TEDxNijmegen
Peter van Manen: Better baby care -- thanks to Formula 1
Πίτερ βαν Μάνεν: Πώς μπορεί η Φόρμουλα 1 να βοηθήσει τα ... μωρά;
Filmed:
Readability: 3.5
845,406 views
Κατά τη διάρκεια ενός αγώνα Φόρμουλα 1, το αυτοκίνητο στέλνει εκατομμύρια σημεία δεδομένων στο γκαράζ για ανάλυση σε πραγματικό χρόνο και για ανατροφοδότηση. Γιατί, λοιπόν, να μην χρησιμοποιήσουμε αυτό το ακριβές και αυστηρό σύστημα δεδομένων αλλού, όπως .... σε παιδιατρικά νοσοκομεία;
Ο Πίτερ βαν Μάνεν μας λέει περισσότερα.
Peter van Manen - Electronic systems expert
Peter van Manen is the Managing Director of McLaren Electronics, which provides data systems to major motorsports series. Full bio
Peter van Manen is the Managing Director of McLaren Electronics, which provides data systems to major motorsports series. Full bio
Double-click the English transcript below to play the video.
00:12
Motor racing is a funny old business.
0
336
2257
Ο μηχανοκίνητος αθλητισμός είναι μια περίεργη υπόθεση.
00:14
We make a new car every year,
1
2593
2317
Κάθε χρόνο φτιάχνουμε ένα καινούργιο αυτοκίνητο,
00:16
and then we spend the rest of the season
2
4910
2188
και περνάμε το υπόλοιπο της περιόδου,
00:19
trying to understand what it is we've built
3
7098
2776
προσπαθώντας να καταλάβουμε τι είναι αυτό που φτιάξαμε,
00:21
to make it better, to make it faster.
4
9874
3221
τι είναι αυτό που το κάνει καλύτερο και γρηγορότερο.
00:25
And then the next year, we start again.
5
13095
3275
Την επόμενη χρονιά ξεκινάμε ξανά.
00:28
Now, the car you see in front of you is quite complicated.
6
16370
4238
Το αμάξι που βλέπετε μπροστά σας είναι αρκετά πολύπλοκο.
00:32
The chassis is made up of about 11,000 components,
7
20608
3619
Το σασί αποτελείται από περίπου 11.000 κομμάτια,
00:36
the engine another 6,000,
8
24227
2468
η μηχανή από άλλα 6.000,
00:38
the electronics about eight and a half thousand.
9
26695
3093
τα ηλεκτρονικά τμήματα από 8.500 περίπου.
00:41
So there's about 25,000 things there that can go wrong.
10
29788
4401
Οπότε υπάρχουν περίπου 25.000 πράγματα εκεί
που μπορεί να πάνε στραβά.
που μπορεί να πάνε στραβά.
00:46
So motor racing is very much about attention to detail.
11
34189
4826
Ο μηχανοκίνητος αθλητισμός επομένως απαιτεί μεγάλη προσοχή στις λεπτομέρειες.
00:51
The other thing about Formula 1 in particular
12
39015
3263
Το άλλο πράγμα για την Φόρμουλα 1 ειδικότερα,
00:54
is we're always changing the car.
13
42278
2124
είναι ότι συνεχώς αλλάζουμε το αυτοκίνητο.
00:56
We're always trying to make it faster.
14
44402
2280
Πάντα προσπαθούμε να το κάνουμε γρηγορότερο.
00:58
So every two weeks, we will be making
15
46682
2984
Οπότε, κάθε δύο βδομάδες, κατασκευάζουμε
01:01
about 5,000 new components to fit to the car.
16
49666
4200
περίπου 5.000 νέα εξαρτήματα για να ενσωματώσουμε στο αυτοκίνητο.
01:05
Five to 10 percent of the race car
17
53866
2178
Το 5 - 10% του αγωνιστικού αυτοκινήτου
01:08
will be different every two weeks of the year.
18
56044
3752
θα είναι διαφορετικό κάθε δύο βδομάδες του έτους.
01:11
So how do we do that?
19
59796
2309
Πως το κάνουμε λοιπόν αυτό;
01:14
Well, we start our life with the racing car.
