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
TEDxNijmegen

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

Peter van Manen: Jak Formuła 1 może pomóc dzieciom?

Filmed:
845,406 views

W trakcie wyścigów Formuły 1 samochód wysyła setki milionów danych do warsztatu, gdzie są one na bieżąco analizowane i wykorzystywane. Dlaczego nie użyć tego szczegółowego, dokładnego systemu danych gdzieś indziej, na przykład.... w szpitalach dziecięcych? Wyjaśnia to 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

Double-click the English transcript below to play the video.

00:12
MotorSilnik racingwyścigi is a funnyzabawny oldstary businessbiznes.
0
336
2257
Wyścigi samochodowe to osobliwa branża.
00:14
We make a newNowy carsamochód everykażdy yearrok,
1
2593
2317
Co roku tworzymy nowy samochód
00:16
and then we spendwydać the restodpoczynek of the seasonpora roku
2
4910
2188
i przez resztę sezonu
00:19
tryingpróbować to understandzrozumieć what it is we'vemamy builtwybudowany
3
7098
2776
próbujemy zrozumieć, co zbudowaliśmy,
00:21
to make it better, to make it fasterszybciej.
4
9874
3221
i sprawić, by było lepsze i szybsze.
00:25
And then the nextNastępny yearrok, we startpoczątek again.
5
13095
3275
Po roku zaczynamy od nowa.
00:28
Now, the carsamochód you see in frontz przodu of you is quitecałkiem complicatedskomplikowane.
6
16370
4238
Ten samochód jest dość skomplikowany.
00:32
The chassispodwozie is madezrobiony up of about 11,000 componentsskładniki,
7
20608
3619
Podwozie składa się z około 11 tys. elementów,
00:36
the enginesilnik anotherinne 6,000,
8
24227
2468
silnik z kolejnych 6 tysięcy,
00:38
the electronicselektronika about eightosiem and a halfpół thousandtysiąc.
9
26695
3093
a elektronika to 8,5 tysiąca.
00:41
So there's about 25,000 things there that can go wrongźle.
10
29788
4401
Czyli 25 tysięcy rzeczy,
które mogą się zepsuć.
00:46
So motorsilnik racingwyścigi is very much about attentionUwaga to detailSzczegół.
11
34189
4826
Dlatego w wyścigach samochodowych
przykłada się wagę do szczegółów.
00:51
The other thing about FormulaFormuła 1 in particularszczególny
12
39015
3263
Inna rzecz charakteryzująca Formułę 1
00:54
is we're always changingwymiana pieniędzy the carsamochód.
13
42278
2124
to ciągłe zmienianie samochodu.
00:56
We're always tryingpróbować to make it fasterszybciej.
14
44402
2280
Wciąż próbujemy sprawić, by był szybszy.
00:58
So everykażdy two weekstygodnie, we will be makingzrobienie
15
46682
2984
Dlatego co 2 tygodnie tworzymy dla niego
01:01
about 5,000 newNowy componentsskładniki to fitdopasowanie to the carsamochód.
16
49666
4200
około 5 tysięcy nowych elementów.
01:05
FivePięć to 10 percentprocent of the racewyścigi carsamochód
17
53866
2178
5-10% samochodu wyścigowego
01:08
will be differentróżne everykażdy two weekstygodnie of the yearrok.
18
56044
3752
zmienia się co 2 tygodnie.
01:11
So how do we do that?
19
59796
2309
Jak to się dzieje?
01:14
Well, we startpoczątek our life with the racingwyścigi carsamochód.
20
62105
3744
Zaczynamy od samochodu wyścigowego.
01:17
We have a lot of sensorsczujniki on the carsamochód to measurezmierzyć things.
21
65849
3991
Umieszczamy na nim wiele czujników.
01:21
On the racewyścigi carsamochód in frontz przodu of you here
22
69840
1882
Na stojącym tu samochodzie
01:23
there are about 120 sensorsczujniki when it goesidzie into a racewyścigi.
23
71722
3159
znajduje się ich około 120.
01:26
It's measuringzmierzenie all sortssortuje of things around the carsamochód.
24
74881
3652
Mierzą najróżniejsze rzeczy wokół samochodu.
01:30
That datadane is loggedrejestrowane. We're loggingwycięcie lasu about
25
78533
2052
Te dane są zapisywane. W systemie danych
01:32
500 differentróżne parametersparametry withinw ciągu the datadane systemssystemy,
26
80585
3704
zapisujemy około 500 różnych parametrów
01:36
about 13,000 healthzdrowie parametersparametry and eventswydarzenia
27
84289
3665
i około 13 tys. parametrów zdrowotnych,
01:39
to say when things are not workingpracujący the way they should do,
28
87954
4565
które pokazują występujące usterki.
