TEDxNijmegen
Peter van Manen: Better baby care -- thanks to Formula 1
Peter van Manen: Hogyan segíthet a Forma-1...az újszülötteken?
Filmed:
Readability: 3.5
845,406 views
Egy Forma-1-es verseny során egy-egy autó adatok százmillióit küldi a boxba valós idejű elemzés és visszacsatolás céljára. Miért ne használhatnánk ezt a részletes és szigorú adatrendszert máshol, például... gyermekkórházakban? Peter van Manen erről mesél nekünk.
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
Az autóversenyzés egy érdekes régi iparág.
00:14
We make a new car every year,
1
2593
2317
Minden évben új autót építünk,
00:16
and then we spend the rest of the season
2
4910
2188
majd a szezon többi részét azzal töltjük,
00:19
trying to understand what it is we've built
3
7098
2776
hogy megértsük, mit is építettünk,
00:21
to make it better, to make it faster.
4
9874
3221
hogy még jobbá, még gyorsabbá tehessük.
00:25
And then the next year, we start again.
5
13095
3275
Aztán a következő évben újrakezdjük.
00:28
Now, the car you see in front of you is quite complicated.
6
16370
4238
Ez az autó, amit itt látnak, meglehetősen összetett.
00:32
The chassis is made up of about 11,000 components,
7
20608
3619
Az alváz 11 000 alkatrészből áll,
00:36
the engine another 6,000,
8
24227
2468
a motor további 6 000-ből,
00:38
the electronics about eight and a half thousand.
9
26695
3093
az elektronika kb. nyolc és félezerból.
00:41
So there's about 25,000 things there that can go wrong.
10
29788
4401
Összesen tehát mintegy
25 000 dolog van, ami elromolhat.
25 000 dolog van, ami elromolhat.
00:46
So motor racing is very much about attention to detail.
11
34189
4826
Az autóversenyzésben nagyon fontos
a részletekre figyelni.
a részletekre figyelni.
00:51
The other thing about Formula 1 in particular
12
39015
3263
A másik, a Forma-1-re jellemző dolog,
00:54
is we're always changing the car.
13
42278
2124
hogy folyamatosan cseréljük az autókat.
00:56
We're always trying to make it faster.
14
44402
2280
Mindig gyorsabbá akarjuk őket tenni.
00:58
So every two weeks, we will be making
15
46682
2984
Minden két hétben legyártunk
01:01
about 5,000 new components to fit to the car.
16
49666
4200
kb. 5 000 alkatrészt az autó számára.
01:05
Five to 10 percent of the race car
17
53866
2178
A verenyautó 5-10 százalékát
01:08
will be different every two weeks of the year.
18
56044
3752
az év minden második hetében lecseréljük.
01:11
So how do we do that?
19
59796
2309
Hogyan csináljuk mindezt?
01:14
Well, we start our life with the racing car.
20
62105
3744
Kezdjük hát el életünket a versenyautóval!
01:17
We have a lot of sensors on the car to measure things.
21
65849
3991
Rengeteg különféle érzékelő van az autón.
01:21
On the race car in front of you here
22
69840
1882
Ezen az autón itt Önök előtt
01:23
there are about 120 sensors when it goes into a race.
23
71722
3159
mintegy 120 érzékelő van, amikor elindul a versenyen.
01:26
It's measuring all sorts of things around the car.
24
74881
3652
Ezek számos dolgot mérnek az autó körül.
01:30
That data is logged. We're logging about
25
78533
2052
Ezeket az adatokat naplózzuk. Rögzítünk körülbelül
01:32
500 different parameters within the data systems,
26
80585
3704
500 különböző adatot az adatrendszerekben,
01:36
about 13,000 health parameters and events
27
84289
3665
kb. 13 000 egészségi paramétert és eseményt,
01:39
to say when things are not working the way they should do,
28
87954
4565
hogy megállapíthassuk, ha valami nem jól működik,
01:44
and we're sending that data back to the garage
29
92519
2825
és az adatokat telemetrikus úton küldjük a boxba,
01:47
using telemetry at a rate of two to four megabits per second.
30
95344
4979
2-4 Mbit/s sebességgel.
01:52
So during a two-hour race, each car will be sending
31
100323
3127
Így egy két órás verseny alatt minden autó
01:55
750 million numbers.
32
103450
2275
750 millió számot küld be.
01:57
That's twice as many numbers as words that each of us
33
105725
3143
Ez kétszer annyi szám, mint ahány szót közülünk
02:00
speaks in a lifetime.
34
108868
1631
bárki egész életében kimond.
02:02
It's a huge amount of data.
35
110499
2618
Ez óriási adatmennyiség.
02:05
But it's not enough just to have data and measure it.
36
113117
2645
Nem elég azonban mérni és adatot gyűjteni.
02:07
You need to be able to do something with it.
