Automobilové závody jsou už roky zábavným byznysem. Každý rok vyrobíme nové auto a zbytek sezóny se snažíme zjistit, co jsme to vlastně vytvořili, abychom to mohli vylepšit a zrychlit. A další rok začínáme zase znova.
Motor racing is a funny old business. We make a new car every year, and then we spend the rest of the season trying to understand what it is we've built to make it better, to make it faster. And then the next year, we start again.
Auto, které vidíte před sebou, je docela složité. Kostra je vyrobena z asi 11 000 komponent, motor z dalších 6 000, elektronika se skládá z asi 8 500. Takže tu máme asi 25 000 věcí, které se mohou pokazit. Proto na závodech musíme věnovat pozornost každému detailu.
Now, the car you see in front of you is quite complicated. The chassis is made up of about 11,000 components, the engine another 6,000, the electronics about eight and a half thousand. So there's about 25,000 things there that can go wrong. So motor racing is very much about attention to detail.
Na Formuli 1 je navíc zajímavé, že to auto neustále měníme. Pořád se ho snažíme zrychlit. Takže co dva týdny vyrábíme na míru asi 5 000 nových komponent. Pět až deset procent závodního auta se mění každé dva týdny, po celý rok.
The other thing about Formula 1 in particular is we're always changing the car. We're always trying to make it faster. So every two weeks, we will be making about 5,000 new components to fit to the car. Five to 10 percent of the race car will be different every two weeks of the year.
Jak to děláme? Podíváme se, jak žije závodní auto. Na autě máme spousty senzorů k měření různých věcí. Na autě před váma bývá během závodu asi 120 senzorů. Měří všechno možné, co se týká auta. Ta data se zaznamenají. Ukládáme asi 500 různých parametrů z datových systémů, asi 13 000 parametrů o stavu auta a o tom, co se zrovna děje, abychom poznali, když něco nefunguje tak, jak by mělo, a všechna data posíláme do boxů přenosovou rychlostí asi 2 – 4 Mb/s. Během dvouhodinového závodu každé auto odešle 750 milionu čísel. To je dvakrát více, než kolik slov vysloví každý z nás během svého života. Je to obrovský objem dat.
So how do we do that? Well, we start our life with the racing car. We have a lot of sensors on the car to measure things. On the race car in front of you here there are about 120 sensors when it goes into a race. It's measuring all sorts of things around the car. That data is logged. We're logging about 500 different parameters within the data systems, about 13,000 health parameters and events to say when things are not working the way they should do, and we're sending that data back to the garage using telemetry at a rate of two to four megabits per second. So during a two-hour race, each car will be sending 750 million numbers. That's twice as many numbers as words that each of us speaks in a lifetime. It's a huge amount of data.
Ale nestačí to jenom změřit a uložit. Musíme být schopní s nimi něco dělat. Takže věnujeme spoustu času a úsilí, abychom těm datům dali nějaký smysl, aby nám řekla, jaký je stav motoru, jak jsou sjeté pneumatiky, jaká je spotřeba paliva. Všechno je to o převodu dat na něco, o co se můžeme opřít.
But it's not enough just to have data and measure it. You need to be able to do something with it. So we've spent a lot of time and effort in turning the data into stories to be able to tell, what's the state of the engine, how are the tires degrading, what's the situation with fuel consumption? So all of this is taking data and turning it into knowledge that we can act upon.
Podívejme se teď na nějaká konkrétní data. Vezmeme data například od jiného tříměsíčního pacienta. Tohle je dítě a tady vidíte skutečná data, a úplně napravo to začíná být docela divoké. Pacient dostává zástavu srdce. Bylo to považováno za nepředvídatelnou událost. Nikdo o té zástavě nemohl tušit. Ale když se podíváme tady na ty informace, vidíme, že stav se začíná trochu zhoršovat asi pět minut před samotnou zástavou. Vidíme malé změny v zobrazení činnosti srdce. Nepřekročily hranice pro rozpoznání, které byly nastaveny pro tyto data. Vyvstává otázka: Proč jsme to neviděli? Dalo se to předvídat? Může nám pohled na tyto vzory v datech pomoci zlepšit některé postupy?
Okay, so let's have a look at a little bit of data. Let's pick a bit of data from another three-month-old patient. This is a child, and what you're seeing here is real data, and on the far right-hand side, where everything starts getting a little bit catastrophic, that is the patient going into cardiac arrest. It was deemed to be an unpredictable event. This was a heart attack that no one could see coming. But when we look at the information there, we can see that things are starting to become a little fuzzy about five minutes or so before the cardiac arrest. We can see small changes in things like the heart rate moving. These were all undetected by normal thresholds which would be applied to data. So the question is, why couldn't we see it? Was this a predictable event? Can we look more at the patterns in the data to be able to do things better?
Tohle dítě je stejně staré jako tohle závodní auto. Má tři měsíce. Je to pacient se srdečními problémy. Když se podíváte na ta data na obrazovce, jako je srdeční rytmus, tep, kyslík, dýchání, pro normální dítě jsou neobvyklé, ale pro tohle dítě je to normální. Jedna z věcí, kterou zdravotnictví musí řešit, je jak se dívat na pacienta, který má své specifické problémy, a být schopný rozpoznat, kdy se věci začnou měnit, kdy se začnou zhoršovat? Stejně jako u závodního auta, tak i u pacientů, když se začne stav zhoršovat, máte málo času, abyste s tím něco udělali.
