Paul Roscoe, VD, CLEW Medical – Intervju-serie

Paul Roscoe är VD för CLEW Medical.

Innan han gick med i Clew var Mr Roscoe VD för Trinda Health och ansvarade för att etablera företaget som branschledare inom kvalitetsinriktad klinisk dokumentation.

CLEW Medical erbjuder sjukhus, hälsovårdssystem och intensivvårdsavdelningar avancerad klinisk intelligens och patientdiagnostik med hjälp av AI-drivna, FDA-godkända prediktiva analyser och egna kritiska vårdmodeller.

Kan du börja med att berätta lite mer om CLEW Medicals AI-aktiverade plattform och dess unika förmågor inom MedTech-branschen?

CLEW:s grundande baserades på antagandet att dataanalys och AI kan förbättra patientresultat och klinisk erfarenhet i högakutiva vårdsituationer. Den kliniska övervakningsplattform vi har byggt är den första som har FDA-godkända AI-drivna förutsägelsemodeller för kritisk vård. Vårt system samlar in data genom att integrera med alla kliniska datakällor inom ett sjukhus och bygger upp en nära realtidsfysiologisk profil för varje patient för att kontinuerligt övervaka deras status. Det använder sedan denna data för att ge förutsägelser för att identifiera patienter som sannolikt kommer att ha en ogynnsam händelse – såsom andnings svikt – och varna kliniker för att ingripa upp till åtta timmar innan den förväntade händelsen. Plattformens höga grad av noggrannhet minskar också det överdrivna antalet falska larm, vilket möjliggör för kliniker att utöva på toppen av sin licens och fokusera på patienter som mest behöver omedelbar ingripande.

Vilka var de viktigaste faktorerna som bidrog till FDA-godkännandet av CLEW:s AI-drivna modeller?

CLEW har omfamnat AI sedan sin grundande. Våra grundare och utvecklingsledare insåg betydelsen av att skapa förtroende hos vårdgivare, de personer som ansvarar för att använda vår teknik för att vårda sina mest sårbara patienter. Det var avgörande att vår teknik genomgick samma nivå av granskning och noggrannhet i design, utveckling, testning och validering som de enheter som redan används av våra användare. För att uppmuntra antagandet av en AI-lösning för kritiska vårdsituationer, förstod vårt team nödvändigheten av att bygga modeller med noggrann produktutveckling och kvalitetssystem. Som ett resultat använder vår AI-modellutveckling en robust MLOPS-infrastruktur (maskinläringsoperationer) för att möta regulatoriska förväntningar, såsom PCCP-guiden (förhandsgodkänd ändringskontrollplan) från FDA. Våra AI-modeller är metodiskt utformade, samtidigt som de genomgår alla nödvändiga experiment för medicinsk enhetsreglering.

Robustheten i modellerna och våra interna processer resulterade i att FDA klassificerade vår lösning som en klass II medicinsk enhet i början av 2021, vilket var en betydande och banbrytande prestation. FDA:s medicinsk enhetsgodkännande fungerar som ett bevis på kvaliteten på vår slut-till-slut-utvecklingsprocess, som inkluderar kliniska valideringsstudier som genomförs i verkliga patientpopulationer.

Den nyligen publicerade studien i CHEST® Journal belyste den prediktiva noggrannheten hos era AI-modeller. Kan du diskutera metodiken och de specifika resultaten från denna studie?

En CLEW-tränad ML-algoritm distribuerades i 14 intensivvårdsavdelningar (ICU) på två stora hälsovårdssystem för att förutsäga intubation och vasopressorinitieringsevent – med andra ord, händelser som kräver livräddande ingripande – bland kritiskt sjuka vuxna patienter. Dess prestanda mättes mot befintliga sängbordsovervakningslarm och den prediktiva effektiviteten hos telemedicinska systemlarm.

Studien, som var utformad för att utvärdera verktygets noggrannhet och nyttan av larm i ICU, fann att CLEW:s modeller för att förutsäga patientförsämring var fem gånger mer exakta än och producerade 50 gånger färre larm än det ledande telemedicinska systemet. Resultaten visar också att ML-modellen har överlägsen noggrannhet jämfört med traditionella övervakningssystem och drastiskt minskar onödiga avbrott i klinisk arbetsflöde.

