Paul Roscoe, CLEW Medicalin toimitusjohtaja – Haastattelusarja

Paul Roscoe on CLEW Medicalin toimitusjohtaja.

Ennen CLEW:iin liittymistään Roscoe toimi Trinda Healthin toimitusjohtajana ja vastasi yrityksen perustamisesta laadukkaiden kliinisten dokumentaatioteknologioiden johtavana toimijana.

CLEW Medical tarjoaa sairaaloille, terveydenhuoltojärjestelmille ja tehohoito-osastoille edistyneen kliinisen älykkyyden ja potilasdiagnostiikan avulla AI-pohjaisia, FDA-hyväksyttyjä ennustavia analyytikkoja ja omia kriittisiä hoitomalleja.

Voitko kertoa meille enemmän CLEW Medicalin AI-pohjaisesta alustasta ja sen ainutlaatuisista ominaisuuksista MedTech-teollisuudessa?

CLEW:n perustaminen perustui oletukseen, että data-analytiikka ja tekoäly voivat parantaa merkittävästi potilaiden hoitotuloksia ja kliinikoiden kokemusta korkean vaativuuden hoitoympäristöissä. Kliininen valvontajärjestelmä, jonka olemme kehittäneet, on ensimmäinen, jossa on FDA-hyväksyttyjä AI-pohjaisia ennustemalleja kriittisessä hoidossa. Järjestelmämme hankkii tiedot integroimalla kaikki kliniset tietolähteet sairaalassa ja luo lähes reaaliaikaisen fysiologisen profiilin jokaiselle potilaalle jatkuvasti seuraamalla heidän tilaansa. Se sitten käyttää tätä tietoa tarjoamaan ennustavia näkemyksiä potilaiden tunnistamiseksi, jotka ovat todennäköisesti kokeneet haitallisen tapahtuman – kuten hengitysvaikeuden – ja hälyttää kliinikoita puuttumaan asiaan jopa kahdeksan tuntia ennen odotettua tapahtumaa. Järjestelmän korkea tarkkuus myös vähentää liian suuren määrän väärä hälytyksiä, mahdollistaen kliinikoille harjoittaa parasta mahdollista hoitoa ja keskittyä potilaisiin, jotka tarvitsevat välitöntä puuttumista.

Mitkä olivat avaintekijät, jotka vaikuttivat CLEW:n AI-pohjaisten mallien FDA-hyväksyntään?

CLEW on omaksunut tekoälyn perustamisestaan lähtien. Perustajamme ja kehitysjohtajamme tunnustivat tekoälyn merkityksen luottamuksen luomisessa hoitajien kanssa, jotka ovat vastuussa teknologiamme käytöstä heidän arkaisten potilaidensa hoitamiseen. Olisi olennaista, että teknologiamme menisi läpi saman tason tarkastelun ja vaivanhoidon suunnittelussa, kehittämisessä, testauksessa ja validoinnissa kuin laitteet, joita käyttäjämme jo käyttävät. Tekoälyratkaisun omaksumisen edistämiseksi kriittisissä hoitoympäristöissä tiimimme ymmärsi mallien kehittämisen ja laadunjärjestelmien tärkeyden. Sen seurauksena tekoälymallien kehittäminen hyödyntää vankkaa MLOPS (machine learning operations) -infrastruktuuria täyttämään sääntelyodotukset, kuten PCCP (pre-authorized change control plan) -ohjeistus FDA: lta. Tekoälymallimme on suunniteltu tarkkaavaisesti ja käy läpi kaikki tarvittavat kokeet lääketieteellisen laitteen sääntelyhyväksyntää varten.

Mallien luotettavuus ja sisäiset prosessimme johtivat siihen, että FDA luokitteli ratkaisumme luokan II lääketieteelliseksi laitteeksi alkuvuonna 2021, mikä oli merkittävä, ensimmäinen laatuaan saavutus. FDA:n lääketieteellisen laitteen hyväksyntä on osoitus laadukkaasta päätöksenteon prosessista, johon sisältyy kliinisiä validointitutkimuksia, jotka on tehty oikeilla potilasväestöillä.

