Paul Roscoe, Chief Executive Officer, CLEW Medical – Interviewreeks

Paul Roscoe is de Chief Executive Officer van CLEW Medical.

Voor hij bij Clew kwam, was de heer Roscoe CEO van Trinda Health en was hij verantwoordelijk voor het vestigen van het bedrijf als leider in de industrie op het gebied van kwaliteitsgerichte klinische documentatieoplossingen.

CLEW Medical biedt ziekenhuizen, gezondheidszorgsystemen en intensive care-eenheden geavanceerde klinische intelligentie en patiëntdiagnostiek met behulp van AI-gestuurde, door de FDA goedgekeurde voorspellende analyses en propriëtaire kritieke zorgmodellen.

Kunt u ons meer vertellen over het AI-geactiveerde platform van CLEW Medical en zijn unieke capaciteiten in de MedTech-industrie?

De oprichting van CLEW was gebaseerd op de premisse dat data-analyse en AI de patiëntresultaten en de ervaring van clinici in high-acuity zorginstellingen aanzienlijk kunnen verbeteren. Het klinische surveillancesysteem dat we hebben gebouwd, is het eerste met door de FDA goedgekeurde AI-gestuurde voorspellingsmodellen voor kritieke zorg. Ons systeem verkrijgt gegevens door integratie met alle klinische gegevensbronnen binnen een ziekenhuis en bouwt een near real-time fysiologisch profiel van elke patiënt om hun status continu te monitoren. Vervolgens gebruikt het deze gegevens om voorspellende inzichten te bieden om patiënten te identificeren die waarschijnlijk een adversiteit zullen ervaren – zoals ademhalingsfalen – en clinici te waarschuwen om in te grijpen tot acht uur voordat het verwachte evenement plaatsvindt. De hoge mate van nauwkeurigheid van het platform reduceert ook het excessieve aantal valse alarmen, waardoor clinici aan de top van hun licentie kunnen werken en zich kunnen concentreren op patiënten die het meest behoefte hebben aan onmiddellijke interventie.

Wat waren de belangrijkste factoren die bijdroegen aan de FDA-goedkeuring van de AI-gestuurde voorspellingsmodellen van CLEW?

CLEW heeft AI omarmd sinds zijn oprichting. Onze oprichters en ontwikkelingsleiders erkenden het belang van het opbouwen van vertrouwen met zorgverleners, de personen die verantwoordelijk zijn voor het gebruik van onze technologie om voor hun meest kwetsbare patiënten te zorgen. Het was essentieel dat onze technologie dezelfde mate van onderzoek en zorgvuldigheid in ontwerp, ontwikkeling, testen en validatie onderging als de apparaten die al door onze gebruikers werden gebruikt. Om de adoptie van een AI-oplossing voor kritieke zorginstellingen te stimuleren, begreep ons team de noodzaak om modellen te bouwen met zorgvuldige productontwikkeling en kwaliteitssystemen. Als gevolg hiervan maakt de ontwikkeling van onze AI-modellen gebruik van een robuust MLOPS-infrastructuur (machine learning operations) om te voldoen aan de verwachtingen van de regelgeving, zoals de PCCP-leidraad (pre-authorized change control plan) van de FDA. Onze AI-modellen zijn methodisch ontworpen en ondergaan alle noodzakelijke experimenten voor medische apparaatgoedkeuring.

De robuustheid van de modellen en onze interne processen resulteerden in de classificatie van onze oplossing als een klasse II medisch apparaat door de FDA in het begin van 2021, wat een mijlpaal en een eerste-première-prestatie was. De FDA-goedkeuring van medische apparaten is een getuigenis van de kwaliteit van ons eind-tot-eind ontwikkelingsproces, dat klinische validatiestudies omvat die zijn uitgevoerd in echte patiëntpopulaties.

Het recente onderzoek dat in het CHEST®-tijdschrift werd gepubliceerd, benadrukte de voorspellende nauwkeurigheid van uw AI-modellen. Kunt u de methode en de specifieke resultaten van deze studie bespreken?

Een door CLEW getraind ML-algoritme werd geïmplementeerd in 14 intensive care-eenheden (ICU’s) in twee grote gezondheidszorgsystemen om intubatie- en vasopressor-initiatiegebeurtenissen te voorspellen – met andere woorden, gebeurtenissen die levensreddende interventie vereisen – onder kritisch zieke volwassen patiënten. De prestaties werden gemeten tegenover bestaande bedside-monitoringalarmen en de voorspellende effectiviteit van telemedicine-systeemalarmen.

De studie, die was ontworpen om de nauwkeurigheid en het nut van alarmen in ICU’s te evalueren, toonde aan dat de modellen van CLEW voor het voorspellen van patiëntverslechtering vijf keer nauwkeuriger waren dan en 50 keer minder alarmen produceerden dan het leidende telemedicine-systeem. De resultaten laten ook zien dat het ML-model een superieure nauwkeurigheid heeft in vergelijking met traditionele monitoringsystemen en onnodige onderbrekingen van clinici-workflows aanzienlijk reduceert.