01:44
and we're sendingwysyłanie that datadane back to the garagegaraż
29
92519
2825
Potem wysyłamy te dane do warsztatu,
01:47
usingza pomocą telemetrytelemetria at a rateoceniać of two to fourcztery megabitsmegabity perza seconddruga.
30
95344
4979
używając telemetrii w tempie
2-4 megabitów na sekundę.
01:52
So duringpodczas a two-hourdwie godziny racewyścigi, eachkażdy carsamochód will be sendingwysyłanie
31
100323
3127
W ciągu dwugodzinnego wyścigu
01:55
750 millionmilion numbersliczby.
32
103450
2275
samochód prześle 750 milionów liczb.
01:57
That's twicedwa razy as manywiele numbersliczby as wordssłowa that eachkażdy of us
33
105725
3143
To dwa razy więcej liczb niż słów,
02:00
speaksmówi in a lifetimeżycie.
34
108868
1631
które wypowiadamy w całym życiu.
02:02
It's a hugeolbrzymi amountilość of datadane.
35
110499
2618
Olbrzymia ilość danych.
02:05
But it's not enoughdość just to have datadane and measurezmierzyć it.
36
113117
2645
Ale nie wystarczy mieć dane i mierzyć je.
02:07
You need to be ablezdolny to do something with it.
37
115762
2158
Trzeba móc coś z nimi zrobić.
02:09
So we'vemamy spentwydany a lot of time and effortwysiłek
38
117920
2394
Poświęciliśmy wiele czasu i wysiłku
02:12
in turningobrócenie the datadane into storieshistorie
39
120314
1869
na przekształcenie ich w konkrety tak,
02:14
to be ablezdolny to tell, what's the statestan of the enginesilnik,
40
122183
3105
aby móc określić stan silnika,
02:17
how are the tiresopony degradingponiżającego,
41
125288
2272
proces ścierania się opon
02:19
what's the situationsytuacja with fuelpaliwo consumptionkonsumpcja?
42
127560
3748
czy poziom zużycia paliwa.
02:23
So all of this is takingnabierający datadane
43
131308
2788
Zmieniamy dane w wiedzę,
02:26
and turningobrócenie it into knowledgewiedza, umiejętności that we can actdziałać uponna.
44
134096
3802
którą można wykorzystać.
02:29
Okay, so let's have a look at a little bitkawałek of datadane.
45
137898
2638
Spójrzmy na takie dane.
02:32
Let's pickwybierać a bitkawałek of datadane from
46
140536
2030
Weźmiemy dane
02:34
anotherinne three-month-oldtrzy miesięcznego patientcierpliwy.
47
142566
3079
innego trzymiesięcznego pacjenta.
02:37
This is a childdziecko, and what you're seeingwidzenie here is realreal datadane,
48
145645
4171
To dziecko i jego prawdziwe dane.
02:41
and on the fardaleko right-handprawa ręka sidebok,
49
149816
1977
Po prawej stronie,
02:43
where everything startszaczyna się gettinguzyskiwanie a little bitkawałek catastrophickatastrofalny,
50
151793
2587
tam gdzie linie zaczynają
dramatycznie skakać,
02:46
that is the patientcierpliwy going into cardiacsercowy arrestaresztować.
51
154380
3584
następuje zatrzymanie krążenia.
02:49
It was deemeduważane to be an unpredictablenieobliczalny eventzdarzenie.
52
157964
3232
Uznano to za nieprzewidywalne zdarzenie.
02:53
This was a heartserce attackatak that no one could see comingprzyjście.
53
161196
3789
Atak serca, którego nie można przewidzieć.
02:56
But when we look at the informationInformacja there,
54
164985
2550
Ale patrząc na te informacje widzimy,
02:59
we can see that things are startingstartowy to becomestają się
55
167535
2349
że linie zaczęły drgać
03:01
a little fuzzyzamazany about fivepięć minutesminuty or so before the cardiacsercowy arrestaresztować.
56
169884
4029
na 5 minut przed zatrzymaniem krążenia.
03:05
We can see smallmały changeszmiany
57
173913
2037
Widać drobne zmiany,
03:07
in things like the heartserce rateoceniać movingw ruchu.
58
175950
2383
np. w rytmie serca.
