Sean Shoffstall, sjef for AI, innovasjon og data i PaceMate – Intervju-serie

Sean Shoffstall, sjef for AI, innovasjon og data i PaceMate, er en teknologi- og produktleder med over 20 års erfaring med å bygge innovative SaaS-løsninger og integrere AI-teknologier som leverer målbare forretningsresultater og sammenfaller med strategiske forretningsmål.

Sean spesialiserer seg på å normalisere kunstig intelligens, helse-teknologi og data-drevne plattformer for team og kunder, og forbedrer produktivitet og effisiens i kliniske arbeidsflyter. Hans tidligere arbeid med å bane vei for AI-integrasjon i helse-styringssystemer leverte betydelige effisiensforbedringer og forbedret pasientresultater gjennom intuitivt design og data-drevne innsikter.

Som en tankeleder og offentlig taler om AI for ledere, broer Sean gapet mellom tekniske muligheter og strategisk forretningsimplementering, med fokus på produktledelse og utvikling som tjener reelle kliniske behov. Han bygger team som leverer innovative løsninger som addreserer ekte helse-utfordringer, snarere enn å bare følge tekniske trender, og sikrer at de sammenfaller med operasjonell eksellens og forbedret pasientresultat.

PaceMate er et helse-teknologiselskap som tilbyr PaceMateLIVE, en sky-basert plattform for fjern-kardiell overvåking og data-håndtering. Systemet integrerer data fra innplantable kardielle enheter, ambulante overvåkingsenheter og forbruker-ECG, og bruker automatisert prioritering for å hjelpe kliniske team å fokusere på de mest kritiske varslingene. Det støtter sammenheng med større elektroniske helse-journal-systemer som Epic, Cerner og athenahealth, og strømlinjeformer kliniske arbeidsflyter, forbedrer operasjonell effisiens og forbedrer pasient-omsorgskontinuitet i kardielle praksiser.

Du har bygget AI-drevne helse-løsninger i over 20 år, inkludert det første HIPAA-kompatible AI-audiogram-verktøyet hos Auditdata og nå det kardielle intelligens-plattformen hos PaceMate. Hva inspirerte din overgang til å bruke AI til å transformere klinisk data til handlebare innsikter?

Jeg har alltid vært drevet av data. I min tidlige karriere i digital markedsføring, var min byrås slagord “Kvantifiserbar kreativitet” – ideen om at du kan drive emosjon og kreativitet gjennom det du lærer fra data. Når jeg gjorde overgangen til helse, så jeg en helt ny måte å bruke data på. Istedenfor bare å rapportere hva som allerede hadde skjedd med en pasient, begynte jeg å undre meg: kunne vi bruke data til å se trender? Kunde vi forutsi hva som kunne skje neste?

Deretter kom AI og utvidet disse mulighetene. Jeg tror virkelig på at hvis vi kan bruke AI på en smart, menneske-i-midten måte, kan vi transformere helse. Det kan gi leger mer tid med pasienter, mens de mundane oppgavene rundt data håndteres av AI. Vi er ikke helt der enda, men grunnlaget bygges for å komme dit.

PaceMate håndterer en av de største og mest robuste kardielle datasettene i verden. Hvordan transformeres denne dataen til prediktive algoritmer som forbedrer både pasientresultater og klinisk effisiens?

Data er nøkkel. For å få mest mulig kraft ut av AI og maskinlæring, handler det hele om treningssettet du har. PaceMate er en bransjeleder ikke bare på grunn av våre data, men fordi vårt team har tiår med klinisk ekspertise til å tolke og validere det. Når du kombinerer treningsdata med denne ekspertisen, begynner du å se hvordan sparing av en minutt her og to minutter der kan addere opp til store gevinst i effisiens.

Deretter, når du legger til evnen til å identifisere trender i pasientdata over en enhets levetid, gir du leger innsiktene de trenger for å ta de beste beslutningene for sine pasienter – bakket opp av de mest omfattende data mulig.

Reguleringsrammer som HIPAA og FDA-godkjenninger kan ofte bremse AI-adoptsjon i helse. Hva praktiske skritt kan organisasjoner ta for å innovere ansvarlig innenfor disse begrensningene?

Hos PaceMate tror vi sterkt på menneske-i-midten-filosofien rundt AI. Vi overfører ikke beslutninger til AI, som er nettopp hvorfor FDA krever seriøs tilsyn. Isteden kan organisasjoner bruke AI til å grave, organisere og presentere data, mens de fortsatt baserer seg på klinisk ekspertise for å bestemme hva som er riktig for hver enkelt pasient.

