TEDxNijmegen
Peter van Manen: Better baby care -- thanks to Formula 1
Peter van Manen: Hur kan Formel 1-racing hjälpa ... bebisar?
Filmed:
Readability: 3.5
845,406 views
Under ett Formel 1-lopp skickar en bil hundratals miljoner datapunkter till sitt garage för realtidsanalys och återkoppling. Så varför inte använda detta detaljerade och noggranna datasystem någon annanstans, som ... på barnsjukhus? Peter van Manen berättar mer.
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
Motorsport är ett rolig gammalt yrke.
00:14
We make a new car every year,
1
2593
2317
Vi skapar en ny bil varje år
00:16
and then we spend the rest of the season
2
4910
2188
och sen tillbringar vi resten av säsongen
00:19
trying to understand what it is we've built
3
7098
2776
med att försöka förstå vad vi har byggt
00:21
to make it better, to make it faster.
4
9874
3221
för att göra den bättre, för att göra den snabbare.
00:25
And then the next year, we start again.
5
13095
3275
Och nästa år börjar vi om igen.
00:28
Now, the car you see in front of you is quite complicated.
6
16370
4238
Bilen du ser framför dig är ganska komplicerad
00:32
The chassis is made up of about 11,000 components,
7
20608
3619
Chassit består av runt 11 000 komponenter,
00:36
the engine another 6,000,
8
24227
2468
motorn av ytterligare 6 000,
00:38
the electronics about eight and a half thousand.
9
26695
3093
elektroniken av runt åtta och ett halvt tusen.
00:41
So there's about 25,000 things there that can go wrong.
10
29788
4401
Så det finns runt 25 000 saker som kan gå fel.
00:46
So motor racing is very much about attention to detail.
11
34189
4826
Motorsport handlar mycket om att vara uppmärksam på detaljer.
00:51
The other thing about Formula 1 in particular
12
39015
3263
Den andra saken med Formel 1 i synnerhet
00:54
is we're always changing the car.
13
42278
2124
är att vi ständigt ändrar bilen.
00:56
We're always trying to make it faster.
14
44402
2280
Vi försöker alltid få den att gå snabbare.
00:58
So every two weeks, we will be making
15
46682
2984
Så varannan vecka kommer vi att göra
01:01
about 5,000 new components to fit to the car.
16
49666
4200
runt 5 000 nya komponenter att montera på bilen.
01:05
Five to 10 percent of the race car
17
53866
2178
Fem till 10 procent av racerbilen
01:08
will be different every two weeks of the year.
18
56044
3752
kommer vara annorlunda varannan vecka hela året.
01:11
So how do we do that?
19
59796
2309
Så hur bär vi oss åt?
01:14
Well, we start our life with the racing car.
20
62105
3744
Ja, vi startar vårt liv med racerbilen.
01:17
We have a lot of sensors on the car to measure things.
21
65849
3991
Vi har många sensorer på bilen för att mäta saker.
01:21
On the race car in front of you here
22
69840
1882
På racerbilen här framför er
01:23
there are about 120 sensors when it goes into a race.
23
71722
3159
finns det runt 120 sensorer när den kör ett lopp.
01:26
It's measuring all sorts of things around the car.
24
74881
3652
De mäter alla möjliga saker runt bilen
01:30
That data is logged. We're logging about
25
78533
2052
Datan registreras. Vi registrerar ungefär
01:32
500 different parameters within the data systems,
26
80585
3704
500 olika parametrar inom datasystemet,
01:36
about 13,000 health parameters and events
27
84289
3665
runt 13 000 hälsoparametrar och händelser
01:39
to say when things are not working the way they should do,
28
87954
4565
som skall tala om när saker inte fungerar som de ska,
01:44
and we're sending that data back to the garage
29
92519
2825
och vi skickar tillbaka den datan till garaget
01:47
using telemetry at a rate of two to four megabits per second.
30
95344
4979
med hjälp av telemetri med en hastighet på två till fyra megabit per sekund.
01:52
So during a two-hour race, each car will be sending
31
100323
3127
Så under ett 2-timmarslopp skickar varje bil
01:55
750 million numbers.
32
103450
2275
750 miljoner tal.
01:57
That's twice as many numbers as words that each of us
33
105725
3143
Det är dubbelt så många tal som antalet ord som var och en av oss
02:00
speaks in a lifetime.
