مقابلات

نيجات حسنلي، رئيس المنتجات في Lindus Health – سلسلة المقابلات

Antoine Tardif
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيعزز نظام تشغيل التجارب الأصيل بالذكاء الاصطناعي لدى Lindus Health مكاسب الكفاءة عبر…
عرض المزيد
  • يعزز نظام تشغيل التجارب الأصيل بالذكاء الاصطناعي لدى Lindus Health مكاسب الكفاءة عبر نطاق تنفيذ التجربة بالكامل.
  • تتجنب الشركة استخدام الذكاء الاصطناعي في سير عمل الرعاية السريرية لإزالة مخاطر سلامة المرضى المباشرة.
  • يخلق التفتت البنيوي في التجارب التقليدية جمعًا غير ضروري للبيانات يمكن للذكاء الاصطناعي المساعدة في إزالته مبكرًا.

نيجات حسنلي، رئيس المنتجات في Lindus Health، لديه سجل واضح في بناء فرق ووظائف إدارة المنتجات وتوسيعها في مؤسسات التكنولوجيا الصحية والمؤسسات القائمة على التكنولوجيا. يقود استراتيجية المنتجات وتنفيذها في Lindus منذ عام 2022، بعد عمله في OneCommerce وDownforce Technologies. تشمل خبرته بيئات منتجات متعددة في المملكة المتحدة، حيث تولى مواءمة تطوير المنتجات مع نتائج الأعمال، ودفع الابتكار، وتحويل القدرات التقنية المعقدة إلى حلول قابلة للتوسع تتمحور حول المستخدم في قطاعات سريعة التغير.

Lindus Health شركة تجارب سريرية تعتمد على الذكاء الاصطناعي وتعمل وفق نموذج «Accountable Research Organization»، أي مؤسسة تتولى المسؤولية عن البحث. صُمم هذا النموذج ليمنح شركات التكنولوجيا الحيوية والأدوية مزيدًا من التحكم والسرعة والموثوقية في إجراء الدراسات السريرية. تستبدل الشركة نماذج البحث التعاقدي التقليدية بمنصة متكاملة تضع التكنولوجيا أولًا وتدير كل شيء، من تصميم التجربة وتجنيد المرضى إلى جمع البيانات والتنفيذ، ضمن نظام واحد، وغالبًا ما تنجز التجارب أسرع بكثير من المدد المعتادة في القطاع. يتيح نظام تشغيلها المملوك لها والمصمم منذ الأساس للذكاء الاصطناعي رؤية فورية لأداء التجربة، ويوائم الحوافز عبر تسعير مرتبط بالمراحل الرئيسية، ويستفيد من بيانات صحية واسعة النطاق لتحسين التسجيل والنتائج، بهدف أوسع هو تسريع وصول العلاجات الجديدة إلى المرضى.

هل تشاركنا لحظة حاسمة أو تحديًا مبكرًا ساعد في تشكيل رسالة Lindus Health أو اتجاه منتجاتها؟

في التجارب السريرية، يرتبط الابتكار غالبًا بالحجم: مؤسسات كبيرة، ورأس مال ضخم، وبنية تحتية راسخة. لكن لحظتنا الحاسمة في البدايات علمتنا العكس.

عندما أجرينا تجربتنا الأولى، تعمدنا إبقاءها بسيطة، بحيث نعرف أننا نستطيع تنفيذها بأمان باستخدام تقنيتنا. أجبرنا هذا القيد على تبسيط التصميم والاعتماد على أنظمة نتحكم فيها بالكامل، فأصبحت التبعيات وأوجه عدم الكفاءة أوضح. الابتكار في تنفيذ التجارب لا يتطلب مجموعات برمجية كبيرة شديدة التعقيد، بل يتطلب تولي مسؤولية التجربة كاملة من البداية إلى النهاية، مع مسار بيانات متماسك يربط جميع أجزائها. تتيح هذه الرؤية فهم ترابط العناصر، وتكشف فرصًا يصعب اكتشافها في نماذج التشغيل المجزأة.