37
115762
2158
Valamit kell is az adatokkal kezdenünk.
02:09
So we've spent a lot of time and effort
38
117920
2394
Ezért rengeteg energiát fordítunk arra,
02:12
in turning the data into stories
39
120314
1869
hogy az adatokat olyan történetekké alakítsuk,
02:14
to be able to tell, what's the state of the engine,
40
122183
3105
amelyek mesélnek a motor állapotáról,
02:17
how are the tires degrading,
41
125288
2272
a gumiabroncsok kopásáról,
02:19
what's the situation with fuel consumption?
42
127560
3748
és az üzemanyag-fogyasztás állásáról.
02:23
So all of this is taking data
43
131308
2788
Tehát mindez az adatgyűjtésről szól,
02:26
and turning it into knowledge that we can act upon.
44
134096
3802
és hogy hogyan alakíthatjuk
az adatokat használható ismeretekké.
az adatokat használható ismeretekké.
02:29
Okay, so let's have a look at a little bit of data.
45
137898
2638
Rendben van, nézzük meg
kicsit közelebbről az adatokat!
kicsit közelebbről az adatokat!
02:32
Let's pick a bit of data from
46
140536
2030
Vegyünk néhány adatot
02:34
another three-month-old patient.
47
142566
3079
egy másik háromhónapos pácienstől.
02:37
This is a child, and what you're seeing here is real data,
48
145645
4171
Mégpedig egy gyermektől,
és amint látják, ezek itt valós adatok,
és amint látják, ezek itt valós adatok,
02:41
and on the far right-hand side,
49
149816
1977
és itt a jobb szélen,
02:43
where everything starts getting a little bit catastrophic,
50
151793
2587
ahol mind kezd egy kicsit katasztrofálissá válni,
02:46
that is the patient going into cardiac arrest.
51
154380
3584
a beteget a szívműködés leállása fenyegeti.
02:49
It was deemed to be an unpredictable event.
52
157964
3232
Ezt előre nem látható eseménynek ítélték.
02:53
This was a heart attack that no one could see coming.
53
161196
3789
Egy szívroham történt, amit senki nem láthatott előre.
02:56
But when we look at the information there,
54
164985
2550
Amikor azonban megnézzük ezeket az információkat,
02:59
we can see that things are starting to become
55
167535
2349
akkor láthatjuk, hogy a dolgok kezdenek
03:01
a little fuzzy about five minutes or so before the cardiac arrest.
56
169884
4029
kissé összezavarodni,
mintegy öt perccel a szívleállás előtt.
mintegy öt perccel a szívleállás előtt.
03:05
We can see small changes
57
173913
2037
Apró változásokat láthatunk
03:07
in things like the heart rate moving.
58
175950
2383
például a szívritmus alakulásában.
03:10
These were all undetected by normal thresholds
59
178333
2486
Az adatokra alkalmazott normál küszöbértékek
03:12
which would be applied to data.
60
180819
2408
ezeket nem mutatták ki.
03:15
So the question is, why couldn't we see it?
61
183227
3143
Kérdés tehát, hogy miért nem láthattuk ezeket?
03:18
Was this a predictable event?
62
186370
2581
Megjósolható volt-e ez az esemény?
03:20
Can we look more at the patterns in the data
63
188951
3010
Mélyebbre tudunk nézni az adatok mintáiba ahhoz,
03:23
to be able to do things better?
64
191961
3380
hogy jobban láthassuk a dolgokat?
03:27
So this is a child,
65
195341
2650
Ez a gyermek tehát
03:29
about the same age as the racing car on stage,
66
197991
3232
ugyanannyi idős, mint a színpadon
látható versenyautó,
látható versenyautó,
03:33
three months old.
67
201223
1630
három hónapos.
03:34
It's a patient with a heart problem.
68
202853
2605
Ő egy beteg, aki szívproblémával küzd.
03:37
Now, when you look at some of the data on the screen above,
69
205458
3468
Most, amikor ránézünk a képen látható bizonyos adatokra,
03:40
things like heart rate, pulse, oxygen, respiration rates,
70
208926
4902
mint például a szívritmusra,
pulzusra, oxigénre, légzésritmusra,
pulzusra, oxigénre, légzésritmusra,
03:45
they're all unusual for a normal child,
71
213828
3076
láthatjuk, hogy egészséges gyermeknél szokatlanok,
03:48
but they're quite normal for the child there,
72
216904
2642
ám az itt lévő gyermeknél normálisak,
03:51
and so one of the challenges you have in health care is,
73
219546
4138
és az egészségügy egyik legnagyobb kihívása,
03:55
how can I look at the patient in front of me,
74
223684
2851
hogy hogyan tudok az előttem lévő betegen
03:58
have something which is specific for her,
75
226535
3047
valami rá specifikusat észrevenni,
04:01
and be able to detect when things start to change,
76
229582
2788
és képesnek lenni a változás kezdetének,
04:04
when things start to deteriorate?
