Dave Ryan, Tổng Giám Đốc, Kinh Doanh Sức Khỏe và Khoa Học Đời Sống tại Intel – Loạt Phỏng Vấn

Dave Ryan lãnh đạo đơn vị kinh doanh Sức Khỏe và Khoa Học Đời Sống toàn cầu của Intel (INTC ), tập trung vào chuyển đổi số từ biên đến đám mây để biến chăm sóc dựa trên giá trị thành hiện thực. Khách hàng của ông là các nhà sản xuất thiết bị khoa học đời sống, thiết bị y tế, hệ thống lâm sàng, máy tính và thiết bị được sử dụng bởi các trung tâm nghiên cứu, bệnh viện, phòng khám, cơ sở chăm sóc cư trú và tại nhà. Dave đã từng là thành viên trong các hội đồng của Hiệp Hội Công Nghệ Tiêu Dùng Sức Khỏe và Thể Thao, Liên Minh Sức Khỏe Cá Nhân Kết Nối của HIMSS, Liên Minh Toàn Cầu về Lão Hóa và Liên Minh Chăm Sóc Kết Nối.  

Intel’s Health & Life Sciences Business là gì?

Kinh doanh Sức Khỏe và Khoa Học Đời Sống của Intel giúp khách hàng tạo ra các giải pháp trong lĩnh vực hình ảnh y tế, hệ thống lâm sàng và phòng thí nghiệm, cho phép phân phối, thông minh và cá nhân hóa chăm sóc.

Kinh doanh Sức Khỏe của Intel tập trung vào sức khỏe dân số, hình ảnh y tế, hệ thống lâm sàng và cơ sở hạ tầng số.

• Sức Khỏe Dân Số kiểm tra dữ liệu bệnh nhân đa dạng để cung cấp thông tin chi tiết cho nhà cung cấp về rủi ro và điều trị tốt nhất cho các nhóm bệnh nhân. Các thuật toán học máy và trí tuệ nhân tạo giúp “phân loại” các nhóm, vì vậy người trả tiền và nhà cung cấp có thể ưu tiên bệnh nhân có rủi ro cao nhất.
• Hình Ảnh Y Tế (ví dụ: MRI, CT), tạo ra các tập dữ liệu lớn đòi hỏi phải đánh giá chính xác và không có lỗi. Các tính toán hiệu năng cao và trí tuệ nhân tạo giúp nhanh chóng quét dữ liệu hình ảnh và xác định các yếu tố quan trọng để hỗ trợ bác sĩ chẩn đoán.
• Hệ Thống Lâm Sàng sử dụng thị giác máy tính, trí tuệ nhân tạo, tính toán hiệu năng cao và tính toán biên để theo dõi bệnh nhân, phẫu thuật robot và chăm sóc từ xa và nhiều lĩnh vực khác. Những hệ thống thông minh này giúp thu thập dữ liệu từ nhiều nguồn khác nhau để có cái nhìn tổng quan về bệnh nhân và chẩn đoán tốt hơn, với tính linh hoạt và khả năng mở rộng để hỗ trợ nhu cầu tổ chức thay đổi.
• Cơ Sở Hạ Tầng Số tích hợp nhiều công nghệ để cho phép các phương pháp tương tác bệnh nhân mới, bao gồm chăm sóc mọi lúc, mọi nơi, nơi các bác sĩ lâm sàng cộng tác trên không gian và thời gian để quản lý tình trạng, phẫu thuật và phân tích.

Kinh doanh Phòng Thí Nghiệm và Khoa Học Đời Sống của Intel tập trung vào 3 lĩnh vực chính: Phân Tích Dữ Liệu, ‘Omics và Dược Phẩm.