Hur kan de AI-prediktioner som görs av CLEW:s plattform potentiellt förändra vårdleveransen i ICU? Kan du förklara hur dessa prediktioner förbättrar resultaten och minskar komplikationerna?

CLEW:s plattform skapar möjligheter för tidiga ingripanden hos högriskpatienter och stöder kapacitetsförvaltning genom att identifiera lågriskindivider som kan vara redo för nedtrappning eller utskrivning. Detta minskar i sin tur mortaliteten och återinläggningstalen, minskar komplikationer orsakade av patientförsämring och minskar patienternas vårdtid.

Till exempel, inom de första 24 timmarna efter distributionen på ett stort hälsovårdssystem, förutsåg vår teknik hemodynamisk instabilitet hos en ICU-patient, vilket utlöste en utvärdering av en vårdgivare. Efter att ha utvärderat patienten, beställde vårdgivaren en CT-skanning och upptäckte en bukblödning. Patienten fördes till operationssalen för akut kirurgi, fick vätske- och blodtransfusion och räddades till slut. 24 timmar senare var patienten i stabil kondition.

Er system visade sig vara fem gånger mer exakt än ett ledande telemedicinskt övervakningssystem. Vad gör CLEW:s teknik mer effektiv i att förutsäga kritiska patientförsämringar?

I allmänhet är ML-genererade meddelanden mindre frekventa, har högre nivåer av noggrannhet och lägre felrater, såsom falska positiva, och skapar längre förhändelseledtider än andra telemedicinska systemlarm och sängbordsovervakningslarm. CLEW:s larm är mer exakta och funktionella och ger tid för vårdteamet att vidta motåtgärder för att förhindra förutsagda resultat. Den avancerade intelligensen som CLEW tillhandahåller möjliggörs av dess förmåga att utvinna patientdata från ett hälsovårdssystems elektroniska patientjournal (EMR), i kombination med ML-modeller som har testats och validerats genom peer-reviewed forskning och FDA-godkännande.

Studien noterade också en betydande minskning av falska larm. Hur minskar minskningen av larmtrötthet ICU-personal, och vad har varit återkopplingen från hälsovårdspersonal som använder er system?

98% av sängbordsovervakningsmeddelanden är falska positiva, vilket leder till larmtrötthet och förvärrar redan höga nivåer av klinisk utbrändhet. CLEW hanterar larmtrötthet genom att minska antalet auditiva avbrott, öka andelen åtgärdbara meddelanden för nödvändig vårdgivarintervention och skapa en överlag lugnare ICU-miljö. I själva verket förbättrar plattformens noggrannhet och förmåga att minska onödigt arbete via avancerade ML-modeller betydligt ICU-utbrändhet. Som en del av implementeringsprocessen fokuserar CLEW:s kundframgångsteam på vikten av klinisk förändringshantering för att säkerställa att tekniken införs på rätt sätt i den övergripande kliniska beslutsprocessen. Återkopplingen från kliniker har varit extremt positiv.

Hur fungerar den tidiga varningsfunktionen i CLEW:s plattform, och vilka slags ingripanden har den möjliggjort i verkliga ICU-miljöer?

Baserat på den inkommande informationsströmmen från sängbordsovervakning och livsstödjande enheter, samt från den elektroniska patientjournalen (EHR), kan CLEW:s AI-modeller förutsäga patientförsämring och död under de närmaste åtta timmarna. Med dessa prediktiva bedömningar kan erfarna kliniker utvärdera patienter mer noggrant och bestämma om det finns tillämpliga motåtgärder för att förhindra de förutsagda försämringarna, snarare än att reagera på dem i en nödsituation.

Till exempel kan CLEW-plattformen varna kliniker att en patient sannolikt kommer att drabbas av andnings svikt, vilket vanligtvis leder till intubation och mekanisk ventilation. Efter att ha mottagit varningen kan vårdgivarna identifiera att patienten har en överdriven mängd vätska som kan börja backa upp i lungorna och initiera diuretikabehandling för att minska vätskan, vilket förhindrar en intubation senare. Vår modell kan också förutsäga om en postoperativ patient sannolikt kommer att bli hemodynamiskt instabil och kräva vasoaktivt läkemedelsstöd. Beväpnade med denna kunskap i avsaknad av uppenbara symtom, bestämdes det genom en CT-skanning att patienten hade inre blödning och fördes tillbaka till operationssalen för att reparera det. Till slut resulterade denna intervention i att patienten stabiliserades.