77
232370
2099
a problémák első jeleinek felismerésére?
04:06
Because like a racing car, any patient,
78
234469
3050
Mivel a versenyautóhoz hasonlóan, minden betegnél,
04:09
when things start to go bad, you have a short time
79
237519
2976
ha valami elkezd elromlani, rövid idő áll rendelkezésre
04:12
to make a difference.
80
240495
1831
az eltérés felismerésére.
04:14
So what we did is we took a data system
81
242326
2754
Ezért tehát egy olyan adatrendszert hoztunk létre,
04:17
which we run every two weeks of the year in Formula 1
82
245080
3131
amelyet a Forma-1-es év minden
második hetében lefuttatunk,
második hetében lefuttatunk,
04:20
and we installed it on the hospital computers
83
248211
3002
és amit a birminghami Gyermekkórház
04:23
at Birmingham Children's Hospital.
84
251213
2290
számítógépeire telepítettünk.
04:25
We streamed data from the bedside instruments
85
253503
2439
Összegyűjtjük az intenzív osztályon lévő
04:27
in their pediatric intensive care
86
255942
2557
felügyeleti műszerek adatait,
04:30
so that we could both look at the data in real time
87
258499
3456
hogy ezáltal valós idejű elemzéseket végezhessünk,
04:33
and, more importantly, to store the data
88
261955
2871
és, ami még fontosabb, úgy tárolhassuk az adatokat,
04:36
so that we could start to learn from it.
89
264826
3057
hogy képesek legyünk tanulni belőlük.
04:39
And then, we applied an application on top
90
267883
4384
Erre az adathalmazra ráépítettünk egy alkalmazást,
04:44
which would allow us to tease out the patterns in the data
91
272267
3270
ami segít nekünk előcsalogatni
az adatokban lévő mintákat
az adatokban lévő mintákat
04:47
in real time so we could see what was happening,
92
275537
2956
valós időben, hogy láthassuk, mi történik,
04:50
so we could determine when things started to change.
93
278493
3713
hogy megállapíthassuk,
mikor indulnak változásnak a dolgok.
mikor indulnak változásnak a dolgok.
04:54
Now, in motor racing, we're all a little bit ambitious,
94
282206
3863
Az autóversenyzésben mindannyian
egy kissé becsvágyóak,
egy kissé becsvágyóak,
04:58
audacious, a little bit arrogant sometimes,
95
286069
2549
vakmerőek, és időnként kissé arrogánsak vagyunk,
05:00
so we decided we would also look at the children
96
288618
3398
ezért úgy döntöttünk, hogy a gyermekekre
is úgy tekintünk,
is úgy tekintünk,
05:04
as they were being transported to intensive care.
97
292016
2957
mintha éppen az intenzív osztályra szállítanák őket.
05:06
Why should we wait until they arrived in the hospital
98
294973
2154
Miért kéne a kórházba érkezésükre várnunk,
05:09
before we started to look?
99
297127
1994
mielőtt elkezdenénk a vizsgálatukat?
05:11
And so we installed a real-time link
100
299121
2997
Ezért kialakítottunk egy valósidejű kapcsolatot
05:14
between the ambulance and the hospital,
101
302118
2836
a mentőautó és a kórház között,
05:16
just using normal 3G telephony to send that data
102
304954
3776
a normál 3G-s, telefonos adatcsatornán keresztül,
05:20
so that the ambulance became an extra bed
103
308730
2487
és így a mentőautót az intenzív osztály
05:23
in intensive care.
104
311217
3136
egy ágyává alakítottuk.
05:26
And then we started looking at the data.
105
314353
3702
Aztán elkezdtük az adatok elemzését.
05:30
So the wiggly lines at the top, all the colors,
106
318055
2921
Ezek a mindenféle színű, kígyózó vonalak itt felül,
05:32
this is the normal sort of data you would see on a monitor --
107
320976
3194
ezek a szokásos adatfajták,
amiket a monitoron láthatunk --
amiket a monitoron láthatunk --
05:36
heart rate, pulse, oxygen within the blood,
108
324170
3772
szívritmus, pulzus, a vérben lévő oxigén,
05:39
and respiration.
109
327942
2635
és a légzés.
05:42
The lines on the bottom, the blue and the red,
110
330577
2753
Alul a kék és piros vonal,
05:45
these are the interesting ones.
111
333330
1360
ezek az érdekesek számunkra.
05:46
The red line is showing an automated version
112
334690
3209
A piros vonal egy automatikus változatát mutatja
05:49
of the early warning score
113
337899
1597
annak a korai riasztási értéknek,
05:51
that Birmingham Children's Hospital were already running.