• Phân Tích Dữ Liệu sử dụng trí tuệ nhân tạo để thúc đẩy một loạt các khám phá và thông tin chi tiết giúp kích hoạt, trong số những thứ khác, y học chính xác bằng cách đảm bảo bệnh nhân nhận được thuốc hiệu quả nhất và giảm thiểu rủi ro về tác dụng phụ.
• ‘Omics mô tả và định lượng các nhóm phân tử sinh học, sử dụng sinh học thông tin và sinh học tính toán. Các tập dữ liệu lớn liên quan đến lĩnh vực này đòi hỏi phải xử lý với tốc độ cao để nhận được kết quả trong khoảng thời gian hợp lý. Với tốc độ và các cơ sở dữ liệu mới, các công cụ, thư viện và mã tối ưu hóa, các tổ chức ‘Omics có thể giảm thời gian để nhận được kết quả và chi phí phát triển.
• Dược Phẩm là nghiên cứu về thuốc và cách chúng tương tác với hệ thống sinh học con người, bao gồm cả ở mức độ phân tử, nơi khoa học dữ liệu cần trí tuệ nhân tạo và học máy để hỗ trợ tạo ra thuốc dẫn đầu và tối ưu hóa, xác định mục tiêu và nghiên cứu tiền lâm sàng. Điều này dẫn đến các thử nghiệm lâm sàng tốt hơn, thông tin phản ứng thông minh hơn và phát hiện thuốc mới nhanh hơn.

Khi nào bạn bắt đầu quan tâm đến việc sử dụng trí tuệ nhân tạo để mang lại lợi ích cho chăm sóc sức khỏe?

Sự phổ biến của trí tuệ nhân tạo trên nhiều ngành công nghiệp chủ yếu là về việc tự động hóa các nhiệm vụ thường được con người thực hiện. Trong chăm sóc sức khỏe, trí tuệ nhân tạo đã trở thành một công cụ giúp hỗ trợ, không thay thế, chuyên môn con người hiện có để cung cấp các phương pháp chăm sóc và chẩn đoán thực sự biến đổi. Và không nơi nào rõ ràng hơn trong hình ảnh y tế, nơi khối lượng và độ phức tạp của dữ liệu là cả rào cản và cơ hội. Ngày nay, trí tuệ nhân tạo và đặc biệt là suy luận, có thể thực hiện các quét nhanh hơn và chi tiết hơn các tập dữ liệu lớn hơn bất kỳ con người nào có thể và bằng cách đó không chỉ tiết lộ thông tin chi tiết trước đây bị che giấu mà còn tối đa hóa thời gian quý giá của bác sĩ chẩn đoán để đạt được kết luận chẩn đoán tốt hơn và cho nhiều bệnh nhân hơn. Ví dụ, các giải pháp trí tuệ nhân tạo từ khách hàng giúp bác sĩ chẩn đoán bằng cách phân tích dữ liệu trong X-quang có thể chỉ ra sự hiện diện của phổi sụp đổ (pneumothorax) hoặc COVID. Đó là một thành tựu thực sự đáng chú ý đang cách mạng hóa hiệu quả của cả hình ảnh y tế và cách chuyên môn con người được áp dụng. Việc chứng kiến sự chuyển đổi như vậy trong lĩnh vực này tự nhiên khích lệ một người tìm kiếm bước nhảy vĩ đại tiếp theo trong các lĩnh vực chăm sóc sức khỏe và khoa học đời sống khác, nơi con người và máy móc kết hợp để tạo ra một toàn thể mới lớn hơn nhiều so với tổng của các bộ phận. Đưa điều đó một bước xa hơn là ý tưởng rằng trí tuệ nhân tạo có thể dân chủ hóa kiến thức trên các lĩnh vực chăm sóc, giúp chuyên môn con người và sự tinh tế dựa trên kinh nghiệm trở nên đáng kể hơn.

Trí tuệ nhân tạo quan trọng như thế nào trong việc phân tích dữ liệu lớn trong môi trường lâm sàng?

