English-Video.net comment policy

The comment field is common to all languages

Let's write in your language and use "Google Translate" together

Please refer to informative community guidelines on TED.com

TEDxNijmegen

Peter van Manen: Better baby care -- thanks to Formula 1

Peter van Manen: Hogyan segíthet a Forma-1...az újszülötteken?

Filmed
Views 794,639

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.

- Electronic systems expert
Peter van Manen is the Managing Director of McLaren Electronics, which provides data systems to major motorsports series. Full bio

Motor racing is a funny old business.
Az autóversenyzés egy érdekes régi iparág.
00:12
We make a new car every year,
Minden évben új autót építünk,
00:14
and then we spend the rest of the season
majd a szezon többi részét azzal töltjük,
00:16
trying to understand what it is we've built
hogy megértsük, mit is építettünk,
00:19
to make it better, to make it faster.
hogy még jobbá, még gyorsabbá tehessük.
00:21
And then the next year, we start again.
Aztán a következő évben újrakezdjük.
00:25
Now, the car you see in front of you is quite complicated.
Ez az autó, amit itt látnak, meglehetősen összetett.
00:28
The chassis is made up of about 11,000 components,
Az alváz 11 000 alkatrészből áll,
00:32
the engine another 6,000,
a motor további 6 000-ből,
00:36
the electronics about eight and a half thousand.
az elektronika kb. nyolc és félezerból.
00:38
So there's about 25,000 things there that can go wrong.
Összesen tehát mintegy
25 000 dolog van, ami elromolhat.
00:41
So motor racing is very much about attention to detail.
Az autóversenyzésben nagyon fontos
a részletekre figyelni.
00:46
The other thing about Formula 1 in particular
A másik, a Forma-1-re jellemző dolog,
00:51
is we're always changing the car.
hogy folyamatosan cseréljük az autókat.
00:54
We're always trying to make it faster.
Mindig gyorsabbá akarjuk őket tenni.
00:56
So every two weeks, we will be making
Minden két hétben legyártunk
00:58
about 5,000 new components to fit to the car.
kb. 5 000 alkatrészt az autó számára.
01:01
Five to 10 percent of the race car
A verenyautó 5-10 százalékát
01:05
will be different every two weeks of the year.
az év minden második hetében lecseréljük.
01:08
So how do we do that?
Hogyan csináljuk mindezt?
01:11
Well, we start our life with the racing car.
Kezdjük hát el életünket a versenyautóval!
01:14
We have a lot of sensors on the car to measure things.
Rengeteg különféle érzékelő van az autón.
01:17
On the race car in front of you here
Ezen az autón itt Önök előtt
01:21
there are about 120 sensors when it goes into a race.
mintegy 120 érzékelő van, amikor elindul a versenyen.
01:23
It's measuring all sorts of things around the car.
Ezek számos dolgot mérnek az autó körül.
01:26
That data is logged. We're logging about
Ezeket az adatokat naplózzuk. Rögzítünk körülbelül
01:30
500 different parameters within the data systems,
500 különböző adatot az adatrendszerekben,
01:32
about 13,000 health parameters and events
kb. 13 000 egészségi paramétert és eseményt,
01:36
to say when things are not working the way they should do,
hogy megállapíthassuk, ha valami nem jól működik,
01:39
and we're sending that data back to the garage
és az adatokat telemetrikus úton küldjük a boxba,
01:44
using telemetry at a rate of two to four megabits per second.
2-4 Mbit/s sebességgel.
01:47
So during a two-hour race, each car will be sending
Így egy két órás verseny alatt minden autó
01:52
750 million numbers.
750 millió számot küld be.
01:55
That's twice as many numbers as words that each of us
Ez kétszer annyi szám, mint ahány szót közülünk
01:57
speaks in a lifetime.