114
339496
2487
amit a birminghami Gyermekkórház már használ.
05:53
They'd been running that since 2008,
115
341983
2338
Már 2008 óta használják,
05:56
and already have stopped cardiac arrests
116
344321
2256
és már sikerült megakadályozniuk szívleállást,
05:58
and distress within the hospital.
117
346577
2757
és szívrohamot a kórházban.
06:01
The blue line is an indication
118
349334
2432
A kék vonal egy indikátor,
06:03
of when patterns start to change,
119
351766
2500
ami a mintaváltozásokat jelzi,
06:06
and immediately, before we even started
120
354266
2309
és azonnal, még mielőtt elkezdenénk
06:08
putting in clinical interpretation,
121
356575
1708
az adatok klinikai értelmezését,
06:10
we can see that the data is speaking to us.
122
358283
2870
már látjuk, hogy az adatok beszélnek hozzánk.
06:13
It's telling us that something is going wrong.
123
361153
3536
Azt mondják, hogy valami probléma van.
06:16
The plot with the red and the green blobs,
124
364689
3816
A vonal a piros és zöld foltokkal
06:20
this is plotting different components
125
368505
2805
mutatja az adatok különböző
06:23
of the data against each other.
126
371310
2547
komponenseit egymással összefüggésben.
06:25
The green is us learning what is normal for that child.
127
373857
3840
A zöldből látjuk, hogy az adott
gyermeknél mi a normális.
gyermeknél mi a normális.
06:29
We call it the cloud of normality.
128
377697
2610
Ezt hívjuk a normalitási felhőnek.
06:32
And when things start to change,
129
380307
2241
Amikor aztán változni kezdenek a dolgok,
06:34
when conditions start to deteriorate,
130
382548
2564
amikor romlani kezd az állapot,
06:37
we move into the red line.
131
385112
2238
átkerülünk a piros vonalra.
06:39
There's no rocket science here.
132
387350
1657
Nincs ebben semmi varázslat.
06:41
It is displaying data that exists already in a different way,
133
389007
4113
Mindössze új szemszögből
mutattunk meg már létező adatokat,
mutattunk meg már létező adatokat,
06:45
to amplify it, to provide cues to the doctors,
134
393120
3391
hogy felerősítve őket, segítsük az orvosokat
06:48
to the nurses, so they can see what's happening.
135
396511
2738
és a nővéreket, meglátni, hogy mi is történik.
06:51
In the same way that a good racing driver
136
399249
3130
Ugyanúgy, ahogy a jó autóversenyző is
06:54
relies on cues to decide when to apply the brakes,
137
402379
4044
ilyen jelek alapján dönti el, hogy mikor fékezzen,
06:58
when to turn into a corner,
138
406423
1476
mikor kezdje meg a kanyarodást,
06:59
we need to help our physicians and our nurses
139
407899
2918
ugyanúgy kell segítenünk az orvosokat és nővéreket,
07:02
to see when things are starting to go wrong.
140
410817
3620
hogy észrevegyék, ha a dolgok rossz irányt vesznek.
07:06
So we have a very ambitious program.
141
414437
2946
Tehát elég ambíciózus programot tűztünk magunk elé.
07:09
We think that the race is on to do something differently.
142
417383
4736
Úgy véljük, elkezdődött a verseny a dolgok megváltoztatására.
07:14
We are thinking big. It's the right thing to do.
143
422119
2904
Nagy terveink vannak. Így kell cselekednünk.
07:17
We have an approach which, if it's successful,
144
425023
3412
Van egy elképzelésünk, ami, hogyha sikeres,
07:20
there's no reason why it should stay within a hospital.
145
428435
2531
akkor semmi ok rá,
hogy a kórházak falai között maradjon.
hogy a kórházak falai között maradjon.
07:22
It can go beyond the walls.
146
430966
1841
Kiléphet a falakon kívülre.
07:24
With wireless connectivity these days,
147
432807
2071
Napjaink vezeték nélküli kapcsolatai révén
07:26
there is no reason why patients, doctors and nurses
148
434878
3444
semmi sem indokolja, hogy a betegek,
orvosok és nővérek
orvosok és nővérek
07:30
always have to be in the same place
149
438322
2171
mindig egyazon helyen legyenek
07:32
at the same time.
150
440493
1993
egy adott időpontban.
07:34
And meanwhile, we'll take our little three-month-old baby,
151
442486
3995
És közben a kis három hónapos gyermekünket is
07:38
keep taking it to the track, keeping it safe,
152
446481
3757
a pályán tudjuk tartani, biztonságban tudjuk,
07:42
and making it faster and better.
153
450238
2333
és még gyorsabbá és jobbá tudjuk alakítani.
07:44
Thank you very much.
154
452571
1405
Köszönöm a figyelmet.
07:45
(Applause)
155
453976
4954
(Taps)
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