So this is a child, about the same age as the racing car on stage, three months old. It's a patient with a heart problem. Now, when you look at some of the data on the screen above, things like heart rate, pulse, oxygen, respiration rates, they're all unusual for a normal child, but they're quite normal for the child there, and so one of the challenges you have in health care is, how can I look at the patient in front of me, have something which is specific for her, and be able to detect when things start to change, when things start to deteriorate? Because like a racing car, any patient, when things start to go bad, you have a short time to make a difference.
Takže jsme vzali náš systém, který používáme co dva týdny ve Formuli 1 a nainstalovali ho na počítače v dětské nemocnici v Birminghamu. Posílali jsme data z přístrojů vedle lůžka na místní dětskou jednotku intenzivní péče, takže jsme je mohli vidět v reálném čase, a hlavně jsme je mohli ukládat, abychom se z nich mohli dál učit. Na to jsme ještě připojili program, který nám umožnil vybrat z dat určité vzory v reálném čase, takže jsme viděli co se děje, a mohli určit, kdy došlo ke změně stavu.
So what we did is we took a data system which we run every two weeks of the year in Formula 1 and we installed it on the hospital computers at Birmingham Children's Hospital. We streamed data from the bedside instruments in their pediatric intensive care so that we could both look at the data in real time and, more importantly, to store the data so that we could start to learn from it. And then, we applied an application on top which would allow us to tease out the patterns in the data in real time so we could see what was happening, so we could determine when things started to change.
My závodníci jsme dost ctižádostiví, troufalí a někdy trochu arogantní, tak jsme se rozhodli, že budeme sledovat děti už během transportu do nemocnice. Proč bychom měli čekat, až přijedou do nemocnice, než se na ně podíváme? Tak jsme nainstalovali spojení, které v reálném čase spojuje sanitku a nemocnici. Data posíláme pomocí telefonní 3G sítě, takže se sanitka stává dalším lůžkem na oddělení intenzivní péče.
Now, in motor racing, we're all a little bit ambitious, audacious, a little bit arrogant sometimes, so we decided we would also look at the children as they were being transported to intensive care. Why should we wait until they arrived in the hospital before we started to look? And so we installed a real-time link between the ambulance and the hospital, just using normal 3G telephony to send that data so that the ambulance became an extra bed in intensive care.
A pak jsme začali sledovat ta data. Ty zubaté čáry nahoře, ty barvy, to jsou normální věci, které obvykle vidíte na monitoru srdeční rytmus, tep, kyslík v krvi, a dýchání. Čáry dole, ta modrá a červená, tam to začíná být zajímavé. Červená ukazuje spočítanou hodnotu stavu včasného varování, který už v Birminghamské nemocnici fungoval. Používají to od roku 2008, a už několikrát zabránili zástavě srdce a krizovým situacím v nemocnici. Modrá čára ukazuje, kdy se začínají měnit vzory, takže okamžitě, dřív než podle toho začneme určovat diagnózu, vídíme, že nám to něco ukazuje. Říká nám to, že něco není v pořádku.
And then we started looking at the data. So the wiggly lines at the top, all the colors, this is the normal sort of data you would see on a monitor -- heart rate, pulse, oxygen within the blood, and respiration. The lines on the bottom, the blue and the red, these are the interesting ones. The red line is showing an automated version of the early warning score that Birmingham Children's Hospital were already running. They'd been running that since 2008, and already have stopped cardiac arrests and distress within the hospital. The blue line is an indication of when patterns start to change, and immediately, before we even started putting in clinical interpretation, we can see that the data is speaking to us. It's telling us that something is going wrong.
Graf s červenými a zelenými tečkami zobrazuje různé části dat v závislosti na sobě. Zelená linka, to zjišťujeme jaký je normální stav dítěte. Říkáme tomu oblast normálnosti. A když se něco změní, když se podmínky zhorší, přesuneme se k červené čáře. Není to žádná velká věda. Zobrazuje to data, která už existují, ale v jiné podobě, takže poskytuje lepší indicie doktorům a sestrám, aby viděli, co se zrovna děje. Stejně jako se závodník spoléhá na signály, aby věděl, kdy brzdit, kdy začít zatáčet, potřebujeme pomoct doktorům a sestrám aby viděli, kdy se zhoršuje stav pacientů.
The plot with the red and the green blobs, this is plotting different components of the data against each other. The green is us learning what is normal for that child. We call it the cloud of normality. And when things start to change, when conditions start to deteriorate, we move into the red line. There's no rocket science here. It is displaying data that exists already in a different way, to amplify it, to provide cues to the doctors, to the nurses, so they can see what's happening. In the same way that a good racing driver relies on cues to decide when to apply the brakes, when to turn into a corner, we need to help our physicians and our nurses to see when things are starting to go wrong.
Proto máme velmi ambiciózní program. Právě závody nám umožňují dělat věci jinak. Přemýšlíme ve velkém. Tak je to správné. S našim přístupem, pokud bude úspěšný vůbec nemusíme zůstat pouze v nemocnicích. Můžeme jít mnohem dále. S dnešní bezdrátovou technologií, není důvod, aby pacienti, doktoři a sestry museli být pořád na stejném místě ve stejný čas. A mezitím vezmeme naše tříměsíční dítě a budeme se starat, aby nevyjelo z tratě, aby bylo v bezpečí, a bylo lepší a rychlejší.
So we have a very ambitious program. We think that the race is on to do something differently. We are thinking big. It's the right thing to do. We have an approach which, if it's successful, there's no reason why it should stay within a hospital. It can go beyond the walls. With wireless connectivity these days, there is no reason why patients, doctors and nurses always have to be in the same place at the same time. And meanwhile, we'll take our little three-month-old baby, keep taking it to the track, keeping it safe, and making it faster and better.
Děkuji mnohokrát.
Thank you very much.
(Potlesk)
(Applause)