Các ngành công nghiệp Sức Khỏe và Khoa Học Đời Sống tạo ra nhiều dữ liệu hơn với độ phức tạp lớn hơn bất kỳ ngành công nghiệp nào khác trên thế giới ngày nay. Và không giống như các ngành công nghiệp khác, việc quản lý và phân tích dữ liệu một cách hiệu quả là vấn đề sinh tử. Với những mức độ này, trí tuệ nhân tạo đã trở thành một công cụ không thể thiếu để đáp ứng nhiều nhu cầu, từ những nhu cầu thông thường đến những nhu cầu đột phá, trong cả môi trường lâm sàng và phòng thí nghiệm để giải quyết Mục Tiêu Kép của Ngành: Cải thiện chất lượng chăm sóc và quyền truy cập trong khi giảm chi phí.

Ví dụ, hồ sơ sức khỏe điện tử (EHR) đã cho phép một cuộc cách mạng số trong chất lượng và hiệu quả của việc cung cấp chăm sóc. Thật không may, trong các hồ sơ này là một hỗn hợp phức tạp của cả dữ liệu không có cấu trúc và có cấu trúc mà trí tuệ nhân tạo có thể giúp số hóa thành các tập dữ liệu hữu ích và thống nhất hơn. Nhận dạng ký tự quang học (OCR) và xử lý ngôn ngữ tự nhiên (NLP) chỉ là hai mô hình được kích hoạt bởi trí tuệ nhân tạo có thể chuyển đổi các bản viết tay và giọng nói thành dữ liệu EHR. Và một khi được số hóa, trí tuệ nhân tạo có thể được áp dụng trên các tập dữ liệu này trong nhiều trường hợp thú vị.

Trong các trường hợp khác, dữ liệu được thu thập từ các thiết bị y tế và máy ảnh đang tăng lên, và khi kết hợp với dữ liệu lịch sử bệnh nhân, phân tích có thể giúp đưa ra những thông tin mới để cá nhân hóa điều trị. Ở cấp dân số, nhiều bệnh viện đã triển khai các thuật toán có thể dự đoán sự khởi đầu của nhiễm trùng huyết để can thiệp nhanh hơn, và trong các đơn vị chăm sóc tích cực, phần mềm có thể kết hợp dữ liệu từ nhiều thiết bị riêng biệt để tạo ra một bức tranh hoàn chỉnh về bệnh nhân gần như thời gian thực. Theo thời gian, tất cả dữ liệu được thu thập và lưu trữ này cũng có thể được phân tích để đưa ra những dự đoán tốt hơn trong tương lai.

Có những trường hợp sử dụng đáng chú ý nào mà bạn đang thấy cho việc học máy phân tích dữ liệu này?

Như đã đề cập ở trên, các công cụ NLP có thể giúp thay thế việc ghi chép hoặc nhập dữ liệu thủ công để tạo ra các tài liệu mới, như tóm tắt thăm bệnh và ghi chú lâm sàng chi tiết. Điều này cho phép các bác sĩ lâm sàng gặp nhiều bệnh nhân hơn, và các nhà cung cấp cải thiện tài liệu, quy trình làm việc và độ chính xác của hóa đơn bằng cách nhập đơn đặt hàng và tài liệu sớm hơn trong ngày.

Phổ biến hơn, các phân tích được kích hoạt bởi trí tuệ nhân tạo giúp các nhà cung cấp hiểu và quản lý nhiều ứng dụng lâm sàng khác nhau để cải thiện hiệu quả và giảm chi phí. Điều này cho phép các bệnh viện quản lý tài nguyên tốt hơn và tinh chỉnh các phương pháp hay nhất, và các đội chăm sóc cộng tác về chẩn đoán và phối hợp điều trị và chăm sóc tổng thể mà họ cung cấp cho bệnh nhân.