20
62105
3744
Ξεκινάμε τη ζωή μας με το αγωνιστικό αυτοκίνητο.
01:17
We have a lot of sensors on the car to measure things.
21
65849
3991
Χρησιμοποιούμε πολλούς αισθητήρες στο αμάξι,
για να μετράμε διάφορα πράγματα.
για να μετράμε διάφορα πράγματα.
01:21
On the race car in front of you here
22
69840
1882
Στο αγωνιστικό αυτοκίνητο που έχετε εδώ μπροστά σας,
01:23
there are about 120 sensors when it goes into a race.
23
71722
3159
υπάρχουν περίπου 120 αισθητήρες,
όταν πηγαίνει σε αγώνα.
όταν πηγαίνει σε αγώνα.
01:26
It's measuring all sorts of things around the car.
24
74881
3652
Μετράνε διάφορα πράγματα γύρω από το αμάξι.
01:30
That data is logged. We're logging about
25
78533
2052
Τα δεδομένα καταχωρούνται. Καταχωρούμε περίπου
01:32
500 different parameters within the data systems,
26
80585
3704
500 διαφορετικούς παραμέτρους στα συστήματα δεδομένων,
01:36
about 13,000 health parameters and events
27
84289
3665
13.000 περίπου παραμέτρους υγείας και γεγονότα
01:39
to say when things are not working the way they should do,
28
87954
4565
που μας λένε πότε τα πράγματα δεν λειτουργούν,
όπως θα έπρεπε.
όπως θα έπρεπε.
01:44
and we're sending that data back to the garage
29
92519
2825
και στέλνουμε τα δεδομένα πίσω στο συνεργείο,
01:47
using telemetry at a rate of two to four megabits per second.
30
95344
4979
χρησιμοποιώντας τηλεμετρία με συχνότητα 2 με 4 μεγκαμπιτς το δευτερόλεπτο.
01:52
So during a two-hour race, each car will be sending
31
100323
3127
Επομένως, κατά τη διάρκεια ενός δίωρου αγώνα,
κάθε αυτοκίνητο θα στέλνει,
κάθε αυτοκίνητο θα στέλνει,
01:55
750 million numbers.
32
103450
2275
750 εκατομμύρια αριθμούς.
01:57
That's twice as many numbers as words that each of us
33
105725
3143
Πρόκειται για δυο φορές το νούμερο των λέξεων,
02:00
speaks in a lifetime.
34
108868
1631
τις οποίες χρησιμοποιεί κανείς στη ζωή του.
02:02
It's a huge amount of data.
35
110499
2618
Είναι ένα τεράστιο ποσό δεδομένων.
02:05
But it's not enough just to have data and measure it.
36
113117
2645
Δεν φτάνει μόνο, όμως, να έχουμε τα δεδομένα
και να τα μετράμε.
και να τα μετράμε.
02:07
You need to be able to do something with it.
37
115762
2158
Πρέπει να μπορούμε να κάνουμε κάτι με αυτά.
02:09
So we've spent a lot of time and effort
38
117920
2394
Έτσι, έχουμε δαπανήσει πολύ χρόνο και προσπάθεια,
02:12
in turning the data into stories
39
120314
1869
για να μετατρέψουμε τα δεδομένα σε ιστορίες,
02:14
to be able to tell, what's the state of the engine,
40
122183
3105
για να μπορούμε να καταλάβουμε ποια είναι η κατάσταση της μηχανής,
02:17
how are the tires degrading,
41
125288
2272
πως φθείρονται τα ελαστικά,
02:19
what's the situation with fuel consumption?
42
127560
3748
τι συμβαίνει με την κατανάλωση καυσίμων;
02:23
So all of this is taking data
43
131308
2788
Όλα αυτά χρησιμοποιούν τα δεδομένα,
02:26
and turning it into knowledge that we can act upon.
44
134096
3802
και τα μετατρέπουν σε γνώσεις,
τις οποίες μπορούμε να αξιοποιήσουμε.
τις οποίες μπορούμε να αξιοποιήσουμε.
02:29
Okay, so let's have a look at a little bit of data.
45
137898
2638
Ας ρίξουμε μια ματιά σε κάποια δεδομένα.