Når det gjelder HIPAA, er pasient-privatliv en alvorlig bekymring i helse, og vi bør alltid sette det først. Det er det som er så bra med vår menneske-sentrerte tilnærming – AI trenger ikke å vite noe om våre pasienters personlige identifiserbare informasjon (PII). Vi kan de-identifisere data og analysere fra det. Men selv med den beste filosofien, er det viktig å bruke riktige HIPAA-kompatible verktøy – som har kommet på markedet de siste årene.

Data-privatliv er alltid en flerskikket tilnærming, og pasient-privatliv bør alltid settes først, også før innovasjon.

Data-følsomhet er en stor bekymring i kardiell omsorg. Hvordan sikrer PaceMate at AI-utvikling opprettholder de høyeste nivåene av pasient-privatliv og tillit?

Pasient-privatliv har alltid vært en hjørnesten i PaceMate, og oppkomsten av AI understreker bare hvorfor dette engasjementet er viktig. Vi nærmer oss AI-utvikling med en “privatliv-via-design”-filosofi, som betyr at datavern ikke er en ettertanke, men bygges inn i hver fase.

All pasientdata som brukes i AI-trening er strengt de-identifisert og kryptert, i henhold til protokoller som overstiger HIPAA-krav. Vi følger også strenge data-minimeringsprinsipper, og samler og prosesserer bare det som er absolutt nødvendig for klinisk verdi.

I kardiell omsorg er vi betrodd med noen av de mest intime helse-dataene tenkelig. Det er derfor vi gjennomfører regelmessige privatlivs-virkningsanalyser og tredjeparts-sikkerhetsauditorer, fordi å tjene og opprettholde tillit ikke er en engangs-innsats – det er en daglig ansvar.

Automatisering i helse kan være en dobbelt egg. Hvordan er AI i PaceMate designet for å komplementere – snarere enn erstatte – ekspertisen til kliniske team?

Vår menneske-i-midten-filosofi betyr at AI brukes som et komplementær verktøy, aldri som erstatning. Vårt engasjement for å bruke intern klinisk ekspertise og samarbeide med kliniske team i sykehus for å guide vår produktutvikling, former direkte vår AI-praksis.

Vi stiller spørsmål som: “Hva ville gjøre deg mer effektiv?”, “Hva data ville hjelpe deg med å ta bedre beslutninger?” og “Hva mangler i din nåværende arbeidsflyt?” Vi bruker deretter disse innsiktene til å guide hvordan vi implementerer automatisering og AI uten å komme i veien.

Mange helse-systemer sliter med fragmentert data over enheter, EHR og overvåkingsverktøy. Hvordan nærmer din team seg å samordne disse kildene for å levere sanntids-innsikter som virkelig teller ved pasient-omsorgen?

Over de siste 10 årene har vi blitt hubben for data i fjern-overvåking, og vi forstår pasient-data-flyten inne og ut. Du kan tenke på det som en identitets-graf hvor data samles inn og serveres i de inkrementene som trengs på det tidspunktet. Vi har bygget infrastrukturen for å hente data fra flere enhet-fabrikanter, deres fjern-overvåkingsplattformer og EHR-systemer, og deretter normalisere og kontekstualisere data så det faktisk er nyttig ved pasient-omsorgen.

Nøkkelen er å forstå ikke bare hvordan man samler data, men når og hvordan man presenterer det. Vi har også blitt eksperter på å aggregere bred, de-identifisert data for å validere trender og sikre kvalitet når vi tar med nye data-kilder. Denne doble evnen – å levere personlige, sanntids-innsikter samtidig som man opprettholder det store bildet – er det som lar oss omdanne fragmentert data til handlebar intelligens.

Med din erfaring over flere helse-teknologi-startups, hva er noen av de mest oversette utfordringene når det gjelder å integrere AI i kliniske arbeidsflyter i stor skala?

Privatliv og sikkerhet er intimiderende for mange mindre helse-teknologi-selskaper. Men det finnes gode beste praksis og verktøy tilgjengelig, og alle de større sky-tjenesteleverandørene – AWS, Azure og Google Cloud – har rådgivere med veiledere og sjekklister for å hjelpe startups og bedrifter med å takle disse utfordringene.

En gang dette er håndtert, blir data i stor skala den neste hindringen. Hvor du er i dag med din datasett, vil være helt annerledes om seks måneder. Å forstå hvordan man kan utnytte strukturert og ustrukturert data med en sterk identitets-graf, kan være en god basis å starte med, og å dokumentere din tilnærming underveis vil hjelpe med å forebygge noen grå hår i fremtiden.