Viimeisimmässä CHEST®-lehden julkaisussa korostettiin tekoälymallienne ennustusvirheitä. Voitko keskustella metodologiasta ja tutkimuksen erityisistä löydöistä?

CLEW:n koulutettu ML-algoritmi otettiin käyttöön 14 tehohoito-osastossa kahdessa suuressa terveydenhuoltojärjestelmässä ennustamaan intubointi- ja vasopressorin aloittamistapahtumia – toisin sanoen tapahtumia, jotka vaativat elinsiirtoon – kriittisesti sairaiden aikuisten potilaiden keskuudessa. Sen suorituskykyä mitattiin verrattaen olemassa oleviin vuodeosaston valvontahälytyksiin ja etähoitopalvelujen hälytysten ennustusvaikutukseen.

Tutkimus, joka suunniteltiin arvioimaan työkalun tarkkuutta ja hälytysten hyödyllisyyttä tehohoito-osastoissa, osoitti, että CLEW:n mallit potilaiden heikentymisen ennustamiseksi olivat viisi kertaa tarkemmat kuin johtava etähoitopalvelu ja tuottivat 50 kertaa vähemmän hälytyksiä. Tulokset osoittavat myös, että ML-malli on vertailukelpoinen perinteisten valvontajärjestelmien kanssa ja vähentää merkittävästi tarpeettomia keskeytyksiä kliinikoiden työssä.

Miten CLEW:n alustan tekoälyennusteet voivat muuttaa hoitotoimintaa tehohoito-osastolla? Voitko selittää, miten nämä ennusteet parantavat tuloksia ja vähentävät komplikaatioita?

CLEW:n alusta tarjoaa mahdollisuuksia varhaisiin puuttumisiin korkean riskin potilaisiin ja tukee kapasiteetin hallintaa tunnistamalla matalan riskin yksilöitä, jotka voivat olla valmiit siirtymään alhaisemman vaativuuden hoitoyksikköön. Tämä puolestaan vähentää kuoleman- ja uudelleenhoitotapauksia, vähentää potilaiden heikentymisestä johtuvia komplikaatioita ja minimoi potilaiden sairaalassa oleskelun kestoa.

Esimerkiksi suuressa terveydenhuoltojärjestelmässä teknologiamme ennusti hemodynaamista epävakautta tehohoito-osaston potilaalla, mikä laukaisi hoitajan arvioinnin. Potilaan arvioinnin jälkeen hoitaja tilasi CT-tutkimuksen ja havaittiin, että potilaalla oli sisäinen verenvuoto. Potilas vietiin leikkaukseen ja hänen elämänsä pelastettiin. 24 tuntia myöhemmin potilas oli vakaassa tilassa.

Järjestelmänne todettiin olevan viisi kertaa tarkempi kuin johtava etähoitopalvelujärjestelmä. Mitä tekee CLEW:n teknologian tehokkaammaksi ennustamaan kriittisiä potilaiden heikentymisiä?

Yleisesti ottaen ML-pohjaiset ilmoitukset ovat vähemmän yleisiä, tarkemmpia ja vähemmän virheellisiä kuin muut etähoitopalvelujärjestelmien hälytykset ja vuodeosaston valvontajärjestelmien hälytykset. CLEW:n hälytykset ovat tarkemmpia ja toimivampia, ja ne antavat aikaa hoitotiimille ryhtyä toimenpiteisiin estämään ennustettuja tuloksia. Teknologiamme mahdollistaa edistyneen älykkyyden sen kyvyn ansiosta, että se pystyy kaivamaan potilastietoja terveydenhuoltojärjestelmän sähköisestä potilastiedosta (EMR) yhdistettynä ML-malleihin, jotka on tarkkaan testattu ja validointi kautta tutkittu ja FDA-hyväksytty.

