги у генерації лідерів та оптимізації, ідентифікації цілей та доклінічних досліджень. Це призводить до кращих клінічних випробувань, розумніших інсайтів реакцій та швидшого відкриття нових ліків.

Коли ви особисто спочатку стали цікавитися використання штучного інтелекту на користь охорони здоров’я?

Поширення штучного інтелекту в багатьох галузях було в основному пов’язано з автоматизацією завдань, які люди виконують регулярно. В охороні здоров’я штучний інтелект став інструментом, за допомогою якого ми доповнюємо або допомагаємо існуючій людській експертизі для надання真正о трансформаційних підходів до діагностики та лікування. І ніде це не є більш очевидним, ніж у медичній візуалізації, де обсяг та складність даних є одночасно бар’єром та можливістю. Сьогодні штучний інтелект та інферентне моделювання можуть виконувати більш швидкі та детальні сканиування величезних масивів інформації, ніж будь-яка людина, та не тільки відкривають інсайти, які раніше були приховані, але й максимізують цінний час радіолога, щоб досягти кращого діагностичного висновку та для більшої кількості пацієнтів. Наприклад, рішення штучного інтелекту клієнтів допомагають радіологам, аналізуючи дані з рентгенівських зображень, які можуть вказувати на наявність колапсу легені (пневмоторакс) або COVID. Це є真正 справді видатним досягненням, яке революціонізує ефективність як медичної візуалізації самої по собі, так і застосування людської експертизи. Свідчення такого роду трансформації в цій галузі природно мотивує одного до пошуку наступного великого стрибка в інших галузях охорони здоров’я та наукові дослідження, де людина та машина поєднуються для створення нового цілого, яке є набагато більшим за суму частин. Відштовхуючись від цього, ідея полягає в тому, що штучний інтелект може демократизувати знання по всім напрямкам допомоги та зробити рідкісну людську експертизу та досвід заслуг goes далі, підвищуючи рівень якості.

Як важливо штучний інтелект для аналізу великих даних у клінічному середовищі?

Галузи охорони здоров’я та наукові дослідження генерують більше даних з більшою складністю, ніж будь-яка інша галузь у світі сьогодні. І на відміну від інших галузей, ефективне управління та аналіз цих даних є питанням життя та смерті. Ураховуючи ці масштаби, штучний інтелект тепер є незамінним засобом для задоволення ряду потреб, як звичайних, так і проривних, як у клінічному, так і у лабораторному середовищі для вирішення Трикутної мети галузі: покращення якості допомоги та доступу при зниженні витрат.

Наприклад, електронні медичні записи (ЕМЗ) дозволили здійснити цифрову революцію у якості та ефективності надання допомоги. Нажаль, у цих записах є суміш як неструктурованих, так і структурованих даних, яку штучний інтелект може допомогти перетворити на більш уніфіковані та корисні набори даних. Оптичне розпізнавання символів (ОРС) та обробка природної мови (ОПМ) є лише двома моделями, які можуть перетворити аналоги рукописного тексту та голосу в дані ЕМЗ. І після цифрування штучний інтелект може бути застосований до цих наборів даних у багатьох цікавих випадках.

У інших випадках дані, захоплені з медичних пристроїв та камер, зростають, і коли вони поєднуються з історією пацієнта, аналіз може допомогти відкрити нові інсайти для персоналізації лікування. На рівні перепису населення багато лікарень вже розгорнули алгоритми, які можуть передбачити появу сепсису для швидшого втручання, а в інтенсивних терапіях програмне забезпечення може поєднувати дані з кількох ізольованих пристроїв для створення повного зображення пацієнта в режимі реального часу. З часом всі ці захоплені та збережені дані також можуть бути проаналізовані для кращих прогнозів у майбутньому.

Які є деякі з найбільш помітних випадків використання машинного навчання для аналізу цих даних?

Як згадувалося вище, інструменти обробки природної мови можуть допомогти замінити ручне створення документів або ввод даних, щоб створити нові документи, такі як підсумки відвідувань пацієнтів та детальні клінічні нотатки. Це дозволяє клініцистам бачити більше пацієнтів, а постачальникам покращувати документацію, робочий процес та точність обліку та вводу замовлень та документації раніше в день.

Ширше, аналітика на основі штучного інтелекту допомагає постачальникам зрозуміти та керувати широким спектром клінічних застосувань, які покращують ефективність та знижують витрати. Це дозволяє лікарням краще керувати ресурсами та дошліфовувати найкращі практики, а командам допомоги співпрацювати у діагностичних та координаційних заходах та загальної допомоги, яку вони надають пацієнтам.

