Sean Shoffstall, Chef for AI, Innovation og Data hos PaceMate – Interviewserie

Sean Shoffstall, Chef for AI, Innovation og Data hos PaceMate, er en teknologi- og produktchef med over 20 års erfaring i at bygge innovative SaaS-løsninger og integrere AI-teknologier, der leverer målbare forretningsresultater og er i tråd med strategiske forretningsmål.

Sean specialiserer sig i at normalisere kunstig intelligens, sundhedsteknologi og data-drevne platforme for hold og kunder, og forbedrer produktiviteten og effektiviteten i kliniske arbejdsprocesser. Hans tidligere arbejde med at bane vej for AI-integration i sundhedsledelsessystemer har ført til betydelige effektivitetsforbedringer og forbedret patientresultater gennem intuitiv design og data-drevne indsigt.

Som en tankeleder og offentlig taler om AI for chefer, brookerer Sean mellem tekniske muligheder og strategisk forretningsimplementering, med fokus på produktstyring og udvikling, der tjener reelle kliniske behov. Han bygger hold, der leverer innovative løsninger, der adresse ægte sundhedsudfordringer, snarere end at blot forfølge teknologiske trends, og sikrer, at de er i tråd med operationel excellence og forbedrede patientresultater.

PaceMate er et sundheds-teknologiselskab, der tilbyder PaceMateLIVE, en cloud-baseret platform for fjernovervågning og datastyring. Systemet integrerer data fra implantable hjerteforstyrrelsesenheder, ambulante overvågningsenheder og forbruger-ECG’er, og bruger automatiseret prioritering til at hjælpe kliniske specialister med at fokusere på de mest kritiske alarmer. Det understøtter samarbejdskompatibilitet med større elektroniske sundhedsjournal-systemer som Epic, Cerner og athenahealth, og strømlinerer kliniske arbejdsprocesser, forbedrer operationel effektivitet og forbedrer patientpleje-kontinuitet i hjertespecialiserede praksisser.

Du har bygget AI-drevne sundheds-løsninger i over 20 år, herunder det første HIPAA-kompatible AI-audiogram-værktøj hos Auditdata og nu det kardiologiske intelligens-platform hos PaceMate. Hvad inspirerede din overgang til at bruge AI til at omdanne kliniske data til handlebare indsigt?

Jeg har altid været drevet af data. I min tidlige karriere i digital markedsføring var mit agentskabs slogan “Kvantificerbar kreativitet” – idéen om, at man kan drive emotion og kreativitet gennem det, man lærer af data. Da jeg skiftede til sundhedssektoren, så jeg en helt ny måde at bruge data på. I stedet for blot at rapportere, hvad der allerede var sket med en patient, begyndte jeg at undre mig: kunne vi bruge data til at se tendenser? Kunde vi forudsige, hvad der måske ville ske herefter? 

Derefter kom AI og udvidede disse muligheder. Jeg tror virkelig på, at hvis vi kan bruge AI på en intelligent, menneske-i-midten-måde, kan vi forvandle sundhedssektoren. Det kan give læger mere tid med patienter, mens de kedelige opgaver omkring data håndteres af AI. Vi er ikke helt der endnu, men grundlaget bliver bygget for at komme dertil.

PaceMate styrer en af de største og mest robuste kardiovaskulære datasæt i verden. Hvordan omdannes denne data til prædiktive algoritmer, der forbedrer patientresultater og klinisk effektivitet?

Data er nøglen. For at få den maksimale effekt af AI og maskinlæring kommer det hele an på det træningsmængde, du har. PaceMate er en industriel leder, ikke kun på grund af vores data, men også på grund af, at vores hold har årtiers klinisk ekspertise til at fortolke og validere det. Når du kombinerer træningsdata med denne ekspertise, begynder du at se, hvordan du kan spare en minut her og to minutter der, og hvordan det kan føre til store gevinster i effektivitet.

Derefter, når du lagrer muligheden for at identificere tendenser i patientdata over en enheds levetid, giver du lægerne de indsigt, de har brug for til at træffe de bedste beslutninger for deres patienter – med det mest omfattende datasæt muligt.

Reguleringsrammer som HIPAA og FDA-godkendelser kan ofte bremse AI-adopteringsprocessen i sundhedssektoren. Hvad praktiske skridt kan organisationer tage for at innovere ansvarligt inden for disse begrænsninger?

Hos PaceMate tror vi stærkt på menneske-i-midten-filosofien omkring AI. Vi overlader ikke beslutninger til AI, hvilket er præcis, hvorfor FDA kræver seriøs tilsyn. I stedet kan organisationer bruge AI til at udgrave, organisere og præsentere data, mens de stadig afhænger af klinisk ekspertise til at bestemme, hvad der er ret for hver enkelt patient.

