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

Дейв Райан очолює Глобальний бізнес зі здоров’я та наукові дослідження в Intel, 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 прилади та пристрої, які використовуються дослідницькими центрами, лікарнями, клініками, закладами резиденційного догляду та дома. Дейв працював у радах Асоціації споживчої технології Відділу охорони здоров’я та фітнесу, Альянсу персонального підключеного здоров’я HIMSS, Глобальної коаліції зі старіння та Альянсу з підключеного догляду.  

Що таке бізнес Intel зі здоров’я та наукові дослідження?

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

Бізнес Intel зі здоров’я зосереджується на популяційному здоров’ї, медичній візуалізації, клінічних системах та цифровій інфраструктурі.

• Популяційне здоров’я вивчає різноманітні дані пацієнтів, щоб надати постачальникам уявлення про ризики медичних проблем та покращення лікування у когорт. Оптимізовані та налаштовані МО та ІІ допомагають “tier” групам, щоб платники та постачальники пріоритизували пацієнтів, які знаходяться під найбільшою загрозою.
• Медична візуалізація (наприклад, МРТ, КТ), генерує величезні набори даних, які вимагають точної оцінки без можливості помилки. Високопродуктивні обчислення та ІІ допомагають швидше сканувати дані зображень та ідентифікувати критичні фактори, щоб допомогти радіологам у діагнозі.
• Клінічні системи використовують комп’ютерний зір, ІІ, високопродуктивні обчислення та обчислення на краю для моніторингу пацієнтів, роботизованої хірургії та телемедицини та багатьох інших. Ці інтелектуальні системи примирюють різноманітні джерела даних для повного погляду на пацієнта та кращого діагнозу, з гнучкістю та масштабованістю для підтримки змінюваних організаційних потреб.
• Цифрова інфраструктура інтегрує багато технологій, щоб забезпечити нові підходи до взаємодії з пацієнтами, включаючи догляд будь-де та будь-коли, коли клініцисти співпрацюють у просторі та часі для управління станом, хірургії та аналітики.

Бізнес Intel з лабораторних та наукових досліджень зосереджується на 3 основних напрямках: даних аналітики, ‘омікс та фармації.

• Даних аналітики використовує ІІ для керування каскадом відкриттів та інсайтів, які допомагають забезпечити, серед іншого, точну медицину, забезпечуючи, щоб пацієнти отримували ліки, які є найбільш ефективними для них, та зменшуючи ризик побічних ефектів.
• ‘омікс описує та кількісно оцінює групи біологічних молекул, використовуючи біоінформатику та обчислювальну біологію. Великі набори даних, які беруть участь тут, вимагають високопродуктивних обчислень, щоб отримати результати в розумних термінах. З цією продуктивністю та новими базами даних, інструментами, бібліотеками та оптимізацією коду, установи ‘омікс можуть зменшити час до результатів та витрати на розробку.
• Фармація є вивченням ліків та того, як вони взаємодіють з людськими біологічними системами, включаючи на молекулярному рівні, де наукові дані потребують ІІ та МО для допомоги з генерацією лідерів та оптимізацією, ідентифікацією цілей та доклінічними дослідженнями. Це призводить до кращих клінічних випробувань, розумніших інсайтів реакції та швидшого відкриття нових ліків.

Коли ви особисто спочатку стали цікавитися використанням ІІ для користі охорони здоров’я?

Поширення ІІ по багатьом галузям було в основному про автоматизацію завдань, які регулярно виконуються людьми. В охороні здоров’я ІІ стало інструментом, за допомогою якого ми доповнюємо або допомагаємо, а не замінюємо, існуючу людську експертизу для доставки真正о трансформаційних підходів до діагностики та лікування. І ніде це не є більш очевидним, ніж у медичній візуалізації, в якій обсяг та складність даних є одночасно бар’єром та можливістю. Сьогодні ІІ, а зокрема висновок,能够 виконувати швидші та більш детальні сканиування великих масивів інформації, ніж будь-яка людина, і тим самим не тільки відкривають інсайти, раніше приховані, але й максимізують цінний час радіолога, щоб досягти кращого діагностичного висновку та для більшої кількості пацієнтів. Наприклад, рішення ІІ клієнтів допомагають радіологам, аналізуючи дані в рентгенівських зображеннях, які можуть вказувати на присутність колапсу легені (пневмоторакс) або COVID. Це є真正о 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 охоронних та наукових дослідженнях, де людина та машина поєднуються для створення нового цілого, яке є значно більшим за суму частин. Відносячи це далі, є ідея про те, що ІІ може демократизувати знання по доглядовим дисциплінам та зробити рідку людську експертизу та досвід заснованого нюансом йти ще далі, підвищуючи рівень якості.

Як важливо ІІ для аналізу великих даних у клінічному середовищі?