Клініцисти можуть аналізувати націлені аномалії за допомогою відповідних підходів машинного навчання та фільтрувати структуровану інформацію з інших сирих даних. Це може привести до швидшої та більш точної діагностики та оптимального лікування. Наприклад, алгоритми машинного навчання можуть перетворити діагностичну систему медичних зображень у автоматичне прийняття рішень шляхом перетворення зображень у текст, який можна прочитати машиною. Техніки машинного навчання та розпізнавання закономірностей можуть також витягувати інсайти з величезних обсягів клінічних даних зображень, які є не під силу людині, для трансформації діагностики, лікування та моніторингу пацієнтів.

Для оцінки та управління популяційним здоров’ям алгоритми машинного навчання можуть допомогти передбачити майбутні ризикові траєкторії, ідентифікувати ризикові драйвери та надати рішення для найкращих результатів. Модулі глибокого навчання, інтегровані з технологіями штучного інтелекту, дозволяють дослідникам інтерпретувати складні геномні набори даних, передбачати конкретні типи раку (на основі профілів експресії генів, отриманих з великих наборів даних) та ідентифікувати кілька цілей для ліків.

Чи можете ви розповісти про те, як Intel співпрацює з геномною спільнотою для перетворення великих наборів даних у біомедичні інсайти, які прискорюють персоналізовану допомогу?

Точна медицина постачає індивідуальні джерела даних про здоров’я, які дозволяють краще вибирати цілі захворювання та ідентифікувати популяції пацієнтів, які демонструють покращені клінічні результати для нових профілактичних та терапевтичних підходів.

Геноміка є краєчною точкою точної медицини. Вона надає план того, хто ми є, і чому та як ми унікальні, що є критично важливим для постачальників, щоб вони могли поєднати цю інформацію з іншими даними (зображеннями, клінічною хімією, медичною історією, когортними даними тощо). Клініцисти використовують цю інформацію для розробки та надання пацієнтам індивідуальних лікування, які мають нижчий ризик та є більш ефективними.

Intel співпрацює з геномною спільнотою, оптимізуючи найбільш часто використовувані генетичні інструменти аналізу, які використовуються в галузі, для роботи на платформах та процесорах Intel. Наприклад, оптимізація інструменту генетичного варіанту Broad Institute (GATK) на апаратному забезпеченні Intel за допомогою OpenVINO для полегшення розробки моделей штучного інтелекту та масштабованого розгортання підкреслює наш вплив та зобов’язання щодо цієї галузі. Інструментарій GATK надає вигоди біомедичним дослідженням, таким як Genomics DB, який ефективно зберігає файли розміром ~200 ГБ (типово для геномних наборів даних) та бібліотеку Genome Kernel, яка використовує інструкції апаратного забезпечення Intel для прискорення геномних завдань та використання штучного інтелекту.

Прискорення швидкості та зниження вартості геномного аналізу, зберігаючи при цьому точність цього аналізу, продовжує бути переконливим для біомедичних та інших наукових дослідників, які використовують обчислювальні рішення Intel для відкриття та використання нових медичних інсайтів.

Чи можете ви обговорити, чому ви вважаєте, що віддалена охорона здоров’я така важлива?

Галузь охорони здоров’я працювала над різними формами та аспектами віддаленої допомоги протягом багатьох років. Причини цього були, до недавнього часу, інтуїтивним та сподіваним переконанням, що віддалена допомога може бути для багатьох ситуацій надання допомоги такою ж доброю, як і традиційні клінічні моделі. Тепер, спровокована кризом пандемії та його впливом, системи охорони здоров’я по всьому світу змушені приймати телемедицину чи колапсувати. Ця раптова спішка до впровадження зараз доводить, що ці давні переконання є правдивими, а допомога на відстані є життєво важливою та дуже життєздатною.

Віддалена допомога має багато переваг. Задоволеність пацієнтів та комфорт під час надання допомоги на відстані зростають швидко. Пацієнти можуть залишатися спокійними та зручно вдома з меншим порушенням та впливом на розклад. Постачальники також це люблять, оскільки це дозволяє їм бачити більше пацієнтів та краще керувати своїм часом та краще розподіляти рідкісні клінічні ресурси. І, звичайно, те, що стало найяснішою та найбільш переконливою причиною за останні кілька місяців для всіх, є вбудована можливість віддаленої допомоги обмежувати поширення інфекції та потребу в особистому контакті, коли відеочат з посиленою пристроєм та обчислювальною телеметрією може виконувати більшість завдань надання допомоги так само добре.

