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

Paul Roscoe er administrerende direktør i CLEW Medical.

Før han ble med i Clew, var Mr. Roscoe administrerende direktør i Trinda Health, og var ansvarlig for å etablere selskapet som bransjeleder innen kvalitetsorientert klinisk dokumentasjon.

CLEW Medical tilbyr sykehus, helsevesen og intensivavdelinger avansert klinisk intelligens og pasientdiagnostikk ved hjelp av AI-drevne, FDA-godkjente prediktive analyser og egenutviklede kritiske modeller.

Kunne du fortelle oss litt mer om CLEW Medicals AI-aktiveringsplattform og dens unike egenskaper i MedTech-industrien?

CLEWs grunnleggelse var basert på premisset at dataanalyse og AI kan betydelig forbedre pasientresultater og klinikererfaringer i høyakuitetsområder. Den kliniske overvåkingsplattformen vi har bygget er den første som har FDA-godkjente AI-drevne prediksjonsmodeller for kritisk omsorg. Vårt system henter data ved å integrere med alle kliniske datakilder innen et sykehus og bygger en nære sanntids fysiologisk profil av hver pasient for å kontinuerlig overvåke deres status. Den bruker deretter denne dataen til å gi prediktive innsikter for å identifisere pasienter som sannsynligvis vil få en ugunstig hendelse – som respiratorisk svikt – og varsle klinikerne til å gripe inn opptil åtte timer før den forventede hendelsen. Plattformens høye nivå av nøyaktighet reduserer også det eksessive antallet falske alarmer, noe som gjør det mulig for klinikerne å praktisere på toppen av deres lisens og fokusere på pasienter som mest trenger umiddelbar inngripen.

Hva var de viktigste faktorene som bidro til FDA-godkjenningen av CLEWs AI-drevne prediksjonsmodeller?

CLEW har omfavnet AI siden sin opprinnelse. Våre grunnleggere og utviklingsledere erkjente betydningen av å bygge tillit hos omsorgspersonale, de personene som er ansvarlige for å bruke vår teknologi til å ta vare på deres mest sårbare pasienter. Det var avgjørende at vår teknologi skulle gjennomgå samme nivå av skarpsyn og grundighet i design, utvikling, testing og validering som enhetene som allerede var i bruk av våre brukere. For å oppmuntre til å bruke en AI-løsning for kritisk omsorg, forstod vårt team nødvendigheten av å bygge modeller med omhyggelig produktutvikling og kvalitetssystemer. Som et resultat, vår AI-modellutvikling utnytter en robust MLOPS-infrastruktur (maskinlæringsoperasjoner) for å møte regulatoriske forventninger, som PCCP-veiledningen (pre-autorert endringskontrollplan) fra FDA. Våre AI-modeller er metodelig designet, mens de gjennomgår alle nødvendige eksperimenter for medisinsk enhetgodkjenning.

Robustheten til modellene og våre interne prosesser resulterte i at FDA klassifiserte vår løsning som en klasse II medisinsk enhet tidlig i 2021, noe som var en milepæl og en førstegangsprestasjon. FDA-medical enhetgodkjenning tjener som et bevis på kvaliteten på vår sluttlige utviklingsprosess, som inkluderer kliniske valideringsstudier utført i virkelige pasientpopulasjoner.

Den nylige studien som ble publisert i CHEST® Journal fremhevet den prediktive nøyaktigheten til dine AI-modeller. Kan du diskutere metodikken og de spesifikke funnene i denne studien?

En CLEW-trening ML-algoritme ble deployert i 14 intensivavdelinger (ICU) på tvers av to store helsevesen for å forutsi intubasjon og vasopressor-initieringshendelser – med andre ord, hendelser som krever livreddende inngripen – blant kritisk syke voksne pasienter. Dens ytelse ble målt mot eksisterende benkemonitoreringssystemer og prediktive effektiviteten til telemetriske systemvarsler.

Studien, som var designet for å evaluere verktøyet sitt nøyaktighet og nytten av varsler i ICU, fant at CLEWs modeller for å forutsi pasientforverring var fem ganger mer nøyaktige enn og produserte 50 ganger færre alarmer enn det ledende telemetriske systemet. Funnene viser også at ML-modellen har overlegen nøyaktighet sammenlignet med tradisjonelle overvåkingssystemer og dramatisk reduserer unødvendige avbrudd i klinikerens arbeidsflyt.