bárki egész életében kimond.
02:00
It's a huge amount of data.
Ez óriási adatmennyiség.
02:02
But it's not enough just to have data and measure it.
Nem elég azonban mérni és adatot gyűjteni.
02:05
You need to be able to do something with it.
Valamit kell is az adatokkal kezdenünk.
02:07
So we've spent a lot of time and effort
Ezért rengeteg energiát fordítunk arra,
02:09
in turning the data into stories
hogy az adatokat olyan történetekké alakítsuk,
02:12
to be able to tell, what's the state of the engine,
amelyek mesélnek a motor állapotáról,
02:14
how are the tires degrading,
a gumiabroncsok kopásáról,
02:17
what's the situation with fuel consumption?
és az üzemanyag-fogyasztás állásáról.
02:19
So all of this is taking data
Tehát mindez az adatgyűjtésről szól,
02:23
and turning it into knowledge that we can act upon.
és hogy hogyan alakíthatjuk
az adatokat használható ismeretekké.
02:26
Okay, so let's have a look at a little bit of data.
Rendben van, nézzük meg
kicsit közelebbről az adatokat!
02:29
Let's pick a bit of data from
Vegyünk néhány adatot
02:32
another three-month-old patient.
egy másik háromhónapos pácienstől.
02:34
This is a child, and what you're seeing here is real data,
Mégpedig egy gyermektől,
és amint látják, ezek itt valós adatok,
02:37
and on the far right-hand side,
és itt a jobb szélen,
02:41
where everything starts getting a little bit catastrophic,
ahol mind kezd egy kicsit katasztrofálissá válni,
02:43
that is the patient going into cardiac arrest.
a beteget a szívműködés leállása fenyegeti.
02:46
It was deemed to be an unpredictable event.
Ezt előre nem látható eseménynek ítélték.
02:49
This was a heart attack that no one could see coming.
Egy szívroham történt, amit senki nem láthatott előre.
02:53
But when we look at the information there,
Amikor azonban megnézzük ezeket az információkat,
02:56
we can see that things are starting to become
akkor láthatjuk, hogy a dolgok kezdenek
02:59
a little fuzzy about five minutes or so before the cardiac arrest.
kissé összezavarodni,
mintegy öt perccel a szívleállás előtt.
03:01
We can see small changes
Apró változásokat láthatunk
03:05
in things like the heart rate moving.
például a szívritmus alakulásában.
03:07
These were all undetected by normal thresholds
Az adatokra alkalmazott normál küszöbértékek
03:10
which would be applied to data.
ezeket nem mutatták ki.
03:12
So the question is, why couldn't we see it?
Kérdés tehát, hogy miért nem láthattuk ezeket?
03:15
Was this a predictable event?
Megjósolható volt-e ez az esemény?
03:18
Can we look more at the patterns in the data
Mélyebbre tudunk nézni az adatok mintáiba ahhoz,
03:20
to be able to do things better?
hogy jobban láthassuk a dolgokat?
03:23
So this is a child,
Ez a gyermek tehát
03:27
about the same age as the racing car on stage,
ugyanannyi idős, mint a színpadon
látható versenyautó,
03:29
three months old.
három hónapos.
03:33
It's a patient with a heart problem.
Ő egy beteg, aki szívproblémával küzd.
03:34
Now, when you look at some of the data on the screen above,
Most, amikor ránézünk a képen látható bizonyos adatokra,
03:37
things like heart rate, pulse, oxygen, respiration rates,
mint például a szívritmusra,
pulzusra, oxigénre, légzésritmusra,
03:40
they're all unusual for a normal child,
láthatjuk, hogy egészséges gyermeknél szokatlanok,
03:45
but they're quite normal for the child there,
ám az itt lévő gyermeknél normálisak,
03:48
and so one of the challenges you have in health care is,
és az egészségügy egyik legnagyobb kihívása,
03:51
how can I look at the patient in front of me,
hogy hogyan tudok az előttem lévő betegen
03:55
have something which is specific for her,
valami rá specifikusat észrevenni,
