Dave Ryan, Tổng Giám Đốc, Kinh Doanh Y Tế & Khoa Học Đời Sống tại Intel – Loạt Phỏng Vấn

Dave Ryan lãnh đạo đơn vị kinh doanh Toàn cầu Y Tế & Khoa Học Đời Sống tại Intel tập trung vào chuyển đổi số từ edge-to-cloud để làm cho chăm sóc sức khỏe chính xác, dựa trên giá trị trở thành hiện thực. Khách hàng của ông là các nhà sản xuất thiết bị y tế, thiết bị khoa học đời sống, hệ thống lâm sàng, máy tính và thiết bị được sử dụng bởi các trung tâm nghiên cứu, bệnh viện, phòng khám, môi trường chăm sóc dân cư và tại nhà. Dave đã từng là thành viên trong các hội đồng của Hiệp Hội Công Nghệ Tiêu Dùng Bộ Phận Sức Khỏe & 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 Y Tế & 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, phòng thí nghiệm và khoa học đời sống, cho phép chăm sóc phân tán, thông minh và cá nhân hóa.

Kinh doanh Y Tế 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 phân tích dữ liệu bệnh nhân đa dạng để cung cấp thông tin chi tiết cho nhà cung cấp về rủi ro và điều trị cải tiến trên các nhóm bệnh nhân. Máy học và trí tuệ nhân tạo được tối ưu hóa và điều chỉnh giúp phân loại nhóm, vì vậy người chi trả 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 khổng lồ đòi hỏi phải đánh giá chính xác và không có sai sót. Máy tính hiệu năng cao và trí tuệ nhân tạo giúp quét nhanh hơn 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, máy tính hiệu năng cao và tính toán biên cho theo dõi bệnh nhân, phẫu thuật robot và chăm sóc từ xa và nhiều lĩnh vực khác. Những hệ thống thông minh này giúp hòa hợp dữ liệu từ nhiều nguồn để có cái nhìn tổng thể 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 mới trong tương tác bệnh nhân, bao gồm chăm sóc mọi lúc, mọi nơi, nơi các bác sĩ lâm sàng hợp 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 cho phép, trong số những thứ khác, y học chính xác bằng cách đảm bảo bệnh nhân nhận được thuốc hiệu quả nhất cho họ 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 khổng lồ liên quan đến đây đòi hỏi phải xử lý với hiệu suất cao để nhận được kết quả trong thời gian hợp lý. Với hiệu suất này và các cơ sở dữ liệu mới, công cụ, thư viện và tối ưu hóa mã, các tổ chức ‘Omics có thể giảm thời gian để có kết quả và chi phí phát triển.
• Dược Phẩm là nghiên cứu về thuốc và cách chúng tương tác với hệ thống sinh học của con người, bao gồm cả ở mức phân tử, nơi khoa học dữ liệu cần trí tuệ nhân tạo và máy học để hỗ trợ việc tạo ra và tối ưu hóa thuốc, xác định mục tiêu và nghiên cứu tiền lâm sàng. Điều này dẫn đến các thử nghiệm lâm sàng tốt hơn, thông tin phản hồi thông minh hơn và phát hiện thuốc mới nhanh hơn.

Bạn đã bắt đầu quan tâm đến việc sử dụng trí tuệ nhân tạo cho lợi ích của chăm sóc sức khỏe khi nào?

Sự phổ biến của trí tuệ nhân tạo trên nhiều ngành công nghiệp đã 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 mà chúng ta sử dụng để tăng cường hoặc hỗ trợ, không thay thế, chuyên môn con người hiện có để cung cấp các phương pháp chăm sóc và chẩn đoán biến đổi. Và không nơi nào rõ ràng hơn trong hình ảnh y tế, nơi mà khối lượng và 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 quét nhanh hơn và chi tiết hơn các tập dữ liệu thông tin khổng lồ so với bất kỳ con người nào và làm như vậy 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 đáng kinh ngạc 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 y tế 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 các phần.

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

Các ngành Y Tế và Khoa Học Đời Sống tạo ra nhiều dữ liệu hơn với sự phức tạp lớn hơn so với 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 hiệu quả dữ liệu này là vấn đề của sự sống và cái chết. Với những mức độ này, trí tuệ nhân tạo bây giờ là một công cụ không thể thiếu để đáp ứng nhiều nhu cầu, từ thông thường đến đột phá, trong cả môi trường lâm sàng và phòng thí nghiệm để giải quyết Mục Tiêu Ba Gấp của Ngành: Cải Thiện Chất Lượng Chăm Sóc và Tăng Cường Tiếp Cận 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 những hồ sơ này là một hỗn hợp phức tạp của cả dữ liệu có cấu trúc và không 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 trí tuệ nhân tạo kích hoạt 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 sử dụng 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 chi tiết mới để cá nhân hóa điều trị hơn. Ở cấp dân số, nhiều bệnh viện đã triển khai các thuật toán có thể dự đoán sự khởi đầu của nhiễm khuẩn 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 thu thập và lưu trữ này cũng có thể được phân tích để đưa ra dự đoán tốt hơn trong tương lai.