Tutkimus osoitti myös merkittävän vähennyksen väärissä hälytyksissä. Miten väärien hälytysten vähentäminen hyödyttää tehohoito-osaston henkilöstöä, ja mitä palautetta olette saaneet terveydenhuollon ammattilaisilta, jotka käyttävät järjestelmänne?

98 % vuodeosaston valvontahälytyksistä on väärä positiivisia, mikä johtaa hälytysuupumukseen ja lisää historiallisesti korkeita kliinikoiden paloitustasoa. CLEW vastaa hälytysuupumukseen vähentämällä älykuulutuksia, lisäämällä tarpeellisten toimenpiteiden määrää hoitajien puuttumiseksi ja luomalla yleisesti ottaen rauhallisemman tehohoito-osaston ilmapiirin. Itse asiassa järjestelmän tarkkuus ja kyky vähentää tarpeetonta työtaakkaa edistyneiden ML-mallien avulla parantaa merkittävästi tehohoito-osaston paloitusta. CLEW:n asiakaspalvelutiimimme keskittyvät kliinisen muutoksen hallintaan varmistaakseen, että teknologia otetaan osaksi kokonaisvaltaista kliinistä päätöksentekoprosessia. Kliinikoiden palautetta on ollut erittäin myönteistä.

Miten CLEW:n alustan varhainen ilmoitusominaisuus toimii, ja mitä puuttumisia se on mahdollistanut tehokkaasti tehohoito-osastolla?

Perustuen saapuvaan tietovirtaan vuodeosaston valvontalaitteista ja elinkaarelaitteista sekä sähköisestä potilastiedosta (EHR), CLEW:n AI-mallit voivat tehdä ennusteita potilaiden heikentymisestä ja kuolemasta seuraavien kahdeksan tunnin aikana. Näiden ennustusarvioiden avulla kokeneet kliinikot voivat arvioida potilaita tarkemmin ja päättää, onko sovellettavissa olevia vastatoimia estämään ennustettuja heikentymisiä sen sijaan, että reagoisivat niihin hätätilanteessa.

Esimerkiksi CLEW-alusta voi ilmoittaa kliinikoille, että potilas on todennäköisesti menee hengitysvaikeuteen, mikä johtaa intubointiin ja mekaniseen ventilointiin. Hälytyksen vastaanottamisen jälkeen hoitajat voivat tunnistaa, että potilaalla on ylimääräistä nestettä, joka voi alkaa kertyä keuhkoihin, ja aloittaa diureettisen hoidon nesteen vähentämiseksi, estäen siten intuboinnin myöhemmin. Mallimme voi myös ennustaa, onko postoperatiivinen potilas todennäköisesti tuleva hemodynaamiseksi epävakaa ja vaativa vasoaktiivista lääkehoitoa. Tietoisuuden avulla ilman ilmeisiä oireita CT-tutkimus osoitti, että potilaalla oli sisäinen verenvuoto, ja potilas vietiin takaisin leikkaukseen korjatakseen sen. Lopulta tämä puuttuminen johti potilaan vakauttamiseen.

CLEW:n AI-pohjaiset ennusteet tukevat myös sairaaloita kapasiteetin hallinnassa. Jotkut potilaat eivät enää tarvitse kriittistä hoitoa ja voidaan siirtää alhaisemman vaativuuden hoitoyksikköön, jolloin vapautuu vuoteita hoitamaan enemmän kriittisesti sairaita potilaita. Tämä mahdollistaa terveydenhuoltojärjestelmälle kapasiteetin hallinnan parantamisen ja pääsyn enemmän potilaisiin. Tämä lisää myös terveydenhuoltojärjestelmän osuusmarginaalia.

Mitkä ovat CLEW Medicalin seuraavat vaiheet AI-pohjaisien mallien kehittämisessä ja laajentamisessa eri terveydenhuollon ympäristöissä?

