Sean Shoffstall, chef för AI, innovation och data på PaceMate – Intervjuserie

Sean Shoffstall, chef för AI, innovation och data på PaceMate, är en teknisk och produktledande chef med över 20 års erfarenhet av att bygga innovativa SaaS-lösningar och integrera AI-teknologier som levererar mätbara affärsresultat och motsvarar strategiska affärsmål.

Sean specialiserar sig på att normalisera artificiell intelligens, hälsovårdsteknologi och datastyrd plattform för team och kunder, förbättrar produktivitet och effektivitet i kliniska arbetsflöden. Hans tidigare arbete med att bana väg för AI-integrering i hälsovårdssystem har levererat betydande effektivitetsförbättringar och förbättrade patientresultat genom intuitiv design och datastyrd insikt.

Som en tankeledare och offentlig talare om AI för chefer, brottas Sean gapet mellan tekniska förmågor och strategisk affärsimplementering, fokuserar på produktledning och utveckling som tjänar verkliga kliniska behov. Han bygger team som levererar innovativa lösningar som hanterar verkliga hälsovårdssutmaningar snarare än att bara följa tekniska trender, säkerställer att de motsvarar operativ excellens och förbättrade patientresultat.

PaceMate är ett hälsovårdstekniskt företag som erbjuder PaceMateLIVE, en molnbaserad plattform för fjärrövervakning av hjärtaktivitet och datahantering. Systemet integrerar data från implantabla hjärtenheter, ambulatoriska övervakningsenheter och konsument-ECG, använder automatiserad prioritering för att hjälpa kliniker fokusera på de mest kritiska varningarna. Det stöder interoperabilitet med stora elektroniska journalsystem som Epic, Cerner och athenahealth, strömlinjeformar kliniska arbetsflöden, förbättrar operativ effektivitet och förbättrar kontinuitet i hjärtvård.

Du har byggt AI-drivna hälsovårdslösningar i över 20 år, inklusive det första HIPAA-kompatibla AI-audiogramverktyget på Auditdata och nu det kardiovaskulära intelligensplattformen på PaceMate. Vad inspirerade din övergång till att använda AI för att omvandla kliniska data till handlingsbara insikter?

Jag har alltid drivits av data. I min tidiga karriär inom digital marknadsföring var min byrås slogan “Kvantifierbar kreativitet” – idén att man kan driva känslor och kreativitet genom vad man lär sig från data. När jag gjorde övergången till hälsovård såg jag en helt ny möjlighet att använda data. Istället för att bara rapportera vad som redan hade hänt med en patient, började jag undra: kunde vi använda data för att se trender? Kunde vi förutsäga vad som kan hända härnäst?

Sedan kom AI och utvidgade dessa möjligheter. Jag tror verkligen att om vi kan använda AI på ett smart sätt, med människor i mitten, kan vi omvandla hälsovård. Det kan ge läkare mer tid med patienter medan de tråkiga uppgifterna kring data hanteras av AI. Vi är inte riktigt där än, men grunden läggs för att komma dit.

PaceMate hanterar en av de största och mest robusta kardiovaskulära datamängderna i världen. Hur omvandlas denna data till prediktiva algoritmer som förbättrar både patientresultat och klinisk effektivitet?

Data är nyckeln. För att få ut det mesta av AI och maskinlärning handlar allt om den träningsmängd du har. PaceMate är en branschledare inte bara på grund av vår data, utan också för att vårt team har decennier av klinisk expertis för att tolka och validera den. När du kombinerar träningsdata med den expertisen börjar du se hur man kan spara en minut här och två minuter där, vilket kan leda till stora vinster i effektivitet.

Sedan, när du lägger till möjligheten att identifiera trender i patientdata över en enhets livstid, ger du läkare de insikter de behöver för att fatta de bästa besluten för sina patienter – med stöd av de mest omfattande data som är möjliga.

Regleringsramar som HIPAA och FDA-godkännanden kan ofta sakta ner AI-antagandet i hälsovård. Vilka praktiska steg kan organisationer ta för att innovativt verka inom dessa begränsningar?

På PaceMate tror vi starkt på filosofin “Människa i mitten” kring AI. Vi lägger inte beslut på AI, vilket är exakt varför FDA kräver allvarlig tillsyn. Istället kan organisationer använda AI för att gräva, organisera och presentera data medan de fortfarande förlitar sig på klinisk expertis för att bestämma vad som är rätt för varje enskild patient.