Hoe kunnen de AI-voorspellingen die door het platform van CLEW worden gemaakt, de zorgverlening in de ICU transformeren? Kunt u uitleggen hoe deze voorspellingen de resultaten verbeteren en complicaties reduceren?

Het platform van CLEW biedt kansen voor vroege interventies bij high-risk patiënten en ondersteunt capaciteitsbeheer door laag-risicopatiënten te identificeren die mogelijk klaar zijn voor step-down of ontslag. Dit vermindert de mortaliteit en readmissiepercentages, reduceert complicaties veroorzaakt door patiëntverslechtering en minimaliseert de duur van het ziekenhuisverblijf van patiënten.

Als voorbeeld voorspelde onze technologie binnen de eerste 24 uur na implementatie in een groot gezondheidszorgsysteem hemodynamische instabiliteit bij een ICU-patiënt, wat een onderzoek door een zorgverlener uitlokte. Na het evalueren van de patiënt, bestelde de zorgverlener een CT-scan en werd een abdominale bloeding gedetecteerd. De patiënt werd naar de operatiekamer gebracht voor een spoedoperatie, kreeg vloeistoffen en bloed toegediend en zijn leven werd uiteindelijk gered. 24 uur later was de patiënt in stabiele conditie.

Uw systeem werd gevonden om vijf keer nauwkeuriger te zijn dan een leidend telemedicine-monitoringsysteem. Wat maakt de technologie van CLEW effectiever in het voorspellen van kritieke patiëntverslechtering?

In het algemeen zijn ML-gegenereerde meldingen minder frequent, hebben een hogere mate van nauwkeurigheid en lagere fouten, zoals valse positieven, en creëren langere pre-event leidtijden dan andere telemedicine-systeemalarmen en bedside-monitoring systeemalarmen. De alarmen van CLEW zijn nauwkeuriger en functioneler en bieden tijd voor het zorgteam om tegenmaatregelen te nemen om de voorspelde resultaten te voorkomen. De geavanceerde intelligentie die CLEW biedt, is mogelijk gemaakt door zijn capaciteit om patiëntgegevens uit een gezondheidszorgsysteem te verzamelen, in combinatie met ML-modellen die grondig getest en gevalideerd zijn via peer-reviewed onderzoek en FDA-goedkeuring.

De studie wees ook op een aanzienlijke reductie van valse alarmen. Hoe draagt het reduceren van alarmmoeheid bij aan het welzijn van ICU-personeel, en wat is de feedback van zorgverleners die uw systeem gebruiken?

98% van de bedside-monitoringmeldingen zijn valse positieven, wat leidt tot alarmmoeheid en verergert historisch hoge niveaus van clinici-brandstof. CLEW adresseert alarmmoeheid door het aantal auditieve onderbrekingen te reduceren, het percentage actievere meldingen voor noodzakelijke interventie van zorgverleners te verhogen en een algehele kalmer ICU-omgeving te creëren. In wezen verbetert de nauwkeurigheid en het vermogen van het platform om onnodige werklast via geavanceerde ML-modellen aanzienlijk het ICU-brandstof. Als onderdeel van het implementatieproces, richt het customer success-team van CLEW zich op de belangrijkheid van klinische veranderingsbeheer om ervoor te zorgen dat de technologie op de juiste manier wordt geïntegreerd in het klinische besluitvormingsproces. De feedback van clinici is extreem positief.

Hoe werkt de vroege notificatiefunctie van het platform van CLEW, en welke interventies heeft het gefaciliteerd in reële ICU-omgevingen?

Gebaseerd op de binnenkomende stroom van informatie van bedside-monitoring en levensondersteuningsapparaten, evenals van het Elektronisch Gezondheidsdossier (EHR), kunnen de AI-modellen van CLEW voorspellingen doen over het risico van patiëntverslechtering en overlijden in de komende acht uur. Met deze voorspellende beoordelingen kunnen ervaren clinici patiënten nauwkeuriger evalueren en bepalen of er tegenmaatregelen zijn om de voorspelde verslechtering te voorkomen, in plaats van te reageren op een noodgeval.

Als voorbeeld kan het platform van CLEW clinici waarschuwen dat een patiënt waarschijnlijk ademhalingsfalen zal ervaren, wat leidt tot intubatie en mechanische ventilatie. Na ontvangst van de waarschuwing kunnen zorgverleners dan identificeren dat de patiënt een teveel aan vloeistoffen heeft die kunnen teruglopen in de longen en diuretica-therapie starten om de vloeistoffen te reduceren, waardoor intubatie later kan worden voorkomen. Ons model kan ook anticiperen of een postoperatieve patiënt waarschijnlijk hemodynamisch instabiel zal worden en vasoactieve medicatieondersteuning zal vereisen. Gewapend met deze kennis in de afwezigheid van voor de hand liggende symptomen, kan een CT-scan worden uitgevoerd om interne bloeding te detecteren en de patiënt kan terug naar de operatiekamer worden gebracht voor een spoedoperatie. Uiteindelijk resulteert deze interventie in het stabiliseren van de patiënt.