03:10
These were all undetectedniewykryte by normalnormalna thresholdsprogi
59
178333
2486
Nie wykryły ich normalne progi,
03:12
whichktóry would be appliedstosowany to datadane.
60
180819
2408
które stosuje się dla takich danych.
03:15
So the questionpytanie is, why couldn'tnie mógł we see it?
61
183227
3143
Dlaczego ich nie dostrzegliśmy?
03:18
Was this a predictablemożliwy do przewidzenia eventzdarzenie?
62
186370
2581
Czy dało się to przewidzieć?
03:20
Can we look more at the patternswzorce in the datadane
63
188951
3010
Czy można lepiej obserwować wzory,
03:23
to be ablezdolny to do things better?
64
191961
3380
by lepiej sobie z nimi radzić?
03:27
So this is a childdziecko,
65
195341
2650
To dziecko
03:29
about the samepodobnie agewiek as the racingwyścigi carsamochód on stageetap,
66
197991
3232
ma tyle samo lat, co samochód na scenie,
03:33
threetrzy monthsmiesiące oldstary.
67
201223
1630
3 miesiące.
03:34
It's a patientcierpliwy with a heartserce problemproblem.
68
202853
2605
To pacjent z chorym sercem.
03:37
Now, when you look at some of the datadane on the screenekran abovepowyżej,
69
205458
3468
Dane na ekranie pokazują,
03:40
things like heartserce rateoceniać, pulsepuls, oxygentlen, respirationoddychanie ratesstawki,
70
208926
4902
że wartości takie jak rytm zatokowy,
puls, tlen i częstość oddechów
03:45
they're all unusualniezwykły for a normalnormalna childdziecko,
71
213828
3076
są nietypowe dla normalnego dziecka,
03:48
but they're quitecałkiem normalnormalna for the childdziecko there,
72
216904
2642
ale zupełnie normalne dla tego dziecka.
03:51
and so one of the challengeswyzwania you have in healthzdrowie careopieka is,
73
219546
4138
Jednym z wyzwań opieki medycznej jest to,
03:55
how can I look at the patientcierpliwy in frontz przodu of me,
74
223684
2851
jak patrząc na pacjenta
03:58
have something whichktóry is specifickonkretny for her,
75
226535
3047
i wiedząc o czymś specyficznym dla niego,
04:01
and be ablezdolny to detectwykryć when things startpoczątek to changezmiana,
76
229582
2788
można wykryć, kiedy coś
04:04
when things startpoczątek to deterioratepogorszeniu?
77
232370
2099
zaczyna się pogarszać.
04:06
Because like a racingwyścigi carsamochód, any patientcierpliwy,
78
234469
3050
Tak jak z samochodem wyścigowym,
04:09
when things startpoczątek to go badzły, you have a shortkrótki time
79
237519
2976
jeśli stan pacjenta się pogarsza,
mamy niewiele czasu,
04:12
to make a differenceróżnica.
80
240495
1831
by coś zrobić.
04:14
So what we did is we tookwziął a datadane systemsystem
81
242326
2754
Wzięliśmy system danych,
04:17
whichktóry we runbiegać everykażdy two weekstygodnie of the yearrok in FormulaFormuła 1
82
245080
3131
którego używamy w Formule 1,
04:20
and we installedzainstalowany it on the hospitalszpital computerskomputery
83
248211
3002
i zainstalowaliśmy go w komputerach
04:23
at BirminghamBirmingham Children'sDla dzieci HospitalSzpital.
84
251213
2290
w szpitalu dziecięcym w Birmingham.
04:25
We streamedstrumieniowo datadane from the bedsidestolik nocny instrumentsinstrumenty
85
253503
2439
Przesyłaliśmy dane z aparatury przy łóżkach
04:27
in theirich pediatricdla dzieci intensiveintensywny careopieka
86
255942
2557
na oddziale intensywnej terapii na pediatrii,
04:30
so that we could bothobie look at the datadane in realreal time
87
258499
3456
tak by móc jednocześnie obserwować je
04:33
and, more importantlyco ważne, to storesklep the datadane
88
261955
2871
i, co ważniejsze, zapisywać je
04:36
so that we could startpoczątek to learnuczyć się from it.
89
264826
3057
i później uczyć się z nich.
