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. 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. 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. 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. 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. 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? 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. 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. 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. 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. 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. 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. Thank you very much. (Applause)
Las carreras de autos son un oficio viejo y divertido. Hacemos un auto nuevo cada año, y después pasamos el resto de la temporada tratando de entender qué fue lo que hicimos para mejorarlo, para hacerlo más rápido. Luego, al año siguiente, empezamos de nuevo. Ahora, este auto es bastante complejo. El chasis tiene unos 11 000 componentes. El motor otros 6000. La parte electrónica unos 500 000. Así que hay unas 25 000 cosas que pueden salir mal. Por eso en las carreras hay mucho de atención al detalle. La otra cosa de la Fórmula 1 en particular es que siempre estamos cambiando el auto. Siempre estamos tratando de hacerlo más rápido. Así que a cada 2 semanas hay que adaptar unos 5000 componentes nuevos al auto. Del 5 % al 10 % del auto va a ser diferente cada 2 semanas. ¿Cómo lo hacemos? Bueno, empezamos con el auto existente, tenemos muchos sensores dentro para medir cosas. En el auto que ven aquí hay unos 120 sensores activados al momento de correr. Miden todo tipo de cosas en el auto. Se registran los datos. Registramos unos 500 parámetros distintos en el sistema, unos 13 000 parámetros y eventos de monitoreo por si algo no funciona como debería, y esos datos llegan al garaje por telemetría a una velocidad de 2 a 4 megabytes por segundo. Así que en una carrera de 2 horas, cada auto emite 750 millones de números. Eso es el doble de números que las palabras que cada uno de nosotros usa durante toda la vida. Es una cantidad enorme de datos. Pero no basta con tener los datos y medirlos. Hay que hacer algo con ellos. Así que dedicamos mucho tiempo y esfuerzo a convertir esos datos en historias que puedan indicar el estado del motor, el desgaste de las llantas, el consumo de combustible. Todo esto toma datos y los convierte en conocimiento sobre el cual actuar. Bien, veamos un poco los datos. Tomemos datos de otro paciente de 3 meses. Es un niño, estamos viendo datos reales, en el extremo derecho, todo se ve un poco catastrófico. Es una paciente que tiene un paro cardíaco. Era un evento impredecible. Nadie pudo ver venir este ataque. Pero al analizar la información, vemos que las cosas se ponen algo sospechosas unos 5 minutos antes del paro. Podemos ver pequeñas variaciones en el movimiento del corazón. Pasaron desapercibidas a los umbrales normales que se aplican a los datos. La pregunta es: ¿por qué no lo pudimos prever? ¿Era un evento predecible? ¿Podemos ver otros patrones en los datos que nos ayuden a mejorar las cosas? Este bebé, tiene casi la misma edad que este auto, 3 meses. Es un paciente con un problema cardíaco. Ahora, cuando analizamos los datos de la pantalla, las pulsaciones del corazón, el oxígeno, los niveles de respiración, todo es irregular para un bebé normal, pero bastante normal para ese bebé. Por eso uno de los desafíos de la salud infantil es, ¿cómo analizar a la paciente, tener algo específico para ella, y poder detectar cuando algo esté cambiando, cuando las cosas empiecen a deteriorarse? Porque como con un auto de carreras, con cualquier paciente, cuando las cosas empiezan a salir mal, tenemos poco tiempo para marcar la diferencia. Tomamos el sistema de datos que usamos cada 2 semanas en la Fórmula 1 y lo instalamos en las computadoras de los hospitales... del Hospital Infantil de Birmingham. Transmitimos los datos de los instrumentos de los cuidados intensivos pediátricos para que los dos pudiéramos ver los datos en tiempo real y, más importante, almacenar los datos para poder empezar a aprender de ellos. Luego, instalamos una aplicación que nos permitiría jugar con los patrones de datos en tiempo real para ver qué pasaba, para poder detectar el momento en que cosas empezaran a cambiar. Ahora, en las carreras, todos somos un poco ambiciosos, audaces, un poco arrogantes a veces, Así que decidimos que también veríamos a los niños mientras los transportaban a cuidados intensivos. ¿Por qué esperar a que llegaran al hospital para empezar a analizar? Por eso instalamos un enlace en vivo entre la ambulancia y el hospital, usando solo telefonía 3G para enviar los datos, así la ambulancia se convirtió en una cama extra de cuidados intensivos. Luego empezamos a ver los datos, las líneas onduladas de arriba, todos los colores, son los datos típicos que se ven en el monitor: latidos de corazón, pulso, oxígeno en sangre, respiración. Las líneas de abajo, las azules y rojas, son las interesantes. La línea roja muestra una versión automatizada de un puntaje de advertencia temprana que ya el hospital de Birmingham tenía en funcionamiento. Ha estado funcionando desde el 2008 y prevenido paros cardíacos y angustias en el hospital. La línea azul es un indicador de cambio en los patrones, e inmediatamente, antes de siquiera de empezar las interpretaciones médicas, podemos ver cómo hablan los datos. Nos dicen que algo está mal. Las manchas rojas y verdes grafican diferentes componentes de datos unos contra otros. La verde somos nosotros aprendiendo qué es normal para ese niño. Lo que llamamos la nube de normalidad. Y cuando las cosas comienzan a cambiar, cuando las condiciones comienzan a deteriorarse, nos movemos a la mancha roja. No hay ninguna ciencia complicada ahí. Está mostrando datos que ya existen de una manera diferente para ampliarla, para dar señales a los médicos, a las enfermeras, para que puedan ver lo que está pasando. De la misma forma que un buen piloto de carreras confía en las señales para saber cuándo frenar, cuándo girar en una esquina, necesitamos ayudar a nuestros médicos y enfermeras a ver cuando las cosas empiezan a salir mal. Así que tenemos un programa bastante ambicioso. Creemos que empezó la carrera para hacer algo diferente. Estamos pensando en grande, como es debido. Tenemos un enfoque que, de prosperar, no hay razón para que se quede en un hospital. Puede traspasar fronteras. Con las conexiones inalámbricas de hoy en día, no hay razón para que los pacientes, médicos y enfermeras deban estar siempre en el mismo lugar, al mismo tiempo. Mientras tanto, tomaremos nuestro bebé de 3 meses, lo llevaremos a la pista, lo cuidaremos, y lo haremos mejor y más rápido. Muchas gracias. (Aplausos)