03:58
and be able to detect when things start to change,
és képesnek lenni a változás kezdetének,
04:01
when things start to deteriorate?
a problémák első jeleinek felismerésére?
04:04
Because like a racing car, any patient,
Mivel a versenyautóhoz hasonlóan, minden betegnél,
04:06
when things start to go bad, you have a short time
ha valami elkezd elromlani, rövid idő áll rendelkezésre
04:09
to make a difference.
az eltérés felismerésére.
04:12
So what we did is we took a data system
Ezért tehát egy olyan adatrendszert hoztunk létre,
04:14
which we run every two weeks of the year in Formula 1
amelyet a Forma-1-es év minden
második hetében lefuttatunk,
04:17
and we installed it on the hospital computers
és amit a birminghami Gyermekkórház
04:20
at Birmingham Children's Hospital.
számítógépeire telepítettünk.
04:23
We streamed data from the bedside instruments
Összegyűjtjük az intenzív osztályon lévő
04:25
in their pediatric intensive care
felügyeleti műszerek adatait,
04:27
so that we could both look at the data in real time
hogy ezáltal valós idejű elemzéseket végezhessünk,
04:30
and, more importantly, to store the data
és, ami még fontosabb, úgy tárolhassuk az adatokat,
04:33
so that we could start to learn from it.
hogy képesek legyünk tanulni belőlük.
04:36
And then, we applied an application on top
Erre az adathalmazra ráépítettünk egy alkalmazást,
04:39
which would allow us to tease out the patterns in the data
ami segít nekünk előcsalogatni
az adatokban lévő mintákat
04:44
in real time so we could see what was happening,
valós időben, hogy láthassuk, mi történik,
04:47
so we could determine when things started to change.
hogy megállapíthassuk,
mikor indulnak változásnak a dolgok.
04:50
Now, in motor racing, we're all a little bit ambitious,
Az autóversenyzésben mindannyian
egy kissé becsvágyóak,
04:54
audacious, a little bit arrogant sometimes,
vakmerőek, és időnként kissé arrogánsak vagyunk,
04:58
so we decided we would also look at the children
ezért úgy döntöttünk, hogy a gyermekekre
is úgy tekintünk,
05:00
as they were being transported to intensive care.
mintha éppen az intenzív osztályra szállítanák őket.
05:04
Why should we wait until they arrived in the hospital
Miért kéne a kórházba érkezésükre várnunk,
05:06
before we started to look?
mielőtt elkezdenénk a vizsgálatukat?
05:09
And so we installed a real-time link
Ezért kialakítottunk egy valósidejű kapcsolatot
05:11
between the ambulance and the hospital,
a mentőautó és a kórház között,
05:14
just using normal 3G telephony to send that data
a normál 3G-s, telefonos adatcsatornán keresztül,
05:16
so that the ambulance became an extra bed
és így a mentőautót az intenzív osztály
05:20
in intensive care.
egy ágyává alakítottuk.
05:23
And then we started looking at the data.
Aztán elkezdtük az adatok elemzését.
05:26
So the wiggly lines at the top, all the colors,
Ezek a mindenféle színű, kígyózó vonalak itt felül,
05:30
this is the normal sort of data you would see on a monitor --
ezek a szokásos adatfajták,
amiket a monitoron láthatunk --
05:32
heart rate, pulse, oxygen within the blood,
szívritmus, pulzus, a vérben lévő oxigén,
05:36
and respiration.
és a légzés.
05:39
The lines on the bottom, the blue and the red,
Alul a kék és piros vonal,
05:42
these are the interesting ones.
ezek az érdekesek számunkra.
05:45
The red line is showing an automated version
A piros vonal egy automatikus változatát mutatja
05:46
of the early warning score
annak a korai riasztási értéknek,
05:49
that Birmingham Children's Hospital were already running.
amit a birminghami Gyermekkórház már használ.
05:51
They'd been running that since 2008,
Már 2008 óta használják,
05:53