Các bác sĩ lâm sàng có thể phân tích các bất thường được nhắm mục tiêu bằng cách sử dụng các phương pháp học máy phù hợp và lọc thông tin có cấu trúc từ các dữ liệu thô khác. Điều này có thể dẫn đến chẩn đoán nhanh hơn và chính xác hơn và điều trị tối ưu. Ví dụ, các thuật toán học máy có thể chuyển đổi hệ thống chẩn đoán hình ảnh y tế thành ra quyết định tự động bằng cách chuyển đổi hình ảnh thành văn bản có thể đọc được bằng máy. Các kỹ thuật học máy và nhận dạng mẫu cũng có thể rút ra thông tin từ các tập dữ liệu hình ảnh lâm sàng lớn, không thể quản lý được bởi con người, để biến đổi chẩn đoán, điều trị và theo dõi bệnh nhân.

Để đánh giá và quản lý sức khỏe dân số, các thuật toán học máy có thể giúp dự đoán các軌迹 rủi ro trong tương lai, xác định các yếu tố rủi ro và cung cấp giải pháp cho kết quả tốt nhất. Các mô块 học sâu tích hợp với các công nghệ trí tuệ nhân tạo cho phép các nhà nghiên cứu giải thích các tập dữ liệu di truyền phức tạp, dự đoán các loại ung thư cụ thể (dựa trên hồ sơ biểu hiện gen thu được từ các tập dữ liệu lớn) và xác định nhiều mục tiêu thuốc.

Có thể bạn có thể giải thích thêm về cách Intel hợp tác với cộng đồng di truyền để biến đổi các tập dữ liệu lớn thành thông tin sinh học để đẩy nhanh chăm sóc cá nhân hóa?

Y học chính xác cung cấp các nguồn dữ liệu sức khỏe ở cấp độ cá nhân, cho phép lựa chọn mục tiêu bệnh và xác định các quần thể bệnh nhân có kết quả lâm sàng cải thiện với các phương pháp phòng ngừa và điều trị mới.

Di truyền học là nền tảng của y học chính xác. Nó cung cấp bản thiết kế của con người, và tại sao và làm thế nào chúng ta độc đáo, điều này quan trọng cho các nhà cung cấp để hiểu khi họ kết hợp thông tin này với các dữ liệu khác (hình ảnh, hóa học lâm sàng, lịch sử y tế, dữ liệu nhóm, v.v.). Các bác sĩ lâm sàng sử dụng thông tin này để phát triển và cung cấp các phương pháp điều trị cụ thể cho bệnh nhân, có ít rủi ro hơn và hiệu quả hơn.

Intel đang hợp tác với cộng đồng di truyền bằng cách tối ưu hóa các công cụ phân tích di truyền phổ biến nhất được sử dụng trong ngành để chạy tốt nhất trên các nền tảng và bộ xử lý dựa trên kiến trúc Intel. Ví dụ, tối ưu hóa phần mềm biến thể di truyền Genomic Analysis Toolkit (GATK) hàng đầu của Viện Broad trên phần cứng Intel bằng cách sử dụng OpenVINO để dễ dàng phát triển, gỡ lỗi và triển khai mô hình trí tuệ nhân tạo, nhấn mạnh tác động và cam kết của chúng tôi với ngành này. Bộ công cụ GATK cung cấp các lợi ích cho nghiên cứu sinh học như Genomics DB, giúp lưu trữ các tệp ~200GB (kích thước điển hình cho các tập dữ liệu di truyền) và Thư viện Kernel Genome chạy AVX512, tận dụng các lệnh cụ thể của phần cứng kiến trúc Intel để tăng tốc tải công việc di truyền và sử dụng trí tuệ nhân tạo.

Tăng tốc độ và giảm chi phí của phân tích di truyền trong khi duy trì độ chính xác của phân tích, vẫn tiếp tục hấp dẫn các nhà nghiên cứu sinh học và các nhà khoa học đời sống khác khi họ sử dụng các giải pháp tính toán của Intel để khám phá và tận dụng các thông tin y tế mới.