02:32
Let's pick a bit of data from
46
140536
2030
Ας επιλέξουμε μερικά δεδομένα,
02:34
another three-month-old patient.
47
142566
3079
από ένα άλλο ασθενή, ηλικίας τριών μηνών.
02:37
This is a child, and what you're seeing here is real data,
48
145645
4171
Αυτό είναι ένα παιδί και αυτά που βλέπετε εδώ είναι πραγματικά δεδομένα
02:41
and on the far right-hand side,
49
149816
1977
και στην δεξιά μεριά,
02:43
where everything starts getting a little bit catastrophic,
50
151793
2587
όπου όλα αρχίζουν να γίνονται λίγο καταστροφικά,
02:46
that is the patient going into cardiac arrest.
51
154380
3584
αυτό είναι ο ασθενής που μπαίνει σε καρδιακή ανακοπή,
02:49
It was deemed to be an unpredictable event.
52
157964
3232
Φαινόταν να είναι ένα απρόβλεπτο γεγονός.
02:53
This was a heart attack that no one could see coming.
53
161196
3789
Αυτή ήταν μία καρδιακή ανακοπή που κανείς δεν μπορούσε να προβλέψει.
02:56
But when we look at the information there,
54
164985
2550
Αλλά όταν δούμε τις πληροφορίες εδώ,
02:59
we can see that things are starting to become
55
167535
2349
βλέπουμε πώς τα πράγματα αρχίζουν να γίνονται
03:01
a little fuzzy about five minutes or so before the cardiac arrest.
56
169884
4029
λίγο θολά περίπου πέντε λεπτά πρίν την καρδιακή ανακοπή.
03:05
We can see small changes
57
173913
2037
Βλέπουμε μικρές αλλαγές
03:07
in things like the heart rate moving.
58
175950
2383
σε πράγματα όπως η κίνηση του καρδιακού ρυθμού.
03:10
These were all undetected by normal thresholds
59
178333
2486
Αυτές ήταν όλες μη ανιχνεύσιμες με τα φυσιολογικά όρια
03:12
which would be applied to data.
60
180819
2408
που θα εφαρμόζονταν στα δεδομένα.
03:15
So the question is, why couldn't we see it?
61
183227
3143
Οπότε το ερώτημα είναι, γιατί δεν μπορέσαμε να το δούμε;
03:18
Was this a predictable event?
62
186370
2581
Ήταν αυτό ένα προβλέψιμο γεγονός;
03:20
Can we look more at the patterns in the data
63
188951
3010
Μπορούμε να κοιτάξουμε περισσότερο στα μοτίβα εντός των δεδομένων
03:23
to be able to do things better?
64
191961
3380
για να μπορέσουμε να πράξουμε σωστότερα;
03:27
So this is a child,
65
195341
2650
Οπότε, αυτό είναι ένα παιδί,
03:29
about the same age as the racing car on stage,
66
197991
3232
περίπου στην ίδια ηλικία με το αγωνιστικό αυτοκίνητο στη σκηνή,
03:33
three months old.
67
201223
1630
τριών μηνών.
03:34
It's a patient with a heart problem.
68
202853
2605
Είναι ένας ασθενής με καρδιακό πρόβλημα.
03:37
Now, when you look at some of the data on the screen above,
69
205458
3468
Τώρα, όταν βλέπετε κάποια απο τα δεδομένα στην παραπάνω οθόνη,
03:40
things like heart rate, pulse, oxygen, respiration rates,
70
208926
4902
πράγματα όπως ο καρδιακός ρυθμός, οι σφυγμοί, το οξυγόνο, ο ρυθμός αναπνοής,
03:45
they're all unusual for a normal child,
71
213828
3076
είναι όλοι ασυνήθιστοι για ένα φυσιολογικό παιδί,
03:48
but they're quite normal for the child there,
72
216904
2642
αλλά είναι αρκετά φυσιολογικοί για το παιδί εδώ,
03:51
and so one of the challenges you have in health care is,
73
219546
4138
οπότε, μία απο τις προκλήσεις που έχουμε στην υγειονομική περίθαλψη είναι,
03:55
how can I look at the patient in front of me,
74
223684
2851
πώς μπορώ να κοιτάξω την ασθενή που έχω μπροστά μου,
03:58
have something which is specific for her,
75
226535
3047
να έχω κάτι που να είναι συγκεκριμένα για αυτήν
04:01
and be able to detect when things start to change,
76
229582
2788
και να μπορώ να ανιχνεύσω πότε τα πράγματα αρχίζουν να αλλάζουν,
04:04
when things start to deteriorate?