34
108868
1631
yttrar under en livstid.
02:02
It's a huge amount of data.
35
110499
2618
Det är enormt mycket data.
02:05
But it's not enough just to have data and measure it.
36
113117
2645
Men det räcker inte att bara ha data och mäta det.
02:07
You need to be able to do something with it.
37
115762
2158
Du måste kunna göra någonting med det.
02:09
So we've spent a lot of time and effort
38
117920
2394
Så vi har lagt mycket tid och kraft
02:12
in turning the data into stories
39
120314
1869
på att omvandla data till berättelser
02:14
to be able to tell, what's the state of the engine,
40
122183
3105
för att kunna berätta vilket tillstånd motorn är i,
02:17
how are the tires degrading,
41
125288
2272
hur däcken slits,
02:19
what's the situation with fuel consumption?
42
127560
3748
hur är läget med bränsleförbrukningen?
02:23
So all of this is taking data
43
131308
2788
Allt det här tar data
02:26
and turning it into knowledge that we can act upon.
44
134096
3802
och vänder den till kunskap som vi kan agera utifrån.
02:29
Okay, so let's have a look at a little bit of data.
45
137898
2638
Okej, låt oss ta en titt på lite data.
02:32
Let's pick a bit of data from
46
140536
2030
Låt oss plocka lite data från
02:34
another three-month-old patient.
47
142566
3079
en annan tre månader gammal patient.
02:37
This is a child, and what you're seeing here is real data,
48
145645
4171
Detta är ett barn och vad du ser här är verklig data,
02:41
and on the far right-hand side,
49
149816
1977
och längst bort på höger sida,
02:43
where everything starts getting a little bit catastrophic,
50
151793
2587
där allt börjar bli lite katastrofalt,
02:46
that is the patient going into cardiac arrest.
51
154380
3584
syns att patienten får hjärtstillestånd.
02:49
It was deemed to be an unpredictable event.
52
157964
3232
Det ansågs vara en oförutsägbar händelse.
02:53
This was a heart attack that no one could see coming.
53
161196
3789
Detta var en hjärtattack som ingen kunde förutse.
02:56
But when we look at the information there,
54
164985
2550
Men när vi tittar på informationen här,
02:59
we can see that things are starting to become
55
167535
2349
kan vi se att saker och ting börjar bli
03:01
a little fuzzy about five minutes or so before the cardiac arrest.
56
169884
4029
lite otydliga omkring fem minuter innan hjärtstilleståndet.
03:05
We can see small changes
57
173913
2037
Vi kan se små förändringar
03:07
in things like the heart rate moving.
58
175950
2383
i saker som att hjärtfrekvensen rubbas.
03:10
These were all undetected by normal thresholds
59
178333
2486
Dessa var alla oupptäckta med de normala tröskelvärden
03:12
which would be applied to data.
60
180819
2408
som skulle tillämpas på data.
03:15
So the question is, why couldn't we see it?
61
183227
3143
Så frågan är, varför kunde vi inte se det?
03:18
Was this a predictable event?
62
186370
2581
Var detta en förutsägbar händelse?
03:20
Can we look more at the patterns in the data
63
188951
3010
Kan vi titta mer på mönster i datan
03:23
to be able to do things better?
64
191961
3380
för att kunna göra saker bättre?
03:27
So this is a child,
65
195341
2650
Detta är ett barn,
03:29
about the same age as the racing car on stage,
66
197991
3232
ungefär lika gammalt som racerbilen på scenen,
03:33
three months old.
67
201223
1630
tre månader gammal.
03:34
It's a patient with a heart problem.
68
202853
2605
Det är en patient med hjärtproblem.
03:37
Now, when you look at some of the data on the screen above,
69
205458
3468
När man tittar på en del data på skärmen ovan,
03:40
things like heart rate, pulse, oxygen, respiration rates,
70
208926
4902
saker som hjärtfrekvens, puls, syre, andningsfrekvens,
03:45
they're all unusual for a normal child,
71
213828
3076
är de alla ovanliga för ett normalt barn,
03:48
but they're quite normal for the child there,
72
216904
2642
men de är helt normala för barnet där,
03:51
and so one of the challenges you have in health care is,
73
219546
4138
så en av utmaningarna man har inom sjukvården är,
03:55
how can I look at the patient in front of me,
74
223684
2851
hur kan jag se på patienten framför mig,
03:58
have something which is specific for her,
75
226535
3047
ta något som är specifikt för henne,
04:01
and be able to detect when things start to change,
76
229582
2788
och kunna upptäcka när saker och ting börjar ändras,
04:04
when things start to deteriorate?