04:39
And then, we appliedstosowany an applicationpodanie on topTop
90
267883
4384
Potem zastosowaliśmy aplikację,
04:44
whichktóry would allowdopuszczać us to teasezłośliwiec out the patternswzorce in the datadane
91
272267
3270
umożliwiającą wyłapanie schematów danych,
04:47
in realreal time so we could see what was happeningwydarzenie,
92
275537
2956
dzięki czemu na bieżąco
widzieliśmy, co się dzieje
04:50
so we could determineustalać when things startedRozpoczęty to changezmiana.
93
278493
3713
i kiedy stan zaczyna się pogarszać.
04:54
Now, in motorsilnik racingwyścigi, we're all a little bitkawałek ambitiousambitny,
94
282206
3863
Ludzie z branży wyścigów samochodowych
są ambitni,
04:58
audaciouszuchwały, a little bitkawałek arrogantarogancki sometimesczasami,
95
286069
2549
śmiali, a czasem trochę aroganccy,
05:00
so we decidedzdecydowany we would alsorównież look at the childrendzieci
96
288618
3398
więc postanowiliśmy obserwować dzieci
05:04
as they were beingistota transportedtransportowane to intensiveintensywny careopieka.
97
292016
2957
w czasie transportu na intensywną terapię.
05:06
Why should we wait untilaż do they arrivedprzybył in the hospitalszpital
98
294973
2154
Czemu czekać z obserwacją
05:09
before we startedRozpoczęty to look?
99
297127
1994
aż pojawią się w szpitalu?
05:11
And so we installedzainstalowany a real-timeczas rzeczywisty linkpołączyć
100
299121
2997
Założyliśmy bieżące łącze
05:14
betweenpomiędzy the ambulanceambulans and the hospitalszpital,
101
302118
2836
między karetką a szpitalem,
05:16
just usingza pomocą normalnormalna 3G telephonytelefonia to sendwysłać that datadane
102
304954
3776
używając zwykłej telefonii 3G
do przesyłania danych.
05:20
so that the ambulanceambulans becamestał się an extradodatkowy bedłóżko
103
308730
2487
Karetka stała się dodatkowym łóżkiem
05:23
in intensiveintensywny careopieka.
104
311217
3136
na intensywnej terapii.
05:26
And then we startedRozpoczęty looking at the datadane.
105
314353
3702
Wtedy zaczęliśmy obserwacje.
05:30
So the wigglyWiggly lineskwestia at the topTop, all the colorszabarwienie,
106
318055
2921
Skaczące, kolorowe linie na górze
05:32
this is the normalnormalna sortsortować of datadane you would see on a monitormonitor --
107
320976
3194
pokazują normalne, typowe dane:
05:36
heartserce rateoceniać, pulsepuls, oxygentlen withinw ciągu the bloodkrew,
108
324170
3772
rytm zatokowy, puls, tlen we krwi
05:39
and respirationoddychanie.
109
327942
2635
i oddychanie.
05:42
The lineskwestia on the bottomDolny, the blueniebieski and the redczerwony,
110
330577
2753
Bardziej interesujące są linie na dole,
05:45
these are the interestingciekawy oneste.
111
333330
1360
niebieska i czerwona.
05:46
The redczerwony linelinia is showingseans an automatedautomatyczne versionwersja
112
334690
3209
Czerwona pokazuje automatyczną wersję
05:49
of the earlywcześnie warningostrzeżenie scorewynik
113
337899
1597
systemu wczesnego ostrzegania,
05:51
that BirminghamBirmingham Children'sDla dzieci HospitalSzpital were alreadyjuż runningbieganie.
114
339496
2487
którego szpital w Birmingham
05:53
They'dOni byłby been runningbieganie that sinceod 2008,
115
341983
2338
używał już od 2008 roku,
05:56
and alreadyjuż have stoppedzatrzymany cardiacsercowy arrestsaresztowania
116
344321
2256
i który zapobiegał zatrzymaniu krążenia
05:58
and distressrozpacz withinw ciągu the hospitalszpital.
117
346577
2757
i niewydolności serca.
06:01
The blueniebieski linelinia is an indicationwskazanie
118
349334
2432
Niebieska linia wskazuje,
06:03
of when patternswzorce startpoczątek to changezmiana,
119
351766
2500
kiedy wzory zaczynają się zmieniać
06:06
and immediatelynatychmiast, before we even startedRozpoczęty
120
354266
2309
i od razu, zanim jeszcze zaczniemy
06:08
puttingwprowadzenie in clinicalkliniczny interpretationinterpretacja,
121
356575
1708
interpretować te dane,
06:10
we can see that the datadane is speakingmówienie to us.
122
358283
2870
widać, że coś nam one mówią.
06:13
It's tellingwymowny us that something is going wrongźle.