Có thể bạn có thể thảo luận về lý do tại sao bạn tin rằng chăm sóc sức khỏe từ xa lại quan trọng?

Ngành công nghiệp Sức Khỏe đã làm việc trên các hình thức và khía cạnh khác nhau của chăm sóc từ xa trong nhiều năm. Lý do cho điều này đã là, cho đến gần đây, một niềm tin直觉 và hy vọng rằng chăm sóc từ xa có thể là tốt như hoặc tốt hơn các mô hình chăm sóc truyền thống trong nhiều tình huống cung cấp chăm sóc. Giờ đây, được thúc đẩy bởi cuộc khủng hoảng đại dịch và tác động của nó, các hệ thống cung cấp chăm sóc sức khỏe trên toàn thế giới đang buộc phải áp dụng chăm sóc từ xa hoặc sụp đổ. Sự thúc đẩy đột ngột này để triển khai đang chứng minh những niềm tin lâu đời này là đúng và chăm sóc từ xa là quan trọng và có tính khả thi cao.

Chăm sóc từ xa có nhiều lợi ích. Sự hài lòng và thoải mái của bệnh nhân với việc cung cấp chăm sóc từ xa đang tăng lên nhanh chóng. Họ có thể ở nhà, bình tĩnh và ít bị gián đoạn và ảnh hưởng đến lịch trình. Các nhà cung cấp thích điều này vì nó cho phép họ gặp nhiều bệnh nhân hơn và quản lý thời gian và tài nguyên lâm sàng quý giá của họ tốt hơn. Và điều đã trở thành lý do rõ ràng và thuyết phục nhất trong những tháng qua cho mọi người là khả năng vốn có của chăm sóc từ xa để hạn chế lây nhiễm và giảm nhu cầu tiếp xúc trực tiếp khi một cuộc trò chuyện video với thiết bị và telemetry tính toán có thể hoàn thành hầu hết các nhiệm vụ cung cấp chăm sóc.

Có thể bạn có thể thảo luận về một số công nghệ đang được sử dụng cho việc theo dõi bệnh nhân từ xa?

Có một số yếu tố công nghệ quan trọng. Điều quan trọng nhất là sự dễ sử dụng cho bệnh nhân, nhanh chóng theo sau là bảo mật và quyền riêng tư của dữ liệu, và độ mạnh mẽ của ứng dụng và dữ liệu nó thu thập. Ví dụ, chúng tôi cần ngăn chặn người dùng xóa ứng dụng theo dõi trên iPad của họ một cách tình cờ.

Một khía cạnh quan trọng khác đối với nhà cung cấp triển khai trên nhiều bệnh nhân là quản lý đội và khả năng gửi cập nhật hoặc hỗ trợ kỹ thuật qua dây và được tùy chỉnh cho từng người dùng hoặc nhóm người dùng. Điều này đòi hỏi:

• tiêu chuẩn hóa trao đổi dữ liệu và quyền riêng tư với các tiêu chuẩn ngành như FHIR và Continua;
• nền tảng tính toán bảo mật và tiết kiệm năng lượng để điều phối dữ liệu và truyền nó trở lại bác sĩ lâm sàng, bao gồm cả phần mềm và mã hóa phù hợp;
• kết nối qua mạng di động để làm cho thiết bị người dùng độc lập và không phụ thuộc vào Wi-Fi tại nhà có thể không đáng tin cậy hoặc thậm chí không tồn tại;
• lưu trữ đám mây và phân tích ở phía sau.

Ngoài ra, khả năng thu thập và tổng hợp dữ liệu từ người dùng là cơ bản để cho phép các bác sĩ lâm sàng theo dõi bệnh nhân và hỗ trợ, và để phần mềm và phân tích thông báo cho các đội chăm sóc về trạng thái danh nghĩa hoặc khởi tạo thông báo cảnh báo cho kết quả nằm ngoài ngưỡng.