and already have stopped cardiac arrests
és már sikerült megakadályozniuk szívleállást,
05:56
and distress within the hospital.
és szívrohamot a kórházban.
05:58
The blue line is an indication
A kék vonal egy indikátor,
06:01
of when patterns start to change,
ami a mintaváltozásokat jelzi,
06:03
and immediately, before we even started
és azonnal, még mielőtt elkezdenénk
06:06
putting in clinical interpretation,
az adatok klinikai értelmezését,
06:08
we can see that the data is speaking to us.
már látjuk, hogy az adatok beszélnek hozzánk.
06:10
It's telling us that something is going wrong.
Azt mondják, hogy valami probléma van.
06:13
The plot with the red and the green blobs,
A vonal a piros és zöld foltokkal
06:16
this is plotting different components
mutatja az adatok különböző
06:20
of the data against each other.
komponenseit egymással összefüggésben.
06:23
The green is us learning what is normal for that child.
A zöldből látjuk, hogy az adott
gyermeknél mi a normális.
06:25
We call it the cloud of normality.
Ezt hívjuk a normalitási felhőnek.
06:29
And when things start to change,
Amikor aztán változni kezdenek a dolgok,
06:32
when conditions start to deteriorate,
amikor romlani kezd az állapot,
06:34
we move into the red line.
átkerülünk a piros vonalra.
06:37
There's no rocket science here.
Nincs ebben semmi varázslat.
06:39
It is displaying data that exists already in a different way,
Mindössze új szemszögből
mutattunk meg már létező adatokat,
06:41
to amplify it, to provide cues to the doctors,
hogy felerősítve őket, segítsük az orvosokat
06:45
to the nurses, so they can see what's happening.
és a nővéreket, meglátni, hogy mi is történik.
06:48
In the same way that a good racing driver
Ugyanúgy, ahogy a jó autóversenyző is
06:51
relies on cues to decide when to apply the brakes,
ilyen jelek alapján dönti el, hogy mikor fékezzen,
06:54
when to turn into a corner,
mikor kezdje meg a kanyarodást,
06:58
we need to help our physicians and our nurses
ugyanúgy kell segítenünk az orvosokat és nővéreket,
06:59
to see when things are starting to go wrong.
hogy észrevegyék, ha a dolgok rossz irányt vesznek.
07:02
So we have a very ambitious program.
Tehát elég ambíciózus programot tűztünk magunk elé.
07:06
We think that the race is on to do something differently.
Úgy véljük, elkezdődött a verseny a dolgok megváltoztatására.
07:09
We are thinking big. It's the right thing to do.
Nagy terveink vannak. Így kell cselekednünk.
07:14
We have an approach which, if it's successful,
Van egy elképzelésünk, ami, hogyha sikeres,
07:17
there's no reason why it should stay within a hospital.
akkor semmi ok rá,
hogy a kórházak falai között maradjon.
07:20
It can go beyond the walls.
Kiléphet a falakon kívülre.
07:22
With wireless connectivity these days,
Napjaink vezeték nélküli kapcsolatai révén
07:24
there is no reason why patients, doctors and nurses
semmi sem indokolja, hogy a betegek,
orvosok és nővérek
07:26
always have to be in the same place
mindig egyazon helyen legyenek
07:30
at the same time.
egy adott időpontban.
07:32
And meanwhile, we'll take our little three-month-old baby,
És közben a kis három hónapos gyermekünket is
07:34
keep taking it to the track, keeping it safe,
a pályán tudjuk tartani, biztonságban tudjuk,
07:38
and making it faster and better.
és még gyorsabbá és jobbá tudjuk alakítani.
07:42
Thank you very much.
Köszönöm a figyelmet.
07:44
(Applause)
(Taps)
07:45
Translated by Csaba Lóki
Reviewed by Judit Szabo

▲Back to top

About the speaker:

Peter van Manen - Electronic systems expert
Peter 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.

More profile about the speaker
Peter van Manen | Speaker | TED.com