Галузі 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 величини, ІІ тепер є незамінним засобом для задоволення ряду потреб, як звичайних, так і проривних, у клінічному та лабораторному середовищі для звернення до Тричі мети галузі: Покращити якість догляду та доступність, а також знижувати витрати.

Наприклад, електронні медичні записи (ЕМЗ) забезпечили цифрову революцію у якості та ефективності надання догляду. Нажаль, у цих записах є заплутана суміш як неструктурованих, так і структурованих даних, яку ІІ може допомогти оцифрувати у більш уніфіковані та корисні набори даних. Оптичне розпізнавання символів (ОРС) та обробка природної мови (ОПМ) є лише двома моделями ІІ, які можуть перетворити аналоги рукописного тексту та голосу у дані ЕМЗ. І як тільки оцифровано, ІІ можна застосувати до цих наборів даних у багатьох цікавих випадках використання.

У інших випадках дані, захоплені з медичних пристроїв та камер, зростають, і коли вони поєднуються з історією пацієнта, аналітика можуть допомогти 驅动 нових інсайтів для подальшої персоналізації лікування. На рівні перепису населення багато лікарень вже розгорнули алгоритми, які можуть передбачити початок сепсису для швидшого втручання, а в інтенсивних терапіях програмне забезпечення може поєднувати дані з декількох ізольованих пристроїв для створення вражаючно повного зображення пацієнта в майже реальному часі. З часом всі ці захоплені та збережені дані також можуть бути проаналізовані для кращих прогнозів у майбутньому.

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

Як згадувалося вище, інструменти ОПМ можуть допомогти замінити ручне створення документів або вводу даних для генерації нових документів, таких як підсумки відвідування пацієнта та детальні клінічні нотатки. Це дозволяє клініцистам бачити більше пацієнтів, а постачальникам покращувати документацію, робочий процес та точність оплати, вводячи замовлення та документацію раніше в день.

Більш широко, ІІ-аналітика допомагає постачальникам зрозуміти та керувати широким спектром клінічних застосунків, які покращують ефективність та знижують витрати. Це дозволяє лікарням краще керувати ресурсами та дошліфовувати найкращі практики, а командам догляду співпрацювати над діагнозами та координувати лікування та загальний догляд, який вони забезпечують пацієнтам.

Клініцисти можуть аналізувати націлені аномалії за допомогою відповідних підходів МО та фільтрувати структуровану інформацію з інших сирих даних. Це може привести до швидшого та більш точного діагнозу та оптимального лікування. Наприклад, алгоритми МО можуть перетворити діагностичну систему медичних зображень у автоматичне прийняття рішень шляхом перетворення зображень у машинозчитуваний текст. Техніки МО та розпізнавання закономірностей також можуть витягувати інсайти з величезних обсягів клінічних даних зображень, які є неуправляємими для людини, для перетворення діагностики, лікування та моніторингу пацієнтів.

Для оцінки та управління популяційним здоров’ям алгоритми МО можуть допомогти передбачити майбутні ризикові траєкторії, ідентифікувати ризикові драйвери та надати рішення для кращих результатів. Модулі глибокого навчання, інтегровані з технологіями ІІ, дозволяють дослідникам інтерпретувати складні геномні набори даних, передбачати конкретні види раку (на основі профілів експресії генів, отриманих з різних 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 забезпечує джерела даних на рівні окремої особи, які дозволяють краще вибирати цілі захворювання та ідентифікувати популяції пацієнтів, які демонструють покращені клінічні результати до нових профілактичних та терапевтичних підходів.

Геноміка є краєstone цієї точної медицини. Вона забезпечує блупrint того, хто ми є, і чому та як ми є унікальними, що є критично важливим для постачальників, щоб зрозуміти, коли вони поєднують цю інформацію з іншими даними (зображеннями, клінічною хімією, медичною історією, когортними даними тощо). Клініцисти використовують цю інформацію для розробки та доставки пацієнт-специфічних лікування, які є менш ризикованими та більш ефективними.

Intel співпрацює з геномною спільнотою, оптимізуючи найбільш поширені генетичні інструменти аналізу, які використовуються в галузі, для роботи на платформах та процесорах Intel. Наприклад, оптимізація програмного забезпечення генетичного варіанту Broad Institute, Genomic Analysis Toolkit (GATK), на апаратному забезпеченні Intel за допомогою OpenVINO для полегшення розробки моделей ІІ, налагодження та масштабованого розгортання, підкреслює наш вплив та зобов’язання цій галузі. Інструментарій GATK забезпечує вигоди для біомедичних досліджень, таких як Genomics DB, який ефективно зберігає файли ~200GB у розмірі (типово для геномних наборів даних), і Genome Kernel Library, який використовує спеціальні апаратні інструкції Intel для прискорення геномних робіт та використання ІІ.