När det gäller HIPAA är patientsekretess en allvarlig fråga i hälsovård, och vi bör alltid sätta den först. Det är vad som är så bra med vår människocentrerade tillvägagångssätt – AI behöver inte veta någonting om patienternas personliga identifieringsinformation (PII). Vi kan avidentifiera data och analysera från den. Men även med den bästa filosofin är det viktigt att använda rätt HIPAA-kompatibla verktyg, som har kommit på marknaden under de senaste åren.

Datasekretess är alltid en multilageransats, och patienternas sekretess bör alltid sättas först, även före innovation.

Datakänslighet är en stor fråga i kardiovård. Hur säkerställer PaceMate att AI-utveckling upprätthåller den högsta nivån av patientsekretess och förtroende?

Patientsekretess har alltid varit en hörnsten i PaceMate, och AI:s uppkomst förstärker bara varför detta engagemang är viktigt. Vi närmar oss AI-utveckling med en “sekretess-genom-design”-filosofi, vilket innebär att dataskydd inte är en eftertanke, utan byggs in i varje skede.

All patientdata som används i AI-träning är noggrant avidentifierad och krypterad, följer protokoll som överstiger HIPAA-kraven. Vi följer också strikta dataminimeringsprinciper, samlar in och bearbetar endast vad som är absolut nödvändigt för kliniskt värde.

I kardiovård har vi fått förtroendet att hantera några av de mest intima hälsodata som är tänkbara. Det är därför vi genomför regelbundna sekretesspåverkansbedömningar och tredjepartssäkerhetsrevisioner, eftersom att vinna och upprätthålla förtroende inte är en engångsinsats – det är en daglig ansvar.

Automatisering i hälsovård kan vara en dubbeleggad svärd. Hur är AI på PaceMate utformat för att komplettera – snarare än ersätta – klinikers expertis?

Vår “Människa i mitten”-filosofi innebär att AI används som ett kompletterande verktyg, aldrig ersätter expertis. Vårt engagemang för att använda klinisk expertis inomhus och arbeta med kliniker på sjukhus för att vägleda vår produktutveckling formar direkt vår AI-praxis.

Vi ställer frågor som “Vad skulle göra er mer effektiva?”, “Vilken data skulle hjälpa er att fatta bättre beslut?” och “Vad saknas i er nuvarande arbetsflöde?” Vi använder sedan dessa insikter för att vägleda hur vi implementerar automatisering och AI utan att störa.

Många hälsovårdssystem kämpar med fragmenterad data över enheter, journaler och övervakningsverktyg. Hur närmar sig ditt team att förena dessa källor för att leverera realtidsinsikter som verkligen betyder något vid vården?

Under de senaste 10 åren har vi blivit navet för data i fjärrövervakning, och vi förstår patientdataflödet in och ut. Du kan tänka på det som en identitetsgraf där data samlas in och serveras i de inkrement som behövs vid den tidpunkten. Vi har byggt infrastrukturen för att hämta data från flera enhets­tillverkare, deras fjärrövervakningsplattformar och journalsystem, sedan normalisera och kontextualisera data så att det faktiskt är användbart vid vården.

Nyckeln är att förstå inte bara hur man samlar in data, utan också när och hur man presenterar den. Vi har också blivit experter på att aggregera bred, avidentifierad data för att validera trender och säkerställa kvalitet när vi tar in nya datakällor. Denna dubbla förmåga – att leverera personliga, realtidsinsikter medan man upprätthåller den stora bildens vy – är vad som låter oss omvandla fragmenterad data till handlingsbar intelligens.

Med din erfarenhet av flera hälsovårdstekniska startups, vad är några av de mest förbisedda utmaningarna när man integrerar AI i kliniska arbetsflöden i stor skala?

Sekretess och säkerhet är skrämmande för många mindre hälsovårdstekniska företag. Men det finns bra bästa praxis och verktyg tillgängliga, och alla stora molntjänsteleverantörer – AWS, Azure och Google Cloud – har rådgivare med guideböcker och checklista för att hjälpa startups och företag att hantera dessa utmaningar.

När det är hanterat blir data i stor skala nästa hinder. Där du är idag med din datamängd kommer att vara helt annorlunda om sex månader. Att förstå hur man kan utnyttja strukturerad och ostrukturerad data med en stark identitetsgraf kan vara en bra grund att börja med, och att dokumentera din tillvägagångssätt under resans gång kommer att hjälpa till att förhindra några gråa hår i framtiden.