77
232370
2099
πότε τα πράγματα αρχίζουν να επιδεινώνονται;
04:06
Because like a racing car, any patient,
78
234469
3050
Γιατί, όπως στο αγωνιστικό αυτοκίνητο, σε κάθε ασθενή,
04:09
when things start to go bad, you have a short time
79
237519
2976
όταν τα πράγματα αρχίζουν να επιδεινώνονται, έχεις πολύ λίγο χρόνο
04:12
to make a difference.
80
240495
1831
να κάνεις τη διαφορά.
04:14
So what we did is we took a data system
81
242326
2754
Οπότε αυτό που κάναμε ήταν να πάρουμε ενα σύστημα δεδομένων
04:17
which we run every two weeks of the year in Formula 1
82
245080
3131
που το τρέχουμε κάθε δύο εβδομάδες του έτους στη Φόρμουλα 1
04:20
and we installed it on the hospital computers
83
248211
3002
και το εγκαταστήσαμε σε υπολογιστές
04:23
at Birmingham Children's Hospital.
84
251213
2290
του Παιδικού Νοσοκομείου του Μπέρμινγκχαμ.
04:25
We streamed data from the bedside instruments
85
253503
2439
Μεταφέραμε τα δεδομένα απο τα παρακλίνια μηχανήματα
04:27
in their pediatric intensive care
86
255942
2557
στην παιδιατρική εντατική μονάδα
04:30
so that we could both look at the data in real time
87
258499
3456
ώστε να μπορούμε και να βλέπουμε τα δεδομένα σε πραγματικό χρόνο,
04:33
and, more importantly, to store the data
88
261955
2871
αλλά και, πιο σημαντικά, να μπορούμε να αποθηκεύσουμε τα δεδομένα
04:36
so that we could start to learn from it.
89
264826
3057
ώστε να μπορέσουμε να ξεκινήσουμε να μαθαίνουμε απο αυτά.
04:39
And then, we applied an application on top
90
267883
4384
Ύστερα, τοποθετήσαμε μια εφαρμογή απο πάνω,
04:44
which would allow us to tease out the patterns in the data
91
272267
3270
που θα μας επέτρεπε να εξακριβώσουμε τα μοτίβα μέσα στα δεδομένα
04:47
in real time so we could see what was happening,
92
275537
2956
σε πραγματικό χρόνο, ώστε να μπορέσουμε να δούμε τι συμβαίνει,
04:50
so we could determine when things started to change.
93
278493
3713
και να μπορέσουμε να προσδιορίσουμε πότε τα πράγματα άρχιζουν να αλλάζουν.
04:54
Now, in motor racing, we're all a little bit ambitious,
94
282206
3863
Τώρα, στον μηχανοκίνητο αθλητισμό, είμαστε όλοι λίγο φιλόδοξοι,
04:58
audacious, a little bit arrogant sometimes,
95
286069
2549
τυχοδιώκτες, λίγο αλλαζόνες μερικές φορές,
05:00
so we decided we would also look at the children
96
288618
3398
γι'αυτό αποφασίσαμε επίσης ότι θα βλέπουμε τα παιδιά
05:04
as they were being transported to intensive care.
97
292016
2957
καθώς μεταφέρονταν στην εντατική μονάδα.
05:06
Why should we wait until they arrived in the hospital
98
294973
2154
Γιατί να πρέπει να περιμένουμε
μέχρι να φτάσουν στο νοσοκομείο,
μέχρι να φτάσουν στο νοσοκομείο,
05:09
before we started to look?
