Paul Roscoe, administrerende direktør, CLEW Medical – Intervju-serie

Paul Roscoe er administrerende direktør for CLEW Medical.

Før han tiltrådte stillingen i CLEW, var hr. Roscoe administrerende direktør for Trinda Health og var ansvarlig for at etablere virksomheden som brancheleder inden for kvalitetsorienterede kliniske dokumentationsløsninger.

CLEW Medical tilbyder hospitaler, sundhedssystemer og intensivafdelinger avanceret klinisk intelligens og patientdiagnostik ved hjælp af AI-drevne, FDA-godkendte predictive analytics og proprietære kritiske plejemodeller.

Kunne du fortælle os lidt mere om CLEW Medicals AI-aktiverede platform og dens unikke kapaciteter i MedTech-industrien?

CLEW’s grundlæggelse var baseret på antagelsen, at dataanalyse og AI kan forbedre patientresultater og klinikeroplevelser i højrisiko-patientbehandlingsmiljøer. Den kliniske overvågningsplatform, vi har bygget, er den første, der har FDA-godkendte AI-drevne forudsigelsesmodeller for kritisk pleje. Vores system indsamler data ved at integrere med alle kliniske datakilder inden for et hospital og opbygger en næsten realtidsfysiologisk profil af hver patient for at overvåge deres status kontinuerligt. Det bruger derefter denne data til at give forudsigelsesindsigt til at identificere patienter, der sandsynligvis vil opleve en ugunstig begivenhed – såsom respiratorisk svigt – og alarmerer klinikerne til at gribe ind op til otte timer før den forventede begivenhed. Platformens høje grad af nøjagtighed reducerer også det ekstreme antal falske alarmer, hvilket giver klinikerne mulighed for at praktisere på toppen af deres licens og fokusere på patienter, der har størst behov for øjeblikkelig indgriben.

Hvad var de nøglefaktorer, der bidrog til FDA-godkendelsen af CLEW’s AI-drevne forudsigelsesmodeller?

CLEW har omfattet AI siden sin grundlæggelse. Vores grundlæggere og udviklingsledere erkendte betydningen af at opbygge tillid hos plejepersonale, de personer, der er ansvarlige for at bruge vores teknologi til at pleje deres mest sårbare patienter. Det var afgørende, at vores teknologi skulle undergå samme niveau af skærping og omhyggelighed i design, udvikling, test og validering som de enheder, der allerede var i brug hos vores brugere. For at opmuntre til adoption af en AI-løsning til kritisk pleje, forstod vores team nødvendigheden af at bygge modeller med omhyggelig produktudvikling og kvalitetssystemer. Som følge heraf benytter vores AI-modeludvikling en robust MLOPS (machine learning operations)-infrastruktur for at opfylde regulatoriske forventninger, såsom PCCP (pre-authorized change control plan)-retningslinjerne fra FDA. Vores AI-modeller er metodeligt designede, mens de undergår alle nødvendige eksperimenter for medicinsk enhedsregulatorisk godkendelse.

Robustheden af modellerne og vores interne processer resulterede i, at FDA klassificerede vores løsning som en klasse II medicinsk enhed i begyndelsen af 2021, hvilket var en milepæl og en første-gangs-prestation. FDA’s medicinsk enhedsgodkendelse fungerer som en bekræftelse på kvaliteten af vores slutningsudviklingsproces, der inkluderer kliniske valideringsstudier udført i rigtige patientpopulationer.

Den nylige studie, der blev offentliggjort i CHEST® Journal, fremhævede den predictive nøjagtighed af jeres AI-modeller. Kan du diskutere studiets metode og de specifikke resultater?

En CLEW-trænet ML-algoritme blev implementeret i 14 intensivafdelinger på tværs af to store sundhedssystemer for at forudsige intubation og vasopressor-initieringsbegivenheder – med andre ord, begivenheder, der kræver livreddende indgriben – blandt kritisk syge voksne patienter. Dens præstation blev målt imod eksisterende monitoralarmer og den predictive effektivitet af telemedicinske systemalarmer.