Etisk og gjennomsiktig AI-utplassering blir en avgjørende faktor i helse-innovasjon. Hvordan bygger du ansvar og forklarbarhet inn i AI-systemer som brukes til medisinsk beslutningsstøtte?

Dette går tilbake til vår menneske-i-midten-filosofi. Vi designer vår AI til å presentere innsikter og mønster, men klinikerne tar alltid den endelige beslutningen. Det skaper en naturlig ansvar-lag hvor det alltid er en lisensiert profesjonell som gjennomgår og validerer hva AI foreslår.

Vi fokuserer også på å vise “hvorfor” bak AI-anbefalinger. Våre systemer fremhever hvilke data-punkter som drev en bestemt innsikt, så leger kan vurdere om det har klinisk mening for deres spesifikke pasient. Vi ber ikke klinikerne om å stole på en svart boks – vi gir dem gjennomsiktighet i logikken.

Ettersom læring går begge veier, har vi også bygget inn kontinuerlige tilbakemeldings-løkker. Når en kliniker aksepterer eller overstyrer en AI-anbefaling, informerer det vår modell-forbedring. Dette skaper ansvar i begge retninger, og over tid lærer AI av klinisk ekspertise, mens klinikerne kan se hvordan deres innputt direkte former systemet.

Til slutt handler forklarbar AI i helse ikke bare om teknisk gjennomsiktighet, men også om å respektere klinisk dømmekraft og skape verktøy som supplere snarere enn å skjule beslutningsprosessen.

Som noen som regelmessig rådgir ledere om AI-strategi, hva er de viktigste holdningsendringene for helse-ledere som ønsker å gå fra eksperimentering til meningsfull adopsjon?

Når jeg snakker med forretningsledere om AI, prøver jeg å drive dem til en “Hva hvis?” eller en “Jeg ønsker…”-holdning. En av de mest kraftfulle verktøyene i AI er evnen til å ta i bruk verdens syn på et problem, snarere enn bare å se på menneskene rundt deg eller dine egne fordommer. Så når du tenker at noe er vanskelig eller umulig, bruk din favoritt-AI til å si “Jeg ønsker jeg kunne…” og beskriv det som står i veien. Det er super kraftfullt. Jeg guider dem også til å ha deres AI LLM være nysgjerrig. Fortell det ditt problem, men fortell det også å stille detaljerte spørsmål. Noen ganger vil det alene drive deg til noen virkelig unike løsninger.

AI er også et fantastisk verktøy for planlegging. Ledere må sette en strategi samtidig som de lager en handlingsplan, bestemmer hvordan de måler suksess, og identifiserer fallgruber før de skjer. AI er fantastisk til å hjelpe med å sette sammen planer for å komme i gang.

Til slutt er vi alltid å lese om hvordan AI tar jobber og selskaper legger folk av i favør av AI. Jeg tror det er en dårlig måte å tenke på AI på. Et selskap som er bygget på produkter eller tjenester for mennesker, trenger mennesker for å forstå hva de tilbyr. Istedenfor å bruke AI til kostnadsreduksjon, tenk på hvordan AI kan ta de mundane oppgavene fra dine mennesker og bli en forsterker. Hvis du kan redusere kostnader med 15% eller du kan øke produktivitet med 200%, hvilket er den beste forretningsbeslutningen?

Seende fem år fremover, hvordan ser du for deg at AI former landskapet for kardiell overvåking og forebyggende medisin – og hva milepæler håper du å nå hos PaceMate i løpet av denne tiden?

AI vil bli mer og mer en del av vårt arbeid og daglige liv over de neste fem årene. Etterhvert som våre brukere blir mer og mer komfortable og tillitsfulle til AI-utgangen, åpner det opp for endeløse muligheter og partnerskap.

Jeg ville elske å først tilby verktøy som hjelper kliniske team med å prioritere omsorg for pasienter som er i størst behov – de som kan være i størst risiko for en ugunstig hendelse. Deretter kan vi begynne å bruke AI og trend-data til å vise forskjellige mulige resultater for enkeltpasienter, og gi leger et tydeligere bilde av hva som ligger foran.

Til slutt, når vi kan levere innsikter som alle stoler på, å finne gode partnerskap med forsknings-sykehus for å hjelpe dem med å utnytte våre modeller, ville være et høyt mål. Det er der vi virkelig kan drive innovasjon over hele industrien raskere og gjøre en meningsfull innvirkning på kardiell omsorg som helhet.

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