99
297127
1994
για να ξεκινήσουμε τη διάγνωση;
05:11
And so we installed a real-time link
100
299121
2997
Έτσι εγκαταστήσαμε μία σύνδεση σε πραγματικό χρόνο
05:14
between the ambulance and the hospital,
101
302118
2836
μεταξύ ασθενοφόρου και νοσοκομείου,
05:16
just using normal 3G telephony to send that data
102
304954
3776
απλά χρησιμοποιώντας κανονικό τηλεφωνικό
σήμα 3G για να στέλνουμε τα δεδομένα
σήμα 3G για να στέλνουμε τα δεδομένα
05:20
so that the ambulance became an extra bed
103
308730
2487
οπότε το ασθενοφόρο έγινε ένα έξτρα κρεβάτι
05:23
in intensive care.
104
311217
3136
στην εντατική μονάδα.
05:26
And then we started looking at the data.
105
314353
3702
Τότε αρχίσαμε να παρατηρούμε τα δεδομένα.
05:30
So the wiggly lines at the top, all the colors,
106
318055
2921
Οι κατσαρές γραμμές επάνω, όλα τα χρώματα,
05:32
this is the normal sort of data you would see on a monitor --
107
320976
3194
αυτά είναι τα φυσιολογικά δεδομένα που θα έβλεπες σε μια οθόνη --
05:36
heart rate, pulse, oxygen within the blood,
108
324170
3772
καρδιακός ρυθμός, σφυγμοί, οξυγόνο αίματος
05:39
and respiration.
109
327942
2635
και αναπνοή.
05:42
The lines on the bottom, the blue and the red,
110
330577
2753
Οι γραμμές απο κάτω, η μπλέ και η κόκκινη,
05:45
these are the interesting ones.
111
333330
1360
αυτές είναι οι ενδιαφέρουσες.
05:46
The red line is showing an automated version
112
334690
3209
Η κόκκινη δείχνει μια αυτοματοποιημένη εκδοχή
05:49
of the early warning score
113
337899
1597
μιας έγκαιρης ειδοποίησης
05:51
that Birmingham Children's Hospital were already running.
114
339496
2487
που το Παιδικό Νοσοκομείο του Μπέρμινγκχαμ έτρεχε ήδη.
05:53
They'd been running that since 2008,
115
341983
2338
Την έτρεχαν απο το 2008
05:56
and already have stopped cardiac arrests
116
344321
2256
και έχει ήδη σταματήσει καρδιακές ανακοπές
05:58
and distress within the hospital.
117
346577
2757
και το άγχος εντός του νοσοκομείου.
06:01
The blue line is an indication
118
349334
2432
Η μπλέ γραμμή είναι μια ένδειξη
06:03
of when patterns start to change,
119
351766
2500
του πότε τα μοτίβα αρχίζουν να αλλάζουν,
06:06
and immediately, before we even started
120
354266
2309
και άμεσα, προτού καν ξεκινήσουμε
06:08
putting in clinical interpretation,
121
356575
1708
να κάνουμε κλινική διάγνωση,
06:10
we can see that the data is speaking to us.
122
358283
2870
βλέπουμε πως τα δεδομένα μας μιλάνε.
06:13
It's telling us that something is going wrong.
123
361153
3536
Μας λένε πώς κατι πάει στραβά.
06:16
The plot with the red and the green blobs,
124
364689
3816
Το γράφημα με τις κόκκινες και πράσινες κηλίδες,
06:20
this is plotting different components
125
368505
2805
αυτό στήνει διαφορετικά στοιχεία
06:23
of the data against each other.
126
371310
2547
των δεδομένων μεταξύ τους.
06:25
The green is us learning what is normal for that child.
127
373857
3840
Το πράσινο είναι εμείς που μαθαίνουμε τι
είναι φυσιολογικό για αυτό το παιδί.
είναι φυσιολογικό για αυτό το παιδί.
06:29
We call it the cloud of normality.
128
377697
2610
Το ονομάζουμε το σύννεφο του φυσιολογικού.
06:32
And when things start to change,
129
380307
2241
και όταν τα πράγματα αρχίζουν να αλλάζουν,
06:34
when conditions start to deteriorate,
130
382548
2564
όταν οι συνθήκες αρχίζουν να επιδεινώνονται,
06:37
we move into the red line.
131
385112
2238
προχωράμε στην κόκκινη γραμμή
06:39
There's no rocket science here.
132
387350
1657
Δεν είναι πυρηνική φυσική εδώ.