Etisk och transparent AI-distribution blir en avgörande faktor i hälsovårdsinnovation. Hur bygger du ansvar och förklarbarhet in i AI-system som används för medicinsk beslutsstöd?

Detta går tillbaka till vår “Människa i mitten”-filosofi. Vi utformar vår AI för att presentera insikter och mönster, men klinikern fattar alltid det slutliga beslutet. Det skapar ett naturligt ansvarssegment där det alltid finns en licensierad professionell som granskar och validerar vad AI föreslår.

Vi fokuserar också på att visa “varför” bakom AI-rekommendationer. Våra system betonar vilka datapunkter som drev en viss insikt, så att läkare kan utvärdera om det har klinisk mening för deras specifika patient. Vi ber inte kliniker att lita på en svart låda – vi ger dem transparens i logiken.

Eftersom inlärning sker åt båda hållen har vi också byggt in kontinuerliga återkopplingsloopar. När en kliniker accepterar eller åsidosätter en AI-förslag, informerar det vår modellförbättring. Det skapar ansvar i båda riktningarna, och över tid lär sig AI av klinisk expertis medan kliniker kan se hur deras inmatning direkt formar systemet.

Till slut handlar förklarbar AI i hälsovård inte bara om teknisk transparens, utan också om att respektera klinisk bedömning och skapa verktyg som kompletterar snarare än skymmer beslutsprocessen.

Som någon som regelbundet rådgiver chefer om AI-strategi, vilka förändringar i mindset är mest kritiska för hälsovårdsledare som vill gå från experiment till meningsfull antagande?

När jag pratar med chefer om AI försöker jag driva dem till en “Vad om?” eller en “Jag önskar…”-attityd. En av de mest kraftfulla verktygen i AI är förmågan att knacka på världens syn på ett problem istället för att bara lyssna på de människor runt omkring eller dina egna fördomar. Så när du tycker att något är svårt eller omöjligt, använd din favorit-AI för att säga “Jag önskar jag kunde…” och beskriv de saker som står i vägen. Det är superkraftfullt. Jag vägleder dem också att ha sin AI LLM vara nyfiken. Berätta för den ditt problem, men berätta också för den att ställa detaljerade frågor. Ibland kommer det ensam att driva dig till riktigt unika lösningar.

AI är också ett bra verktyg för planering. Chefer behöver fastställa en strategi samtidigt som de skapar en handlingsplan, bestämmer hur man mäter framgång och identifierar fallgropar innan de händer. AI är bra på att hjälpa till att sätta samman planer för att komma igång.

Slutligen läser vi alltid om hur AI tar jobb och företag Permitterar människor till förmån för AI. Jag tycker att det är ett dåligt sätt att tänka på AI. Ett företag som byggs på produkter eller tjänster för människor behöver människor för att förstå vad de erbjuder. Istället för att använda AI för kostnadsreducering, tänk på hur AI kan ta de tråkiga uppgifterna från dina människor och bli en förstärkare. Om du kan minska kostnaderna med 15% eller öka produktiviteten med 200%, vilket är det bättre affärsbeslutet?

Om fem år, hur ser du att AI omformar landskapet för kardiovård och förebyggande medicin – och vilka milstolpar hoppas du uppnå på PaceMate under den tiden?

AI kommer att vara mer och mer en del av vårt arbete och dagliga liv under de närmaste fem åren. När våra användare blir mer bekväma och förtroendefulla med AI-utdata, öppnar det upp oändliga möjligheter och partnerskap.

Jag skulle älska att först tillhandahålla verktyg som hjälper kliniker att prioritera vård för patienter som är mest i behov av det – de som kan vara i störst risk för en negativ händelse. Därifrån kan vi börja använda AI och trenddata för att visa olika möjliga resultat för enskilda patienter, ge läkare en tydligare bild av vad som ligger framöver.

Slutligen, när vi kan leverera insikter som alla litar på, att hitta stora partnerskap med forskningssjukhus för att hjälpa dem att utnyttja våra modeller skulle vara ett högt mål. Det är där vi verkligen kan driva innovation över hela branschen snabbare och göra en meningsfull inverkan på kardiovård som helhet.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka PaceMate.