Hvordan kan AI-forutsagnene gjort av CLEWs plattform potensielt transformere omsorgstilbud i ICU? Kunne du forklare hvordan disse forutsagnene forbedrer resultater og reduserer komplikasjoner?

CLEWs plattform skaper muligheter for tidlige inngrep i høyrisikopasienter og støtter kapasitetsforvaltning ved å identifisere lavrisikopasienter som kan være klare for nedtrapping eller utskrivning. Dette reduserer dødelighet og readmisjonsrater, reduserer komplikasjoner forårsaket av pasientforverring og minimiserer pasientenes oppholdstid.

For eksempel, innen de første 24 timene etter deployering i et stort helsevesen, forutså vår teknologi hemodynamisk ustabilitet hos en ICU-pasient, noe som utløste en vurdering av en leverandør. Etter å ha vurdert pasienten, bestilte leverandøren en CT-skanning og oppdaget en abdominal blødning. Pasienten ble rushet til operasjonsrommet for akutt kirurgi, infusjon med væske og blod, og livet ble ultimate reddet. 24 timer senere var pasienten i stabil tilstand.

Ditt system ble funnet å være fem ganger mer nøyaktig enn et ledende telemetriske overvåkingssystem. Hva gjør CLEWs teknologi mer effektiv i å forutsi kritiske pasientforverringer?

Generelt er ML-genererte varsler mindre hyppige, har høyere nøyaktighet og lavere feilrater, og skaper lengre forhåndsvarselstider enn andre telemetriske systemvarsler og benkemonitoreringssystemalarmer. CLEWs varsler er mer nøyaktige og funksjonelle og gir tid for omsorgsteamet til å iverksette mottiltak for å forebygge forutsagte resultater. Den sofistikerte intelligensen som CLEW tilbyr, er mulig takket være dens evne til å utvinne pasientdata fra et helsevesens elektroniske journaler (EMR), kombinert med ML-modeller som har blitt grundig testet og validert gjennom peer-review-forskning og FDA-godkjenning.

Studien noterte også en betydelig reduksjon i falske alarmer. Hvordan reduserer reduksjon av alarmfatigue ICU-personale, og hva har vært tilbakemeldingene fra helsepersonell som bruker systemet ditt?

98% av benkemonitorering varsler er falske positiver, noe som fører til alarmfatigue og forverrer historisk høye nivåer av klinikerutbrenning. CLEW adresserer alarmfatigue ved å redusere antallet lydavbrudd, øke andelen av handling varsler for nødvendig leverandørinngripen, og skape en mer rolig ICU-miljø. I essensen, plattformens nøyaktighet og evne til å redusere unødvendig arbeidsbyrde via avanserte ML-modeller forbedrer betydelig ICU-utbrenning. Som en del av implementeringsprosessen, fokuserer CLEWs kundesuksesslag på viktigheten av klinisk endringsledelse for å sikre at teknologien blir riktig inkorporert i den overordnede kliniske beslutningsprosessen. Tilbakemeldingene fra klinikerne har vært ekstremt positive.

Hvordan fungerer den tidlige varslingfunksjonen i CLEWs plattform, og hva slags inngrep har den fasilitert i virkelige ICU-miljøer?

Basert på den innkommende strømmen av informasjon fra benkemonitorering og livsstøtteenheter, samt fra den elektroniske journalen (EHR), kan CLEWs AI-modeller gjøre forutsagn om risikoen for pasientforverring og død de neste åtte timene. Med disse prediktive vurderingene kan erfarne klinikerne vurdere pasientene nærmere og bestemme om det finnes mottiltak for å forebygge de forutsagte forverringene, i stedet for å reagere på dem i en nødsituasjon.

For eksempel, kan CLEW-plattformen varsle klinikerne om at en pasient sannsynligvis vil gå inn i respiratorisk svikt, noe som vanligvis fører til intubasjon og mekanisk ventilasjon. Etter å ha mottatt varslet, kan omsorgspersonalet identifisere at pasienten har et overskudd av væske som kan starte å bakke opp i lungene, og initiere diuretikumbehandling for å redusere væsken, og dermed forebygge en intubasjon senere. Vår modell kan også forutsi om en postoperativ pasient sannsynligvis vil bli hemodynamisk ustabil og kreve vasoaktivt legemiddelstøtte. Med denne kunnskapen i fravær av åpenbare symptomer, bestemte en CT-skanning at pasienten hadde intern blødning og ble tatt tilbake til operasjonsrommet for å reparere det. Til slutt resulterte denne inngripen i at pasienten ble stabilisert.