06:41
It is displaying data that exists already in a different way,
133
389007
4113
Προβάλλει δεδομένα που ήδη υπάρχουν με διαφορετικό τρόπο,
06:45
to amplify it, to provide cues to the doctors,
134
393120
3391
για να τα ενισχύσει, να δώσει σήμα στους γιατρούς,
06:48
to the nurses, so they can see what's happening.
135
396511
2738
στις νοσοκόμες, ώστε να μπορούν να δούν τι συμβαίνει.
06:51
In the same way that a good racing driver
136
399249
3130
Όπως ένας καλός οδηγός αγωνιστικών αυτοκινήτων
στηρίζεται στις ενδείξεις
στηρίζεται στις ενδείξεις
06:54
relies on cues to decide when to apply the brakes,
137
402379
4044
για να αποφασίσει πότε θα φρενάρει,
06:58
when to turn into a corner,
138
406423
1476
πότε να στρίψει σε μια στροφή,
06:59
we need to help our physicians and our nurses
139
407899
2918
πρέπει να βοηθήσουμε τους γιατρούς και τις νοσοκόμες μας...
07:02
to see when things are starting to go wrong.
140
410817
3620
να προβλέψουν πότε η κατάσταση αρχίσει να στραβώνει.
07:06
So we have a very ambitious program.
141
414437
2946
Έχουμε ένα πολύ φιλόδοξο πρόγραμμα.
07:09
We think that the race is on to do something differently.
142
417383
4736
Πιστεύουμε ότι οι αγώνας ξεκίνησε για να κάνουμε κάτι διαφορετικά.
07:14
We are thinking big. It's the right thing to do.
143
422119
2904
Έχουμε μεγαλόπνοα σχέδια.
Αυτό είναι το σωστό.
Αυτό είναι το σωστό.
07:17
We have an approach which, if it's successful,
144
425023
3412
Έχουμε μια προσέγγιση,
που αν είναι επιτυχημένη,
που αν είναι επιτυχημένη,
07:20
there's no reason why it should stay within a hospital.
145
428435
2531
δεν θα χρειάζεται να παραμείνει στο νοσοκομείο.
07:22
It can go beyond the walls.
146
430966
1841
Μπορεί να βγεί εκτός των τοιχών.
07:24
With wireless connectivity these days,
147
432807
2071
Με την ασύρματη σύνδεση σήμερα,
07:26
there is no reason why patients, doctors and nurses
148
434878
3444
δεν χρειάζεται να είναι οι ασθενείς,
οι γιατροί και οι νοσοκόμες
οι γιατροί και οι νοσοκόμες
07:30
always have to be in the same place
149
438322
2171
συνεχώς στον ίδιο χώρο,
07:32
at the same time.
150
440493
1993
την ίδια ώρα.
07:34
And meanwhile, we'll take our little three-month-old baby,
151
442486
3995
Στο μεταξύ, θα πάρουμε το τριών μηνών μωρό μας,
07:38
keep taking it to the track, keeping it safe,
152
446481
3757
θα το βάζουμε να αγωνίζεται,
θα το κρατάμε ασφαλές,
θα το κρατάμε ασφαλές,
07:42
and making it faster and better.
153
450238
2333
και θα το κάνουμε γρηγορότερο και καλύτερο.
07:44
Thank you very much.
154
452571
1405
Ευχαριστώ πολύ.
07:45
(Applause)
155
453976
4954
(Χειροκρότημα)
ABOUT THE SPEAKER
Peter van Manen - Electronic systems expertPeter van Manen is the Managing Director of McLaren Electronics, which provides data systems to major motorsports series.
Why you should listen
To say that Peter van Manen has a high-speed job would be an understatement. As Managing Director of McLaren Electronics, which provides electronics and data collection software to motorsports events, he and his team work in real time during a race to improve cars on about 500 different parameters. That's about 750 million data points in two hours.
But recently van Manen and his team have been wondering: Why can't the extremely precise and subtle data-collection and analysis systems used in motorsports be applied elsewhere, for the benefit of all? They have applied their systems to ICU units at Birmingham Children's Hospital with real-time analysis that allows them to proactively prevent cardiac arrests. The unit has seen a 25 percent decrease in life-threatening events. And it's just the beginning.
Peter van Manen | Speaker | TED.com