Studiet, der var designed til at evaluere værktøjets nøjagtighed og nyttighed af alarmer på intensivafdelinger, fandt, at CLEW’s modeller for at forudsige patientforværring var fem gange mere nøjagtige end og producerede 50 gange færre alarmer end den førende telemedicinske system. Resultaterne viser også, at ML-modellen har en overlegen nøjagtighed i forhold til traditionelle monitoreringssystemer og reducerer betydeligt unødvendige afbrydelser af klinikerens arbejdsgang.

Hvordan kan AI-forudsigelserne, der er lavet af CLEW’s platform, potentielt transformere patientbehandlingen på intensivafdelingen? Kan du uddybe, hvordan disse forudsigelser forbedrer resultater og reducerer komplikationer?

CLEW’s platform skaber muligheder for tidlige indgreb over for højrisiko-patienter og understøtter kapacitetsstyring ved at identificere lavrisiko-individer, der måske er klar til at blive overført eller udskrevet. Dette reducerer dødeligheden og readmissionsraten, reducerer komplikationer forårsaget af patientforværring og minimiserer patienternes opholdstid.

For eksempel kunne vores teknologi i løbet af de første 24 timer efter implementering på et stort sundhedssystem forudsige hemodynamisk ustabilitet hos en patient på intensivafdelingen, hvilket udløste en lægeevaluering. Efter evaluering af patienten bestilte lægen en CT-scan og opdagede en abdominal blødning. Patienten blev hurtigt opereret og fik en livreddende behandling. 24 timer senere var patienten i stabil tilstand.

Jeres system blev fundet at være fem gange mere nøjagtig end et førende telemedicinsk overvågningsystem. Hvad gør CLEW’s teknologi mere effektiv i forudsigelse af kritisk patientforværring?

Generelt er ML-genererede notifikationer mindre hyppige, har højere niveauer af nøjagtighed og lavere fejlratere, såsom falske positiver, og skaber længere forudsigelsesledtider end andre telemedicinske systemalarmer og monitoralarmer. CLEW’s alarmer er mere nøjagtige og funktionelle og giver tid til, at plejepersonalet kan træffe modforanstaltninger for at forhindre forudsagte resultater. Den sofistikerede intelligens, som CLEW tilbyder, muliggøres af dens evne til at udvinde patientdata fra et sundhedssystems elektroniske patientjournal (EMR) kombineret med ML-modeller, der er blevet grundigt testet og valideret gennem peer-reviewed forskning og FDA-godkendelse.

Studiet nævnte også en betydelig reduktion i falske alarmer. Hvordan reducerer reducering af alarmtræthed plejepersonalet på intensivafdelingen, og hvad har været feedbacken fra sundhedsprofessionelle, der bruger jeres system?

98% af monitoralarmer er falske positiver, hvilket fører til alarmtræthed og forværreler historisk høje niveauer af klinikerudbrændthed. CLEW adresserer alarmtræthed ved at reducere antallet af lydiske afbrydelser, øge procentdelen af handlinger, der kræver nødvendig lægeindgriben, og skabe en mere rolig intensivafdelingsmiljø. I virkeligheden forbedrer platformens nøjagtighed og evne til at reducere unødvendigt arbejdspres sig betydeligt ICU-udbrændthed. Som en del af implementeringsprocessen fokuserer CLEW’s kundesucces-hold på vigtigheden af klinisk ændringsstyring for at sikre, at teknologien er korrekt integreret i den samlede kliniske beslutningsproces. Feedbacken fra klinikerne har været ekstremt positiv.

Hvordan fungerer den tidlige notifikationsfunktion i CLEW’s platform, og hvilke slags indgreb har den muliggjort i virkelige intensivafdelingsmiljøer?

Baseret på den indkommende strøm af informationer fra monitorering og livsstøtteenheder samt fra den elektroniske patientjournal (EHR) kan CLEW’s AI-modeller forudsige patientforværring og død inden for de næste otte timer. Med disse forudsigelsesvurderinger kan erfarne klinikere evaluere patienterne nærmere og afgøre, om der er anvendelige modforanstaltninger for at forhindre de forudsagte forværringer, i stedet for at reagere på dem i en nødsituation.