77
232370
2099
när saker börjar försämras?
04:06
Because like a racing car, any patient,
78
234469
3050
För liksom en racerbil, en patient,
04:09
when things start to go bad, you have a short time
79
237519
2976
när saker och ting börjar gå dåligt har du lite tid
04:12
to make a difference.
80
240495
1831
för att göra skillnad.
04:14
So what we did is we took a data system
81
242326
2754
Så det vi gjorde var att vi tog ett datasystem
04:17
which we run every two weeks of the year in Formula 1
82
245080
3131
som vi kör varannan vecka året runt i Formel 1
04:20
and we installed it on the hospital computers
83
248211
3002
och installerade det på sjukhusdatorerna
04:23
at Birmingham Children's Hospital.
84
251213
2290
på Birminghams barnsjukhus.
04:25
We streamed data from the bedside instruments
85
253503
2439
Vi strömmade data från instrumenten
04:27
in their pediatric intensive care
86
255942
2557
på deras pediatriska intensivvårdsavdelning
04:30
so that we could both look at the data in real time
87
258499
3456
så att vi både kunde se datan i realtid
04:33
and, more importantly, to store the data
88
261955
2871
och, ännu viktigare, lagra datan
04:36
so that we could start to learn from it.
89
264826
3057
så att vi kunde börja lära oss av den.
04:39
And then, we applied an application on top
90
267883
4384
Och sedan tillämpade vi en applikation ovanpå
04:44
which would allow us to tease out the patterns in the data
91
272267
3270
vilket skulle göra det möjligt för oss att reda ut mönstren i datan
04:47
in real time so we could see what was happening,
92
275537
2956
i realtid så att vi kunde se vad som hände,
04:50
so we could determine when things started to change.
93
278493
3713
så vi kunde avgöra när saker och ting började förändras.
04:54
Now, in motor racing, we're all a little bit ambitious,
94
282206
3863
I motorsport, är vi alla lite ambitiösa,
04:58
audacious, a little bit arrogant sometimes,
95
286069
2549
djärva, lite arroganta ibland,
05:00
so we decided we would also look at the children
96
288618
3398
så vi bestämde att vi också skulle titta på barnen
05:04
as they were being transported to intensive care.
97
292016
2957
medan de transporterades till intensivvårdsavdelningen.
05:06
Why should we wait until they arrived in the hospital
98
294973
2154
Varför skulle vi vänta tills de kom till sjukhuset
05:09
before we started to look?
99
297127
1994
innan vi började titta?
05:11
And so we installed a real-time link
100
299121
2997
Så vi installerade ett realtidslänk
05:14
between the ambulance and the hospital,
101
302118
2836
mellan ambulansen och sjukhuset,
05:16
just using normal 3G telephony to send that data
102
304954
3776
och använde vanlig 3G-telefoni för att skicka dessa data
05:20
so that the ambulance became an extra bed
103
308730
2487
så att ambulansen blev en extra säng
05:23
in intensive care.
104
311217
3136
på intensivvårdsavdelningen.
05:26
And then we started looking at the data.
105
314353
3702
Och sedan började vi titta på datan.
05:30
So the wiggly lines at the top, all the colors,
106
318055
2921
De slingrande linjerna upptill, alla färger,
05:32
this is the normal sort of data you would see on a monitor --
107
320976
3194
detta är den normala sorts data du skulle se på en skärm
05:36
heart rate, pulse, oxygen within the blood,
108
324170
3772
hjärtfrekvens, puls, syre i blodet,
05:39
and respiration.
109
327942
2635
och andning.
05:42
The lines on the bottom, the blue and the red,
110
330577
2753
Linjerna längst ner, den blå och den röda,
05:45
these are the interesting ones.
111
333330
1360
är de intressanta.
05:46
The red line is showing an automated version
112
334690
3209
Den röda linjen visar en automatiserad version
05:49
of the early warning score
113
337899
1597
av en tidig varningsvärdering
05:51
that Birmingham Children's Hospital were already running.
114
339496
2487
som Birminghams barnsjukhus redan använde.