123
361153
3536
Mówią, że dzieje się coś złego.
06:16
The plotwątek with the redczerwony and the greenZielony blobsplamki,
124
364689
3816
Wykres z czerwonym i zielonym kształtem
06:20
this is plottingdrukowania differentróżne componentsskładniki
125
368505
2805
zestawia ze sobą
06:23
of the datadane againstprzeciwko eachkażdy other.
126
371310
2547
różne dane.
06:25
The greenZielony is us learninguczenie się what is normalnormalna for that childdziecko.
127
373857
3840
Zielony pokazuje, co jest dla dziecka normą.
06:29
We call it the cloudChmura of normalitynormalności.
128
377697
2610
To tzw. chmura normalności.
06:32
And when things startpoczątek to changezmiana,
129
380307
2241
Kiedy to zaczyna się zmieniać
06:34
when conditionswarunki startpoczątek to deterioratepogorszeniu,
130
382548
2564
i stan się pogarsza,
06:37
we moveruszaj się into the redczerwony linelinia.
131
385112
2238
pojawia się czerwona linia.
06:39
There's no rocketrakieta sciencenauka here.
132
387350
1657
To nie fizyka kwantowa,
06:41
It is displayingwyświetlanie datadane that existsistnieje alreadyjuż in a differentróżne way,
133
389007
4113
tylko przedstawienie dostępnych danych
06:45
to amplifywzmocnić it, to providezapewniać cuespodpowiedzi to the doctorslekarze,
134
393120
3391
w taki sposób, by dać lekarzom
06:48
to the nursespielęgniarki, so they can see what's happeningwydarzenie.
135
396511
2738
i pielęgniarkom sygnał,
gdy coś się dzieje.
06:51
In the samepodobnie way that a good racingwyścigi driverkierowca
136
399249
3130
Tak jak kierowcy rajdowi
06:54
reliesopiera się on cuespodpowiedzi to decidedecydować się when to applyzastosować the brakeshamulce,
137
402379
4044
potrzebują sygnałów, by zdecydować
06:58
when to turnskręcać into a cornerkąt,
138
406423
1476
kiedy hamować czy skręcić,
06:59
we need to help our physicianslekarze and our nursespielęgniarki
139
407899
2918
tak samo lekarze i pielęgniarki
potrzebują pomocy,
07:02
to see when things are startingstartowy to go wrongźle.
140
410817
3620
by dostrzec, kiedy dzieje się coś złego.
07:06
So we have a very ambitiousambitny programprogram.
141
414437
2946
To bardzo ambitny projekt.
07:09
We think that the racewyścigi is on to do something differentlyróżnie.
142
417383
4736
Wyścigi mogą nam tu pomóc.
07:14
We are thinkingmyślący bigduży. It's the right thing to do.
143
422119
2904
Mamy wielkie plany.
07:17
We have an approachpodejście whichktóry, if it's successfuludany,
144
425023
3412
Jeśli nasze podejście przyniesie efekty,
07:20
there's no reasonpowód why it should stayzostać withinw ciągu a hospitalszpital.
145
428435
2531
będzie można je wykorzystać
także poza szpitalem.
07:22
It can go beyondpoza the wallsściany.
146
430966
1841
Można wyjść poza budynek.
07:24
With wirelessbezprzewodowy connectivityłączność these daysdni,
147
432807
2071
Dzięki łączności bezprzewodowej
07:26
there is no reasonpowód why patientspacjenci, doctorslekarze and nursespielęgniarki
148
434878
3444
pacjenci, lekarze i pielęgniarki
07:30
always have to be in the samepodobnie placemiejsce
149
438322
2171
nie muszą znaleźć się w tym samym miejscu
07:32
at the samepodobnie time.
150
440493
1993
o tej samej porze.
07:34
And meanwhileW międzyczasie, we'lldobrze take our little three-month-oldtrzy miesięcznego babydziecko,
151
442486
3995
W międzyczasie będziemy zajmować się
07:38
keep takingnabierający it to the tracktor, keepingkonserwacja it safebezpieczny,
152
446481
3757
naszym trzymiesięcznym maluchem,
07:42
and makingzrobienie it fasterszybciej and better.
153
450238
2333
próbując sprawić, by był szybszy i lepszy.
07:44
Thank you very much.
154
452571
1405
Dziękuję bardzo.
07:45
(ApplauseAplauz)
155
453976
4954
(Brawa)
Translated by Katarzyna Goszczycka
Reviewed by Karolina Stepien

▲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