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

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 lưu ý lâm sàng chi tiết. Điều này cho phép các bác sĩ lâm sàng xem 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.

Nhìn chung hơn, phân tích được kích hoạt bởi trí tuệ nhân tạo giúp các nhà cung cấp hiểu và quản lý nhiều ứng dụng lâm sàng 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 nhóm chăm sóc hợp 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 máy học phù hợp và lọc thông tin có cấu trúc từ dữ liệu thô khác. Điều này có thể dẫn đến chẩn đoán nhanh hơn và chính xác hơn cũng như điều trị tối ưu. Ví dụ, các thuật toán máy học 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 mà máy có thể đọc được. Máy học và kỹ thuật nhận dạng mẫu cũng có thể đưa ra thông tin chi tiết từ các tập dữ liệu hình ảnh lâm sàng khổng lồ, 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 máy học có thể giúp dự đoán các軌跡 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 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.

Bạn có thể giải thích thêm về cách Intel hợp tác với cộng đồng di truyền để chuyển đổi các tập dữ liệu lớn thành thông tin sinh học để tăng tốc 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 tốt hơn các mục tiêu bệnh và xác định các quần thể bệnh nhân thể hiện kết quả lâm sàng cải thiện đối với các phương pháp phòng ngừa và điều trị mới.

Di truyền là nền tảng của y học chính xác này. Nó cung cấp bản thiết kế của chúng ta, và tại sao và làm thế nào chúng ta độc đáo, điều này rất quan trọng đối với 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 hàng đầu của Viện Broad, Công Cụ Phân Tích Di Truyền (GATK), trên phần cứng Intel 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. Công cụ GATK cung cấp lợi ích cho nghiên cứu sinh học, chẳng hạn như Cơ Sở Dữ Liệu Di Truyền, có thể lưu trữ các tệp ~200GB (kích thước điển hình cho tập dữ liệu di truyền) và Thư Viện Nhân Di Truyền chạy AVX512, tận dụng các lệnh phần cứng cụ thể của kiến trúc Intel để tăng tốc tải công việc di truyền và sử dụng trí tuệ nhân tạo.

Việc tăng tốc độ và giảm chi phí của phân tích di truyền trong khi duy trì độ chính xác của phân tích đó, vẫn rất quan trọng đối với các nhà nghiên cứu sinh học và các ngành khoa học đời sống khác khi họ sử dụng các giải pháp tính toán của Intel để khám phá và khai thác các thông tin y học mới.

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

Ngành Y Tế 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. Bây giờ, 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 bây giờ đã chứng minh những niềm tin lâu đời này là đúng và chăm sóc từ xa là quan trọng và khả thi.

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

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. 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 sự mạnh mẽ của ứng dụng và dữ liệu nó thu thập. Ví dụ, chúng ta cần ngăn chặn người dùng xóa ứng dụng theo dõi từ 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 xuống dây và 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 phần mềm và mã hóa phù hợp;
• kết nối qua mạng di động để làm cho các 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 và hỗ trợ bệnh nhân, và để phần mềm và phân tích thông báo cho các nhóm chăm sóc về trạng thái danh nghĩa hoặc khởi động thông báo báo động cho kết quả nằm ngoài ngưỡng.

Chúng tôi tin rằng trí tuệ nhân tạo sẽ đóng 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 nhóm 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 tổng hợp vào các tập dữ liệu lớn hơn, cải thiện độ chính xác của mô hình học lặp. Điều này là cần thiết 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 chăm sóc truyền thống cũng là yếu tố trong việc tăng cường hoặc cản trở sự 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 yêu cầu 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 động lực tích cực của chúng 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 bạn đi” và không cần đầu tư vào nhiều cơ sở hạ tầng cố định và, giống như dịch vụ điện thoại, trả tiền cho các phút (hoặc dữ liệu) được 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 và quy trình trở nên trực quan và không thể thiếu và có 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, làm cho trường hợp tốt nhất cho việc chuẩn hóa chăm sóc từ xa như một tiêu chuẩn cung cấp chăm sóc.

Cảm ơn bạn về cuộc phỏng vấn tuyệt vời, tôi đã thích học thêm về nỗ lực chăm sóc sức khỏe của Intel. Những người đọc muốn tìm hiểu thêm nên truy cập Kinh Doanh Y Tế & Khoa Học Đời Sống Toàn cầu của Intel.