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)
Les courses automobiles sont une drôle d'affaire Nous fabriquons une nouvelle voiture tous les ans et puis nous passons le reste de la saison à essayer de comprendre ce que nous avons construit pour l'améliorer, pour le rendre plus rapide. Et puis l'année suivante, on recommence. La voiture que vous voyez en face de vous est assez compliquée. Le châssis est composé d'environ 11 000 composants, le moteur de 6 000 autres, l'électronique, d'environ 8 500. Donc, il y a environ 25 000 trucs là-dedans qui peuvent mal tourner. Les courses automobiles reposent largement sur le souci du détail. L'autre chose avec la formule 1 en particulier est que nous sommes toujours en train de changer la voiture. Nous essayons toujours de la rendre plus rapide. Donc toutes les deux semaines, nous créons environ 5 000 nouveaux composants à adapter sur la voiture. 5 à 10% de la voiture de course sont différents toutes les deux semaines de l'année. Alors, comment on fait ça ? Eh bien, on commence par la voiture. On a de nombreux capteurs sur la voiture pour mesurer les choses. Sur la voiture de course devant vous ici il y a environ 120 capteurs quand elle est en course Ils mesurent toutes sortes de choses sur la voiture. Les données sont enregistrées. Nous rentrons autour de 500 différents paramètres dans les systèmes de données, environ 13 000 événements et paramètres de santé pour dire quels trucs ne fonctionnent pas comme ils le devraient, et nous renvoyons ces données au garage par télémétrie à raison de 2 à 4 mégabits par seconde. Ainsi, lors d'une course de deux heures, chaque voiture enverra. 750 millions de chiffres. C'est deux fois plus de chiffres que de mots que chacun de nous utilisera dans sa vie. C'est une quantité de données énorme. Mais avoir des données et les mesurer ne suffit pas. Vous devez être en mesure d'en faire quelque chose. Nous avons donc investi beaucoup de temps et d'efforts pour transformer les données en histoires pour pouvoir dire, quel est l'état du moteur comment les pneus se dégradent, quelle est la situation de la consommation de carburant. Tout ça, c'est prendre des données et les transformer en connaissances à partir desquelles nous pouvons agir. Bon, jetons un œil à quelques données. Choisissons quelques données d'un autre patient âgé de trois mois. Il s'agit d'un enfant, et ce que vous voyez ici, ce sont des données réelles, et complètement à droite, où tout commence à devenir un peu catastrophique, c'est le patient en plein arrêt cardiaque. C'était considéré comme un événement imprévisible. Il s'agissait d'une crise cardiaque que personne ne pouvait voir venir. Mais quand on regarde les informations ici, on peut voir que les choses commencent à devenir un peu floue environ cinq minutes avant l'arrêt cardiaque. On peut voir des petits changements dans des choses comme la fréquence cardiaque qui bouge. Toutes ces choses-là n'étaient pas détectées par des seuils normaux qui était appliqués aux données. La question est : pourquoi ne pouvait-on pas le voir ? Était-ce un événement prévisible ? Peut-on se pencher un peu plus sur les modèles dans les données pour pouvoir améliorer les choses ? Il s'agit d'un enfant, du même âge que la voiture de course sur la piste, 3 mois. C'est un patient qui a un problème cardiaque. Quand vous regardez certaines des données sur l'écran ci-dessus, des choses comme la fréquence cardiaque, le pouls, l'oxygène, la respiration, elles sont toutes inhabituelles pour un enfant normal, mais elles sont tout à fait normales pour cet enfant ici, et l'un des défis dans les soins de santé est donc de savoir comment je peux examiner le patient en face de moi, trouver quelque chose qui lui est spécifique, et pouvoir détecter le moment où les choses commencent à changer, où les choses commencent à se détériorer. Parce que comme une voiture de course, tous les patients, lorsque les choses commencent à aller mal, on a peu de temps pour faire la différence. Donc ce que nous avons pris un système de données que nous utilisons toutes les deux semaines par an en formule 1 et nous l'avons installé sur les ordinateurs de l'hôpital à l'hôpital pour enfants de Birmingham. Nous avons diffusé des données provenant des instruments de chevet dans leurs soins pédiatriques intensifs pour que nous puissions à la fois voir les données en temps réel et, plus important encore, stocker les données afin que nous puissions commencer à apprendre d'elles. Et puis, nous avons lancé une application sur le tout qui nous permettrait de cerner les tendances dans les données en temps réel afin que nous puissions voir ce qui se passait, pour que nous puissions déterminer quand les choses ont commencé à changer. Dans la course automobile, nous sommes tous un peu ambitieux, audacieux, un peu arrogant parfois. Nous avons donc décidé de nous occuper aussi des enfants lorsqu'ils sont transportés aux soins intensifs. Pourquoi devrions-nous attendre qu'ils soient arrivés à l'hôpital avant de commencer à regarder ? Et donc nous avons installé un lien en temps réel entre l'ambulance et l'hôpital, en utilisant simplement une téléphonie 3G pour envoyer ces données afin que l'ambulance devienne un lit d'appoint en soins intensifs. Et puis nous avons commencé à analyser les données. Les lignes ondulées en haut, toutes les couleurs, il s'agit du type normal de données que vous verriez sur un moniteur : le rythme cardiaque, le pouls, l'oxygène dans le sang, et la respiration. Les lignes sur le fond, le bleu et le rouge, sont les plus intéressantes. La ligne rouge montre une version automatisée de la note d'avertissement précoce que l'hôpital des enfants de Birmingham utilisait déjà. Ils l'utilisent depuis 2008, et ont déjà stoppé des arrêts cardiaques et des cas de détresse au sein de l'hôpital. La ligne bleue est une indication du moment où les tendances commencent à changer, et immédiatement, avant même que nous ayons commencé à y trouver une interprétation clinique, nous pouvons voir que les données nous parlent Elles nous disent que quelque chose va mal. La graphe avec les taches rouges et verts trace différents composants en fonction des données en les comparant les unes aux les autres. Le vert, c'est nous en train d'apprendre ce qui est normal pour cet enfant. Nous l'appelons le nuage de la normalité. Et quand les choses commencent à changer, quand les conditions commencent à se détériorer, nous entrons dans la ligne rouge. Ici, il n'y a pas de science de fusée. Ça affiche les données qui existent déjà d'une manière différente, pour les amplifier, pour offrir des repères pour les médecins, les infirmières, pour qu'ils puissent voir ce qui se passe. De la même manière qu'un bon pilote s'appuie sur des indices pour décider du moment pour freiner, quand tourner dans un virage, nous devons aider nos médecins et nos infirmières pour voir quand les choses commencent à aller mal. Pour conclure, nous avons un programme très ambitieux. Nous pensons que la course est là pour faire les choses différemment. Nous pensons grand. C'est la bonne chose à faire. Nous avons une approche qui, si elle réussit, n' a aucune raison de rester au sein d'un hôpital. Il peut aller au-delà des murs. Avec une connectivité sans fil, de nos jours, il n'y a aucune raison pour que les patients, les médecins et les infirmières doivent toujours être au même endroit en même temps. Et pendant ce temps, nous reprenons notre petit bébé de trois mois, continuons de le garder en piste, le protéger, et le rendant plus rapide et meilleur. Merci beaucoup. (Applaudissements)