05:53
They'd been running that since 2008,
115
341983
2338
Den har varit igång sedan 2008,
05:56
and already have stopped cardiac arrests
116
344321
2256
och har redan förhindrat hjärtstillestånd
05:58
and distress within the hospital.
117
346577
2757
och nödlägen inom sjukhuset.
06:01
The blue line is an indication
118
349334
2432
Den blå linjen är en indikator
06:03
of when patterns start to change,
119
351766
2500
på när ett mönster börjar förändras
06:06
and immediately, before we even started
120
354266
2309
och omedelbart, innan vi ens började
06:08
putting in clinical interpretation,
121
356575
1708
sätta in klinisk tolkning,
06:10
we can see that the data is speaking to us.
122
358283
2870
kan vi se att datan talar till oss.
06:13
It's telling us that something is going wrong.
123
361153
3536
Den säger att någonting är fel.
06:16
The plot with the red and the green blobs,
124
364689
3816
Diagrammet med de röda och gröna dropparna,
06:20
this is plotting different components
125
368505
2805
markerar olika komponenter
06:23
of the data against each other.
126
371310
2547
av datan mot varandra.
06:25
The green is us learning what is normal for that child.
127
373857
3840
De gröna är vi som lär oss vad som är normalt för barnet
06:29
We call it the cloud of normality.
128
377697
2610
Vi kallar det för normalitetsmolnet.
06:32
And when things start to change,
129
380307
2241
Och när saker och ting börjar förändras,
06:34
when conditions start to deteriorate,
130
382548
2564
när förhållandena börjar försämras
06:37
we move into the red line.
131
385112
2238
flyttar vi till den röda linjen.
06:39
There's no rocket science here.
132
387350
1657
Det är ingen raketforskning här.
06:41
It is displaying data that exists already in a different way,
133
389007
4113
Den visar redan befintlig data på ett annat sätt,
06:45
to amplify it, to provide cues to the doctors,
134
393120
3391
för att förstärka det, för att ge ledtrådar till läkarna,
06:48
to the nurses, so they can see what's happening.
135
396511
2738
till sjuksköterskorna, så att de kan se vad som händer.
06:51
In the same way that a good racing driver
136
399249
3130
På samma sätt som en bra racerförare
06:54
relies on cues to decide when to apply the brakes,
137
402379
4044
litar till ledtrådar för att bestämma när man ska bromsa,
06:58
when to turn into a corner,
138
406423
1476
när man svänger in i en kurva,
06:59
we need to help our physicians and our nurses
139
407899
2918
måste vi hjälpa våra läkare och sjuksköterskor
07:02
to see when things are starting to go wrong.
140
410817
3620
att se när saker och ting börjar gå fel.
07:06
So we have a very ambitious program.
141
414437
2946
Så vi har ett väldigt ambitiöst program.
07:09
We think that the race is on to do something differently.
142
417383
4736
Vi tror att loppet har startat för att göra något annorlunda.
07:14
We are thinking big. It's the right thing to do.
143
422119
2904
Vi tänker stort. Det är rätt sak att göra.
07:17
We have an approach which, if it's successful,
144
425023
3412
Vi har en strategi som, om den är framgångsrik,
07:20
there's no reason why it should stay within a hospital.
145
428435
2531
det inte finns någon anledning till att hålla inom ett sjukhus.
07:22
It can go beyond the walls.
146
430966
1841
Den kan nå utanför husets väggar.
07:24
With wireless connectivity these days,
147
432807
2071
Med trådlös uppkoppling finns det i dessa dagar
07:26
there is no reason why patients, doctors and nurses
148
434878
3444
ingen anledning till att patienter, läkare och sjuksköterskor
07:30
always have to be in the same place
149
438322
2171
alltid måste vara på samma plats
07:32
at the same time.
150
440493
1993
på samma gång.
07:34
And meanwhile, we'll take our little three-month-old baby,
151
442486
3995
Och under tiden, tar vi vår lilla tremånaders baby,
07:38
keep taking it to the track, keeping it safe,
152
446481
3757
fortsätter att ta den till banan, hålla den säker,
07:42
and making it faster and better.
153
450238
2333
och göra den snabbare och bättre.
07:44
Thank you very much.
154
452571
1405
Tack så mycket.
07:45
(Applause)
155
453976
4954
(Applåder)
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