كيف تبسط منصتكم المدعومة بالذكاء الاصطناعي عملية التجارب السريرية مقارنة بالنماذج التقليدية؟

لا نصفها بأنها منصة مدعومة بالذكاء الاصطناعي. CitrusTM نظام تشغيل للتجارب مصمم منذ الأساس للذكاء الاصطناعي. نتبع نهجًا موزعًا في تطبيقه: بدلًا من رهان كبير في مجال واحد، نستعين بفريق الهندسة لاكتشاف تطبيقات موثوقة ملائمة لسياقها عبر أنظمتنا. ينجح ذلك لأننا نتولى تنفيذ التجارب بكامل نطاقها. عندما يسرع الذكاء الاصطناعي تحليل البروتوكول، تنتقل الكفاءة إلى تصميم الدراسة، وحين يصبح التصميم أسرع يتلقى فريق البيانات إعدادًا أكثر تنظيمًا. تتراكم هذه التحسينات الصغيرة لأن كل مرحلة تنتج مخرجات أكثر هيكلة وتقلل إعادة العمل في المراحل اللاحقة.

يوضح ذلك مثالان. نستخدم الذكاء الاصطناعي لتوليد شيفرة تحليل البيانات، مع آليات واضحة لمراجعة المخرجات قبل تطبيقها على أي شيء. ونستخدمه أيضًا لتحليل وثائق البروتوكول وتحويلها إلى مخططات تصميم الدراسة. يحقق التحويل الأول مكاسب كبيرة في الكفاءة، لكن البناء الناتج يظل خاضعًا لأسابيع من المراجعة واختبارات القبول.

لا نطبق الذكاء الاصطناعي في مسارات الرعاية السريرية. نشعر بمسؤولية ضمان ألا تعرض تطبيقاتنا مرضى تجاربنا لأي خطر ضرر، لأن البنية التحتية اللازمة لضمانات الحماية المناسبة لا تزال في طور النضج. نتجنب بذلك المخاطر التنظيمية ومخاطر السلامة المرتبطة بالذكاء الاصطناعي في الرعاية السريرية. وتخضع تطبيقاتنا الأخرى للتدقيق نفسه الذي يخضع له أي ذكاء اصطناعي في القطاع، لكنها تتيح، في جوهرها، وقتًا كافيًا للمراجعة البشرية. للرعاية السريرية طبيعة مخاطر مختلفة: قرارات آنية قد تؤثر أخطاؤها مباشرة في سلامة المرضى.

يتمثل الأثر الرئيسي في كفاءة فريق البحث السريري. يخدم كثير من تحسيناتنا الفريق مباشرة، وتتراكم مكاسب الكفاءة. كل أسبوع نختصره من تنفيذ التجربة يقربنا أسبوعًا من إكمال دورة تطوير الدواء، ما قد يقلص المدة الإجمالية لتطويره. وإلى جانب توفير الوقت، تفعل تطبيقاتنا أكثر من توقع التجنيد؛ فهي تراقب البيانات الواردة بحثًا عن الحالات الشاذة وإشارات السلامة ومؤشرات المخاطر، وتمنح الفريق رؤية أوضح للإشراف الفعال على التجارب.

في النماذج التقليدية، يتم تطبيق الذكاء الاصطناعي عادة كحل نقطي – أداة واحدة لوظيفة واحدة، معزولة عن بقية العملية. نموذجنا من النهاية إلى النهاية يسمح لمكاسب الكفاءة أن تتدفق عبر التجربة بأكملها، مع كل تحسين يبني على الآخر. إنها تعكس الفرق بين تحسين الوظائف الفردية وتحسين الأداء عبر نطاق تنفيذ التجربة الكامل.

تشير دراسة تافتس إلى أن ما يقارب ثلث بيانات التجارب السريرية غير ضروري. كيف تستخدم Lindus Health الذكاء الاصطناعي لتحديد جمع البيانات غير الضروري وإلغائه؟

ما تصفه دراسة تافتس رأيناه بأنفسنا. في خبرتنا، السبب الجذري هيكلي: عندما يتجزأ تنفيذ التجربة بين فرق متعددة، يُحفز كل فريق على التحوط لجميع الاحتمالات. هذا رد هيكلي على تجزؤ المسؤولية. فمن عقود الموردين إلى أدوات جمع البيانات، يضيف كل تسليم للمهمة طبقة احتياطية جديدة.

بحلول وصول العمل إلى مصمم استمارات تقرير الحالة، يكون غالبًا بعيدًا عن سؤال البحث الأصلي. قد يسأل الباحث: «كيف تغير الوزن خلال ثلاثة أشهر من هذا العلاج؟» بينما يركز مصمم الأداة على قضايا تشغيلية مثل شروط صرف مستحقات مراكز البحث، وخانات التحقق من الامتثال، ومتطلبات سجل التدقيق. كلا المنظورين صحيح وضروري، لكن المشكلة أن هذه الوظائف تعمل دون سياق مشترك. تكبر البنية التشغيلية المساندة ويُدفن سؤال البحث تحتها.