Med hensyn til HIPAA er patientfortrolighed en alvorlig bekymring i sundhedssektoren, og vi skal altid sætte det først. Det er, hvad der er så godt ved vores menneske-centreret tilgang – AI behøver ikke at vide noget om vores patienters personlige identificerende oplysninger (PII). Vi kan de-identificere data og analysere fra det. Men selv med den bedste filosofi er det vigtigt at bruge de rette HIPAA-kompatible værktøjer – som er kommet på markedet i de seneste par år.

Datafortrolighed er altid en flerlaget tilgang, og patienters fortrolighed skal altid sættes først, selv før innovation.

Datafølsomhed er en stor bekymring i hjertesundhedspleje. Hvordan sikrer PaceMate, at AI-udviklingen opretholder de højeste niveauer af patientfortrolighed og tillid?

Patientfortrolighed har altid været en hjørnesten hos PaceMate, og opblomstringen af AI understreger blot, hvorfor dette engagement er vigtigt. Vi tilgår AI-udvikling med en “fortrolighed-i-design”-filosofi, hvilket betyder, at datatilsyn ikke er en eftertanke, men er bygget ind i hvert trin.

Al patientdata, der bruges til AI-træning, er strengt de-identificeret og krypteret, og følger protokoller, der overstiger HIPAA-krav. Vi følger også strenge data-minimeringsprincipper og indsamler og behandler kun, hvad der er absolut nødvendigt for klinisk værdi.

I hjertesundhedspleje er vi betroet med nogle af de mest intime sundhedsdata, man kan forestille sig. Det er derfor, vi gennemfører regelmæssige fortroligheds-virkninger og tredjeparts-sikkerhedsauditorier, fordi at opnå og opretholde tillid ikke er en engangsindsats – det er en daglig ansvar.

Automatisering i sundhedssektoren kan være en dobbeltægget sværd. Hvordan er AI hos PaceMate designet til at supplere – snarere end erstatte – klinikers ekspertise?

Vores menneske-i-midten-filosofi betyder, at AI bruges som et supplementær værktøj, aldrig som erstatning for ekspertise. Vores engagement i at bruge internt klinisk ekspertise og samarbejde med kliniske specialister på hospitaler til at guide vores produktudvikling former direkte vores AI-praksis.

Vi stiller spørgsmål som “Hvad ville gøre dig mere effektiv?”, “Hvilke data ville hjælpe dig med at træffe bedre beslutninger?” og “Hvad mangler der i din nuværende arbejdsproces?” Vi bruger derefter disse indsigt til at guide, hvordan vi implementerer automatisering og AI uden at komme i vejen.

Mange sundhedsorganisationer kæmper med fragmenterede data på tværs af enheder, elektroniske sundhedsjournaler og overvågningsværktøjer. Hvordan tilgår dit hold at samle disse kilder for at levere realtids indsigt, der virkelig betyder noget på plejestedet?

I de sidste 10 år er vi blevet hubben for data i fjernovervågning, og vi forstår patientdata-flows indenfor og ud. Du kan tænke på det som en identitetsgraf, hvor data indsamles og serveres i de inkremente, der er nødvendige på det pågældende tidspunkt. Vi har bygget infrastrukturen til at trække fra multiple enhedsproducenter, deres fjernovervågningsplatforme og elektroniske sundhedsjournal-systemer, og derefter normalisere og kontekstualisere data, så det er brugbart på plejestedet.

Nøglen er at forstå ikke kun, hvordan man indsamler data, men også, hvornår og hvordan man præsenterer det. Vi er også blevet eksperter i at aggregere bred, de-identificeret data for at validere tendenser og sikre kvalitet, når vi indfører nye datakilder. Denne dobbelte evne – at levere personlige, realtids indsigt, mens man opretholder det overordnede billede – er, hvad der tillader os at omdanne fragmenterede data til handlebar intelligens.

Med din erfaring på tværs af multiple sundheds-teknologiselskaber, hvad er nogle af de mest oversete udfordringer, når det kommer til at integrere AI i kliniske arbejdsprocesser i stor skala?

Fortrolighed og sikkerhed er intimiderende for mange mindre sundheds-teknologiselskaber. Men der er gode bedste praksis og værktøjer til rådighed, og alle de større cloud-udbydere – AWS, Azure og Google Cloud – har rådgivere med vejledninger og checklister til at hjælpe startups og virksomheder med at tackle disse udfordringer.

Når det er håndteret, bliver data i stor skala den næste forhindring. Hvor du er i dag med dit datasæt, vil det være helt anderledes om seks måneder. At forstå, hvordan man kan udnytte struktureret og ustruktureret data med en stærk identitetsgraf, kan være en god grund til at starte med, og at dokumentere din tilgang undervejs vil hjælpe med at forebygge nogle grå hår i fremtiden.