For eksempel kan CLEW-platformen underrette klinikerne om, at en patient sandsynligvis vil gå ind i respiratorisk svigt, hvilket typisk fører til intubation og mekanisk ventilation. Efter at have modtaget alarmeringen kan plejepersonalet identificere, at patienten har for meget væske, der kan begynde at løbe tilbage til lungerne, og initiere diuretikum-behandling for at reducere væsken, og dermed forhindre en intubation senere. Vores model kan også forudsige, om en post-operativ patient sandsynligvis vil blive hemodynamisk ustabil og kræve vasoaktivt støtte. Med denne viden i fravær af åbenlyse symptomer kan en CT-scan afgøre, at patienten har intern blødning, og patienten kan blive opereret for at reparere det. Dette indgreb resulterede i, at patienten blev stabiliseret.

CLEW’s AI-aktiverede forudsigelser understøtter også hospitaler med kapacitetsstyringsbehov. Nogle patienter har ikke længere brug for kritisk pleje og kan overføres til lavere akutte plejeafdelinger, hvilket frigør sengepladser til at håndtere mere kritisk syge patienter. Dette giver sundhedssystemet mulighed for at forbedre kapacitetsstyring og skabe adgang for flere patienter. Dette øger også bidragsmarginen for sundhedssystemet.

Hvad er de næste skridt for CLEW Medical i forhold til yderligere udvikling og udvidelse af brugen af jeres AI-drevne modeller i forskellige sundhedsindstillinger?

Vi har allerede udvidet CLEW-platformen uden for kritisk pleje til at omfatte afkoblede afdelinger og akutafdelinger, og vi er i gang med at udvide til de resterende akutte plejesenge på hospitaler, herunder post-anæstesi plejeafdelinger (PACU) og almindelige medicinske/kirurgiske og specialafdelinger. Den eventuelle udbredelse af billige bærbare overvågningsenheder, der giver hyppige vitaltegnoplysninger, samt vores PCCP-godkendelse, giver CLEW mulighed for at udvide sin AI-overvågningskapacitet mere bredt på akutte plejeafdelinger.

Dertil er CLEW også i gang med at udvikle en ny, AI-drevet tilgang til sepsisbehandling, en ødelæggende og undertiden dødelig komplikation.

Hvor ser du fremtiden for AI i forbedring af intensivafdelingsbehandling over de næste ti år, og hvordan planlægger CLEW at være en del af denne fremtid?

Hospitalpatientpopulationer er sygere, end de plejede at være. Med stigende alder og livsstilsrelaterede kroniske sygdomme samt udbredt plejepersonalmangel stiger behovet for intelligent klinisk overvågning. Da mange patienter ender på intensivafdelingen på grund af manglende muligheder for tidligere indgreb i behandlingsprocessen, fokuserer CLEW ikke kun på at bruge sin AI til at forbedre intensivafdelingsbehandling, men også på at samarbejde med sundhedssystemer og innovationspartnere til at forbedre alle former for akut pleje. Vores program for AI-udvikling (MLOPS) vil udnytte partnerkapaciteter til at udvikle FDA-godkendte AI-modeller ud over, hvad CLEW selv udvikler.

Men teknologi er kun en del af løsningen. Brugen af AI i sundhedssektoren handler ikke om at erstatte plejepersonale. I virkeligheden kan AI tilbyde overlegen information til at understøtte deres beslutninger om at give optimal klinisk pleje, såsom reduktion af støjende alarmer, der spilder deres tid. CLEW samarbejder med sundhedssystemer og partnere for at lære af og uddanne plejepersonale i, hvordan AI-værktøjer kan være effektivt adopteret og accepteret i klinisk praksis. Forskning, der validerer nøjagtigheden og effikaciteten af AI, er nødvendig, så CLEW arbejder med sine kunder for at generere denne bevis med deres egne patientpopulationer. Dette fokuserede forskningsindsats understøtter implementering og adoption af plejepersonale, der ellers ville være skeptiske.

For at accelerere nye kliniske implementeringer har vi mulighed for at opdatere vores platform for at inkludere nyopdagede bedste praksis inden for en måned, noget, der normalt tager år. Over de næste ti år vil CLEW være i forkanten af at arbejde med sundhedssystemer for at gøre effektiv klinisk AI til den informerede og forudsigende partner for de menneskelige plejepersonale, der måske en dag vil pleje os eller vores kære.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge CLEW Medical.