Olemme jo laajentaneet CLEW-alustaa kriittisen hoidon ulkopuolelle mukaan lukien askeltamis- ja ensihoitoyksiköt, ja olemme parhaillaan laajentamassa jäljellä olevia akuuttihoidon vuoteita sairaaloissa, mukaan lukien postanestesiahoitoyksiköt (PACU) ja yleiset kirurgiset ja erikoisvuodeosastot. Lopulta halpojen kannettavien seurantalaitteiden yleisyys, jotka tarjoavat usein elintoimintoja, yhdessä PCCP-hyväksynnän kanssa, mahdollistaa CLEW:lle laajentaa AI-valvontakapasiteettia laajemmin akuuttihoidon sairaaloissa.

Lisäksi, koska CLEW:n ennusteet ovat monien muiden HIT-järjestelmien, mukaan lukien sähköisen potilastiedon, liitännäisiä, työskentelemme toimittamaan näkemyksiämme integroimalla ne terveydenhuoltojärjestelmän olemassa olevaan työkalupakettiin. Olemme liittyneet Epic-kehittäjien verkkoon ja osoittaneet onnistuneen integraation edistyneistä CLEW-kapasiteeteista, kuten AI-pohjaisista ennusteista, kliiniseen käyttäjäkokemukseen.

CLEW on myös aloittamassa uudenlaista, AI-pohjaista lähestymistapaa sepelvaltimotautien hallintaan, joka on tuhoisa ja joskus kuolemaan johtava komplikaatio.

Miten näet tulevaisuuden tekoälyssä tehohoito-osaston parantamisessa seuraavan kymmenen vuoden aikana, ja miten CLEW aikoo olla osa tätä tulevaisuutta?

Sairaalapotilaiden väestö on sairaimmillaan kuin ennen. Ikääntymisen ja elämäntapaan liittyvien kroonisten sairauksien lisääntyessä sekä hoitajapula lisääntyy, älykkään kliinisen valvonnan tarve jatkuu kasvamassa. Koska monet potilaat päätyvät tehohoito-osastolle johtuen mahdollisuuksien puutteesta puuttua aikaisemmin hoitoprosessissa, CLEW ei keskity pelkästään tehohoito-osaston parantamiseen tekoälyllä, vaan myös terveydenhuoltojärjestelmien ja teollisuuden innovaattorien kanssa yhteistyöhön akuuttihoidon parantamiseksi. Ohjelmallinen kehityspipeline (MLOPS) hyödyntää kumppanien mahdollisuuksia kasvattaa FDA-hyväksyttyjä AI-malleja CLEW:n itsensä kehittämän lisäksi.

Kuitenkin teknologia on vain osa ratkaisua. Tekoälyn käyttö terveydenhuollossa ei ole hoitajien korvaamista. Itse asiassa tekoäly voi tarjota parempaa tietoa tukeakseen heidän päätöksentekoaan tarjoamaan optimaalista kliinistä hoitoa, kuten vähentämällä meluisia hälytyksiä, jotka vievät heidän aikansa. CLEW työskentelee terveydenhuoltojärjestelmien ja kumppaneiden kanssa oppiakseen ja kouluttamaan hoitajia siitä, miten tekoälytyökalut voidaan ottaa tehokkaasti osaksi kliinistä käytäntöä. Tutkimus, joka vahvistaa tekoälyn tarkkuuden ja tehokkuuden, on vaadittu, joten CLEW työskentelee asiakkaidensa kanssa luodakseen tämän näytön heidän omilla potilasväestöillään. Tämä kohdennettu tutkimuspyrkimys tukee käyttöönottoa vuodeosaston hoitajien toimesta, jotka muuten olisivat epäileviä.

Uusien kliinisten toteutusten nopeuttamiseksi meillä on mahdollisuus päivittää alustaa uusilla parhaiden käytäntöjen mukaisilla menettelyillä kuukauden kuluessa, mikä yleensä kestää vuosia. Seuraavan kymmenen vuoden aikana CLEW on edelläkävijänä työskentelemässä terveydenhuoltojärjestelmien kanssa tekemään tehokasta kliinistä tekoälyä tietoiseksi ja ennustavaksi partneriksi ihmisille, jotka voivat joskus hoitaa meitä tai rakkaamme.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla CLEW Medical-sivustolla.