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

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

Галузь охорони здоров’я працювала над різними формами та аспектами дистанційної допомоги протягом багатьох років. Причини цього були, до недавнього часу, інтуїтивною та сподіваною вірою в те, що дистанційна допомога може бути для багатьох ситуацій з надання допомоги такою ж хорошою, як і традиційні моделі клініки. Тепер, спровокована кризом пандемії та її впливом, системи доставки охорони здоров’я по всьому світу змушені приймати телемедицину або колапсувати. Ця раптова спішка до впровадження тепер доводить ті довго тримані вірування правдивими, а догляд на відстані життєво важливим та дуже життєздатним.

Дистанційна допомога має багато переваг. Задоволеність пацієнтів та комфорт з доставкою телемедицини зростають швидко. Пацієнти можуть залишатися спокійними та зручними вдома з меншою перерванням та впливом на час/розклад. Постачальники це люблять, оскільки це дозволяє їм бачити більше пацієнтів, а також краще керувати своїм часом та краще розподіляти рідкі клінічні ресурси. І, звичайно, те, що стало найяснішою та найбільш переконливою причиною для всіх останніх місяців, є вродженою здатністю дистанційної допомоги обмежувати зараження та потребу в особистому контакті, коли відеочат з додатковими пристроями та обчислювальною телеметрією може виконувати більшість завдань з надання допомоги так само добре.

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

Є кілька критичних технологічних елементів. Найважливішим є легкість 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 моніторингової програми з iPad пацієнта.

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

• стандартизації обміну даними та конфіденційності з галузевими стандартами, такими як FHIR та Continua;
• безпечної та енергоефективної обчислювальної платформи для оркестрування даних та їхньої передачі клініцисту, включаючи відповідне програмне забезпечення та шифрування;
• підключення через клітинну мережу для того, щоб зробити пристрої користувачів автономними та незалежними від Wi-Fi вдома, яке може бути ненадійним або навіть відсутнім;
• хмарного сховища та аналітики на бекенді.

Крім того, можливість зібрати та агрегувати дані, які надходять від користувачів, є фундаментальною для того, щоб дозволити клініцистам здійснювати моніторинг пацієнтів та підтримку, а програмному забезпеченню та аналітиці інформувати команди догляду про номінальний стан або ініціювати сповіщення про результати, які виходять за межі допустимих.

Ми вважаємо, що ІІ буде відігравати значно більшу роль у моніторингу пацієнтів у майбутньому, покращуючи досвід пацієнта через природні голосові опитування (“Як ви себе відчуваєте сьогодні?”, “Ваш тиск здається трохи високим”) та дозволяючи командам догляду краще зрозуміти здоров’я пацієнта та ідентифікувати відповідне лікування. За допомогою використання моделей ІІ управління популяційним здоров’ям також буде прогресувати з усіма даними пацієнтів, які складуться у все більші набори даних, які покращують точність ітеративної моделі навчання. Це є суттєвим для дистанційного моніторингу у масштабі.

Які деякі з проблем, які потрібно подолати для підвищення успішності дистанційної охорони здоров’я?

Багато з тих самих питань, які турбують нашу поточну систему традиційного надання допомоги, також є чинниками, які покращують або гальмують успіх дистанційної допомоги. Це включають суспільні вірування та стигми щодо охорони здоров’я, або соціально-економічні бар’єри, що походять з відсутності страхування, технічної грамотності, необхідних пристроїв та підключення. Силоси даних запобігають максимізації вартості, яку більші спільні набори даних могли б виробити, особливо зараз, коли наша здатність використовувати навчальні програми дійсно виникає.

Але є виклики, які є унікальними для дистанційної допомоги:

• політичні та платіжні питання, хоча останніми роками покращилися, повинні продовжувати свій позитивний імпульс для розширення з розслабленими обмеженнями на те, що дозволено та оплачується через дистанційний догляд;
• 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 моделі “платіть за те, що ви використовуєте”, відмовившись від необхідності великої кількості нерухомого майна та, як телефонна служба, платити за хвилин (або дані), які використовуються;
• досвід користувача, як для пацієнта, так і для постачальника, повинен продовжувати покращуватися, в кінцевому підсумку до того, щоб технологія зникла на задньому плані, а можливості були інтуїтивними та безшовними, а процес був переконливим з еквівалентними або кращими результатами та структурами 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 доставки дистанційної допомоги, роблячи найкращий можливий випадок для нормалізації дистанційної допомоги як стандарту доставки допомоги.

Дякую за фантастичне інтерв’ю, мені сподобалося дізнатися більше про зусилля Intel у сфері охорони здоров’я. Читачам, які бажають дізнатися більше, слід відвідати Глобальний бізнес Intel зі здоров’я та наукові дослідження.