CLEW:s AI-aktiverade prediktioner stöder också sjukhus med kapacitetsförvaltningsbehov. Vissa patienter behöver inte längre kritisk vård och kan överföras till lägre akutvårdsavdelningar, vilket frigör sängar för att hantera fler kritiskt sjuka patienter. Detta möjliggör för hälsovårdssystemet att förbättra kapacitetsförvaltningen och skapa tillgång för fler patienter. Detta ökar också bidragsmarginalen för hälsovårdssystemet.

Vad är de nästa stegen för CLEW Medical i fråga om att ytterligare utveckla och expandera användningen av era AI-drivna modeller i olika hälsovårdsmiljöer?

Vi har redan expanderat CLEW-plattformen utanför kritisk vård till att omfatta avdelningar för avtrappning och akutavdelningar, och vi är för närvarande i färd med att expandera över de återstående akutvårdsbäddarna på sjukhusen, inklusive postanestesivårdavdelningar (PACU) och allmänna medicinska och kirurgiska sängar. Den slutliga utbredningen av billiga bärbara övervakningsenheter som tillhandahåller frekvent vitala tecken, tillsammans med vår PCCP-godkännande, möjliggör för CLEW att expandera sin AI-övervakningsförmåga mer brett inom akutsjukhus.

Dessutom, eftersom CLEW:s prediktioner är kompletterande till många andra hälsovårdssystem, inklusive den elektroniska patientjournalen (EHR), arbetar vi på att leverera våra insikter via integration med ett hälsovårdssystems befintliga verktyg. Vi har anslutit oss till Epic-utvecklarnätverket och har demonstrerat en lyckad integration av avancerade CLEW-funktioner, såsom AI-drivna prediktioner, i den kliniska användarupplevelsen.

CLEW inleder också ett nytt, AI-drivet tillvägagångssätt för sepsisshantering, en förödande och ibland dödlig komplikation.

Var ser du framtiden för AI inom förbättring av ICU-vård under de närmaste tio åren, och hur planerar CLEW att vara en del av denna framtid?

Sjukhuspatientpopulationer är sjukare än de brukade vara. Med ökande ålder och livsstilsrelaterade kroniska sjukdomar, tillsammans med utbredda vårdgivarbrister, fortsätter behovet av intelligent klinisk övervakning att växa. Eftersom många patienter hamnar på ICU på grund av missade möjligheter att ingripa tidigare i vårdförloppet, fokuserar CLEW inte bara på att använda AI för att förbättra ICU-vård, utan också på att samarbeta med hälsovårdssystem och innovatörer för att förbättra all akutvård. Vårt programmatiska pipeline för AI-utveckling (MLOPS) kommer att utnyttja partnerförmågor för att växa FDA-godkända AI-modeller utöver vad CLEW utvecklar på egen hand.

Men tekniken är bara en del av lösningen. Användningen av AI inom hälsovården handlar inte om att ersätta vårdgivare. I själva verket kan AI erbjuda överlägsen information för att stödja deras beslutsfattande för att tillhandahålla optimal klinisk vård, såsom minskning av bullriga larm som slösar bort deras tid. CLEW arbetar med hälsovårdssystem och partners för att lära sig av och utbilda vårdgivare om hur AI-verktyg kan antas och accepteras i klinisk praxis. Forskning som validerar noggrannheten och effikaciteten hos AI krävs, så CLEW arbetar med sina kunder för att generera detta bevis med deras egna patientpopulationer. Detta fokuserade forskningsinsats stöder implementering och antagande av vårdgivare vid sängkanten som annars skulle vara skeptiska.

För att påskynda nya kliniska implementeringar har vi möjligheten att uppdatera vår plattform för att inkludera nyupptäckta bästa metoder inom en månad, något som vanligtvis tar år. Under de närmaste tio åren kommer CLEW att ligga i framkant för att arbeta med hälsovårdssystem för att göra effektiv klinisk AI till en informerad och vidsynt partner till de mänskliga vårdgivarna som kan ta hand om oss eller våra älskade.

Tack för det underbara samtalet, läsare som vill lära sig mer kan besöka CLEW Medical.