Etisk og gennemsigtig AI-udvikling bliver en definerende faktor i sundhedsinnovation. Hvordan bygger du ansvarlighed og forklarbarhed ind i AI-systemer, der bruges til medicinsk beslutningsstøtte?

Dette går tilbage til vores menneske-i-midten-filosofi. Vi designer vores AI til at præsentere indsigt og mønstre, men klinikeren træffer altid den endelige beslutning. Det skaber en naturlig ansvarslighedslag, hvor der altid er en licenseret professionel, der gennemgår og validerer, hvad AI-forslagene er.

Vi fokuserer også på at vise “hvorfor” bag AI-anbefalinger. Vores systemer fremhæver, hvilke datapunkter drev en bestemt indsigt, så læger kan evaluere, om det har klinisk mening for deres specifikke patient. Vi beder ikke klinikere om at stole på en sort kasse – vi giver dem gennemsigtighed i logikken.

Da læring går begge veje, har vi også bygget ind i kontinuerlige feedback-løkker. Når en kliniker accepterer eller omgør en AI-anbefaling, informerer det vores model-forbedring. Dette skaber ansvarlighed i begge retninger, og over tid lærer AI’en af klinisk ekspertise, mens klinikere kan se, hvordan deres input direkte former systemet.

I sidste ende handler forklarbar AI i sundhedssektoren ikke kun om teknisk gennemsigtighed, men også om at respektere klinisk dømmekraft og skabe værktøjer, der supplerer snarere end skjuler beslutningsprocessen.

Som en, der regelmæssigt rådgiver chefer om AI-strategi, hvad er de mest kritiske mindset-skift, der er nødvendige for sundhedsledere, der søger at gå fra eksperimenter til meningsfuld adoption?

Når jeg taler med forretningsledere om AI, prøver jeg at drive dem til en “Hvad hvis?” eller en “Jeg ønsker…”-mentality. En af de mest kraftfulde værktøjer i AI er evnen til at tænke ind i verdens syn på et problem snarere end blot de mennesker omkring dig eller dine egne fordomme. Så når du tænker, noget er svært eller umuligt, brug din foretrukne AI til at sige “Jeg ønsker, jeg kunne…” og beskriv det, der er i vejen. Det er superkraftfuldt. Jeg vejleder dem også i at have deres AI LLM være nysgerrig. Fortæl det dit problem, men fortæl det også at stille dig detaljerede spørgsmål. Nogle gange vil det alene drive dig til nogle virkelig unikke løsninger.

AI er også et fantastisk værktøj til planlægning. Cheferne skal sætte en strategi, mens de også skaber en plan for handling, bestemmer, hvordan de skal måle succes, og identificerer fælder, før de sker. AI er fantastisk til at hjælpe med at samle planer til at komme i gang.

Til sidst er vi altid ved at læse om, hvordan AI tager job og selskaber er ved at lægge folk af i favør af AI. Jeg tror, det er en dårlig måde at tænke om AI på. Et selskab, der er bygget på produkter eller tjenester til mennesker, har brug for mennesker til at forstå, hvad de tilbyder. I stedet for at bruge AI til omkostningsreduktion, tænk på, hvordan AI kan tage de kedelige opgaver fra dine mennesker og blive en forstærker. Hvis du kan reducere omkostningerne med 15% eller du kan øge produktiviteten med 200%, hvilket er den bedre forretningsbeslutning?

Med et femårs perspektiv, hvordan forestiller du dig, at AI vil forme landskabet for hjertemonitorering og forebyggende medicin – og hvilke milepæle håber du at opnå hos PaceMate i den periode?

AI vil blive mere og mere en del af vores arbejde og daglige liv i de næste fem år. Da vores brugere bliver mere komfortable og tillidsfulde over for output, åbner det op for endeløse muligheder og partnerskaber.

Jeg ville elske at tilbyde værktøjer, der hjælper klinikere med at prioritere patientpleje for patienter, der har størst behov – dem, der måske er i højeste risiko for en ugunstig begivenhed. Derefter kan vi begynde at bruge AI og trenddata til at vise forskellige mulige resultater for enkelt-patienter, og give lægerne et klart billede af, hvad der er foran.

Til sidst, når vi kan levere indsigt, som alle stoler på, at finde store partnerskaber med forskningshospitaler for at hjælpe dem med at udnytte vores modeller, ville være et højt mål. Det er, hvor vi virkelig kan drive innovation på tværs af industrien hurtigere og have en meningsfuld indvirkning på hjertesundhedspleje som helhed.

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