CLEWs AI-aktiveringsforutsagn støtter også sykehusene med kapasitetsforvaltningsbehov. Noen pasienter vil ikke lenger kreve kritisk omsorg og kan overføres til lavere akuitetsavdelinger, noe som frigjør senger for å håndtere mer kritisk syke pasienter. Dette gjør det mulig for helsevesenet til å forbedre kapasitetsforvaltning og skape tilgang for flere pasienter. Dette øker også bidragsmarginen for helsevesenet.

Hva er de neste stegene for CLEW Medical i forhold til å videreutvikle og utvide bruken av dine AI-drevne modeller i forskjellige helsemiljøer?

Vi har allerede utvidet CLEW-plattformen utenfor kritisk omsorg til å inkludere nedtrappingsenheter og akuttmottak, og vi er nå i ferd med å utvide over de gjenværende akuttsenger i sykehusene, inkludert post-anestesi-pleieenheter (PACU) og generelle medisinske og kirurgiske senger. Den eventuelle ubegrensningen av billig bærbare monitorene som gir hyppig vitalinformasjon, sammen med vår PCCP-godkjenning, gjør det mulig for CLEW å utvide sine AI-overvåkingskapasiteter mer bredt gjennom akuttsykehusene.

I tillegg, ettersom CLEWs forutsagn er komplementære til mange andre HIT-systemer, inkludert EHR, arbeider vi med å levere våre innsikter via integrasjon i et helsevesens eksisterende verktøy. Vi har sluttet oss til Epic-utviklernes nettverk og har demonstrert suksessfull integrasjon av avanserte CLEW-funksjoner, som AI-drevne forutsagn, i den kliniske brukeropplevelsen.

CLEW er også i ferd med å iverksette en ny, AI-drevet tilnærming til sepsisbehandling, en ødeleggende og noen ganger dødelig komplikasjon.

Hvor ser du fremtiden for AI i å forbedre ICU-omsorg over de neste ti årene, og hvordan planlegger CLEW å være en del av denne fremtiden?

Sykehuspasientpopulasjoner er sykere enn de var tidligere. Med økende alder og livsstilsrelaterte kroniske sykdommer, samt utbredt omsorgspersonalmangel, vokser behovet for intelligent klinisk overvåking. Ettersom mange pasienter ender opp i ICU på grunn av manglende muligheter til tidlig inngripen i omsorgsprosessen, er CLEW ikke bare fokusert på å bruke sin AI til å forbedre ICU-omsorg, men også på å samarbeide med helsevesen og industriinnovatorer til å forbedre all akutt omsorg. Vår programatiske pipeline for AI-utvikling (MLOPS) vil utnytte partnerkapasiteter til å vokse FDA-godkjente AI-modeller utenfor det CLEW utvikler på egen hånd.

Men teknologien er bare en del av løsningen. Bruken av AI i helsevesenet er ikke om å erstatte omsorgspersonale. I virkeligheten kan AI tilby overlegen informasjon til å støtte deres beslutningsprosesser for å gi optimal klinisk omsorg, som å redusere støyende varsler som spilder deres tid. CLEW arbeider med helsevesen og partnere for å lære av og utdanne omsorgspersonale om hvordan AI-verktøy kan bli effektivt adoptert og akseptert i klinisk praksis. Forskning som validerer nøyaktigheten og effikasiteten til AI, er nødvendig, så CLEW arbeider med sine kunder til å generere denne bevisen med deres egne pasientpopulasjoner. Dette fokuserte forskningsarbeid støtter implementering og aksept av kliniske omsorgspersonale som ellers ville være skeptiske.

For å påskynde nye kliniske implementeringer, har vi evnen til å oppdatere vår plattform til å inkludere nyoppdagede beste praksis innen en måned, noe som vanligvis tar år. Over de neste ti årene, vil CLEW være i forkant av å arbeide med helsevesen til å gjøre effektiv klinisk AI til den informerte og forutseende partneren til de menneskelige omsorgspersonale som kan være med å ta vare på oss eller våre kjære.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke CLEW Medical.