Chúng tôi tin rằng trí tuệ nhân tạo sẽ đóng một vai trò lớn hơn trong việc theo dõi bệnh nhân trong tương lai, cải thiện trải nghiệm bệnh nhân thông qua các cuộc khảo sát giọng nói tự nhiên (“Bạn cảm thấy thế nào hôm nay?”, “Huyết áp của bạn có vẻ hơi cao”) và cho phép các đội chăm sóc hiểu tốt hơn về sức khỏe của bệnh nhân và xác định các phương pháp điều trị phù hợp. Thông qua việc sử dụng các mô hình trí tuệ nhân tạo, quản lý sức khỏe dân số sẽ tiến bộ với tất cả dữ liệu bệnh nhân được kết hợp vào các tập dữ liệu lớn hơn, giúp cải thiện độ chính xác của mô hình học lặp lại. Điều này là thiết yếu cho việc theo dõi từ xa ở quy mô lớn.

Có những vấn đề nào cần được khắc phục để tăng tỷ lệ thành công của chăm sóc sức khỏe từ xa?

Nhiều vấn đề giống như những vấn đề đang ảnh hưởng đến hệ thống cung cấp chăm sóc truyền thống cũng là yếu tố trong việc tăng cường hoặc cản trở thành công của chăm sóc từ xa. Những vấn đề này bao gồm niềm tin và kỳ thị của các phân khúc xã hội về chăm sóc sức khỏe, hoặc rào cản xã hội và kinh tế do thiếu bảo hiểm, sự thông thạo công nghệ, thiết bị và kết nối. Các silo dữ liệu ngăn chặn việc tối đa hóa giá trị mà các tập dữ liệu lớn hơn có thể tạo ra, đặc biệt là bây giờ khả năng của chúng tôi trong việc tận dụng các chương trình học tập đang thực sự xuất hiện.

Nhưng có những thách thức duy nhất đối với chăm sóc từ xa:

• vấn đề chính sách và thanh toán, mặc dù đã được cải thiện gần đây, phải tiếp tục đà tiến triển tích cực để mở rộng với các hạn chế được nới lỏng về những gì được cho phép và có thể hoàn trả thông qua modality chăm sóc từ xa;
• thách thức tài chính và thiếu vốn để đầu tư vào công nghệ trong chăm sóc sức khỏe đòi hỏi một sự chuyển đổi từ mô hình CapEx sang mô hình OpEx. Thay vì đầu tư vào cơ sở vật chất và thiết bị CapEx, các nhà cung cấp có thể chuyển sang mô hình “trả tiền khi sử dụng”, từ bỏ nhu cầu về cơ sở hạ tầng cố định và, giống như dịch vụ điện thoại, trả tiền cho các phút (hoặc dữ liệu) sử dụng;
• trải nghiệm người dùng, cho cả bệnh nhân và nhà cung cấp, phải tiếp tục cải thiện, cuối cùng là đến nơi công nghệ biến mất vào nền, và khả năng trở nên trực quan và không thể thiếu và quá trình trở nên hấp dẫn với kết quả và cấu trúc chi phí tương đương hoặc tốt hơn.

Cuối cùng, chúng tôi muốn công nghệ hỗ trợ việc cung cấp chăm sóc, không cản trở nó. Nếu chúng tôi thành công (và chúng tôi tin rằng chúng tôi đang và sẽ tiếp tục thành công), thì công nghệ thực sự sẽ cho phép một cây cầu đến mô hình chăm sóc từ xa tốt hơn cho ngày mai, tạo ra trường hợp tốt nhất cho việc chuẩn hóa chăm sóc từ xa như một tiêu chuẩn cung cấp chăm sóc.

Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, tôi đã thích tìm hiểu thêm về nỗ lực sức khỏe của Intel. Những người đọc muốn tìm hiểu thêm nên truy cập Kinh Doanh Sức Khỏe và Khoa Học Đời Sống Toàn Cầu của Intel.