Het AI-geactiveerde voorspellingsvermogen van CLEW ondersteunt ook ziekenhuizen bij capaciteitsbeheer. Sommige patiënten hebben mogelijk geen kritieke zorg meer nodig en kunnen worden overgeplaatst naar lagere zorgunits, waardoor bedden vrijkomen om meer kritisch zieke patiënten te behandelen. Dit stelt het gezondheidszorgsysteem in staat om capaciteitsbeheer te verbeteren en toegang te creëren voor meer patiënten. Dit verhoogt ook de bijdragemarge voor het gezondheidszorgsysteem.

Wat zijn de volgende stappen voor CLEW Medical in termen van verdere ontwikkeling en uitbreiding van het gebruik van uw AI-gestuurde modellen in verschillende gezondheidszorginstellingen?

We hebben het CLEW-platform al uitgebreid buiten kritieke zorginstellingen naar stap-af-eenheden en spoedeisende hulpafdelingen, en we zijn momenteel bezig met de uitbreiding naar de resterende acute zorgbedden van ziekenhuizen, waaronder post-anesthesie zorgunits (PACU) en algemene medische en chirurgische en specialisatiebedden. De uiteindelijke alomtegenwoordigheid van goedkope draagbare monitoren die frequente vitale tekenen informatie bieden, samen met onze PCCP-goedkeuring, stelt CLEW in staat om zijn AI-surveillancemogelijkheden verder uit te breiden in acute zorgziekenhuizen.

Daarnaast, aangezien de voorspellingen van CLEW complementair zijn aan veel andere HIT-systemen, waaronder het EHR, werken we aan het leveren van onze inzichten via integratie in de bestaande toolkit van een gezondheidszorgsysteem. We hebben ons aangesloten bij het Epic-ontwikkelaarsnetwerk en hebben succesvolle integratie van geavanceerde CLEW-mogelijkheden, zoals AI-gestuurde voorspellingen, in de klinische gebruikerservaring gedemonstreerd.

CLEW begint ook aan een nieuw, AI-gestuurd benadering van sepsisbeheer, een verwoestende en soms dodelijke complicatie.

Waar ziet u de toekomst van AI in de verbetering van ICU-zorg over de komende tien jaar, en hoe gaat CLEW deel uitmaken van deze toekomst?

De patiëntpopulaties in ziekenhuizen zijn zieker dan ze vroeger waren. Met de toenemende leeftijd en levensstijlgerelateerde chronische ziektes, evenals de wijdverspreide zorgverlenersgebrek, groeit de behoefte aan intelligente klinische surveillance. Aangezien veel patiënten in ICU’s terechtkomen vanwege gemiste kansen om eerder in het zorgproces in te grijpen, richt CLEW zich niet alleen op het gebruik van AI om ICU-zorg te verbeteren, maar ook op het samenwerken met gezondheidszorgsystemen en innovators om alle acute zorg te verbeteren. Ons programmapipeline voor AI-ontwikkeling (MLOPS) zal de capaciteiten van partners benutten om FDA-goedgekeurde AI-modellen verder uit te breiden dan wat CLEW zelf ontwikkelt.

Technologie is echter slechts een deel van de oplossing. Het gebruik van AI in de gezondheidszorg is niet gericht op het vervangen van zorgverleners. In feite kan AI superieure informatie bieden om hun besluitvorming te ondersteunen en optimale klinische zorg te bieden, zoals het reduceren van lawaaierige alarmen die hun tijd verspillen. CLEW werkt samen met gezondheidszorgsystemen en partners om van en naar zorgverleners te leren over hoe AI-hulpmiddelen effectief kunnen worden geadopteerd en geaccepteerd in de klinische praktijk. Onderzoek dat de nauwkeurigheid en effectiviteit van AI valideert, is vereist, dus CLEW werkt met zijn klanten samen om deze bewijslast te genereren met hun eigen patiëntpopulaties. Deze gefocuste onderzoeksinspanning ondersteunt implementatie en adoptie door zorgverleners die anders sceptisch zouden zijn.

Om nieuwe klinische implementaties te versnellen, hebben we de mogelijkheid om ons platform te updaten met nieuw ontdekte best practices binnen een maand, iets wat normaal gesproken jaren duurt. Over de komende tien jaar zal CLEW aan de voorzijde staan van het werken met gezondheidszorgsystemen om effectieve klinische AI tot een geïnformeerd en vooruitziend partner van de menselijke zorgverleners te maken die mogelijk ooit voor ons of onze geliefden zullen zorgen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoeken CLEW Medical.