Чи можете ви обговорити деякі технології, які зараз використовуються для віддаленого моніторингу пацієнтів?

Є кілька критично важливих технологічних елементів. Найважливішим є зручність використання для пацієнта, швидко за яким слідує безпека та конфіденційність даних, а також надійність програми та даних, які вона захоплює. Наприклад, нам потрібно запобігти випадковому видаленню програми моніторингу з iPad пацієнта.

Іншим критично важливим аспектом для постачальника, який розгортає програму для кількох пацієнтів, є управління флотом та можливість надсилати оновлення або технічну підтримку по дроту та адаптовану до кожного користувача або групи користувачів. Це вимагає:

• стандартизації обміну даними та конфіденційності з галузевими стандартами, такими як FHIR та Continua;
• безпеки та енергоефективної обчислювальної платформи для оркестрування даних та їх передачі клініцисту, включаючи відповідне програмне забезпечення та шифрування;
• підключення через мобільну мережу для того, щоб пристрої користувачів були автономними та не залежали від Wi-Fi вдома, яке може бути ненадійним або навіть відсутнім;
• хмарного сховища та аналітики на боці сервера.

Крім того, можливість зібрати та агрегувати дані, які надходять від користувачів, є фундаментальною для того, щоб клініцисти могли здійснювати моніторинг пацієнтів та підтримку, а програмне забезпечення та аналітика могли інформувати команди допомоги про номінальний стан або ініціювати сповіщення про результати, які виходять за межі допустимих значень.

Ми вважаємо, що штучний інтелект зіграє набагато більшу роль у моніторингу пацієнтів у майбутньому, покращуючи досвід пацієнта за допомогою природних голосових опитувань («Як ви себе відчуваєте сьогодні?», «Ваш тиск здається трохи високим») та дозволяючи командам допомоги краще зрозуміти здоров’я пацієнта та визначити відповідне лікування. За допомогою моделей штучного інтелекту управління популяційним здоров’ям також просунеться, оскільки всі дані пацієнтів будуть складені у все більші набори даних, які покращують точність ітеративної моделі навчання. Це є життєво важливим для віддаленого моніторингу у масштабі.

Які є деякі з проблем, які потрібно подолати для підвищення рівня успіху віддаленої охорони здоров’я?

Багато з тих самих питань, які турбують нашу поточну систему традиційного надання допомоги, також є факторами, які підвищують або знижують рівень успіху віддаленої допомоги. До цих питань належать соціальні підгрупи переконань та стигматів щодо охорони здоров’я, або соціально-економічні бар’єри, що походять від відсутності страховки, технічної грамотності, необхідних пристроїв та підключення. Силоси даних перешкоджають максимізації вартості, яку більші спільні набори даних могли б виробити, особливо зараз, коли наша здатність використовувати програмування навчання дійсно з’являється.

Але є виклики, які є унікальними для віддаленої допомоги:

• політичні та платежні питання, хоча останніми часом покращилися, повинні продовжувати свій позитивний імпульс для розширення з послабленими обмеженнями на те, що дозволено та оплачується через модальність віддаленої допомоги;
• фінансові виклики та відсутність капіталу для інвестицій у технології охорони здоров’я вимагають переходу від моделі CapEx до моделі OpEx. Замість інвестування у приміщення та обладнання постачальники можуть перейти до «плати за використання» моделі, відмовившись від потреби у великої кількості нерухомого майна та, як телефонна служба, платити за хвилини (або дані), використані;
• досвід користувача як для пацієнта, так і для постачальника, повинен продовжувати покращуватися, в кінцевому підсумку до того рівня, коли технологія зникне на тлі, а можливості будуть інтуїтивними та безшовними, а процес буде переконливим з еквівалентними або кращими результатами та структурою витрат.

У кінцевому підсумку ми хочемо, щоб технологія підтримувала надання допомоги, а не заважала їй. Якщо ми успішні (а ми вважаємо, що ми є і продовжимо бути), то технологія дійсно дозволить створити міст до завтрашньої кращої моделі віддаленої доставки допомоги, створюючи найкращий випадок для нормалізації віддаленої допомоги як стандарту доставки допомоги.

Дякую за фантастичну інтерв’ю, мені було цікаво дізнатися більше про зусилля Intel у сфері охорони здоров’я. Читачам, які бажають дізнатися більше, слід відвідати Глобальний напрям охорони здоров’я та наукові дослідження в Intel.