هناك أيضًا مستوى أبسط ينبغي معالجته قبل الحلول التقنية. لدى فرق البحث بالفعل أدوات محادثة بالذكاء الاصطناعي، وتستخدمها باستمرار. عندما تتلقى الفرق عشرات وثائق البروتوكول وملفات PDF أسبوعيًا، فإن إدخالها في أدوات مساعدة بالذكاء الاصطناعي وطرح الأسئلة يغير طريقة التعامل معها. يساعد ذلك الفرق على البقاء قريبة من سؤال البحث بدل الضياع في التفاصيل التشغيلية.

أولًا، تصميم التجربة. دمج أدوات الذكاء الاصطناعي عبر التصميم والبناء يتيح رصد المشكلات مبكرًا قبل تثبيتها في البروتوكول. نستخدمه لإنتاج جداول دراسية منقحة وإرشاد المصممين خلال البروتوكول، مع الإشارة إلى التعقيد الزائد والتكرار والأخطاء المتسللة. يمكن للمصمم بعدها اتخاذ قرار مستنير بحذف نقطة بيانات أو تقليل وتيرة جمعها، مع توثيق المبررات.

ثانيًا، تحليل البيانات. بعد بدء التجربة، يصبح تغيير ما خُطط لجمعه تحديًا مختلفًا. لكن الذكاء الاصطناعي يساعد الفرق على استخلاص المهم بسرعة أكبر، فالتجميع وكشف الأنماط ورصد الشذوذ الأسرع تقلل المعالجة اليدوية. يمنح ذلك الفرق مرونة لتحديد ما إذا كان الجمع غير الضروري يؤثر فعلًا في التجربة وأين يؤثر. ومع وصول نتائج موثوقة أبكر، يمكنها إجراء تعديلات أو تنبيه فريق البحث أو إعداد مبررات لتعديل البروتوكول وتبسيط الجمع، ما دام وقت التدخل متاحًا.

إنها مشكلة هيكلية تُعالج في مرحلتين: في التصميم، لرصد التعقيد وإزالته قبل تثبيته، وفي التحليل، لمنح الفرق سرعة تحديد المشكلات والعمل عليها أثناء سير التجربة.

ما أكبر المفاهيم الخاطئة حول استخدام الذكاء الاصطناعي في التجارب السريرية، وكيف تتناولها مع الرعاة والمنظمين؟

أكبر سوء فهم هو افتراض التردد، أي أن الجهات الراعية والهيئات التنظيمية ستقاوم الذكاء الاصطناعي في التجارب السريرية. لا تعكس خبرتنا هذا الافتراض.

من الجانب التنظيمي، أظهرت محادثاتنا المبكرة أنه رغم حذر الهيئات التنظيمية المناسب في نشر الإرشادات، فإن الأفراد العاملين فيها منفتحون على مناقشة الذكاء الاصطناعي في التجارب السريرية. هناك اعتراف عام بأن الذكاء الاصطناعي يمكن أن يحسن الإنتاجية والكفاءة والجودة – ووعي بالقدر الكبير من التكرار الذي يوجد في هذه الصناعة.

من جانب الجهات الراعية، سألتنا بعض الجهات عن الذكاء الاصطناعي قبل أن نطرحه في النقاش. كانت تطلب منا بنشاط إيجاد هذه الحلول وتنفيذها، لسببين: تستخدم بالفعل بعض الأدوات وتفهم إمكاناتها، وتدرك أن الكفاءة المدفوعة بالذكاء الاصطناعي قد تختصر مدة التجربة وتخفض التكاليف وتمنع مشكلات كان يمكن أن تمر دون ملاحظة. وسمعنا من عدة جهات راعية أن هناك ضغطًا داخليًا في مؤسساتها لإظهار استخدام الذكاء الاصطناعي لتحسين الكفاءة.

يرتبط بذلك قلق بشأن استخدام البيانات لتدريب نماذج الذكاء الاصطناعي. يتقدم القطاع في هذا الجانب، ويزداد وضوح مزودي النماذج حول كيفية عمل خطط الاستخدام. نحرص على ألا تغذي الأدوات التي نستخدمها بيانات إلى تدريب النماذج الأساسية. ونولي العناية نفسها لتدريب نماذجنا أو منهجياتنا. وأي جهة تقوم بذلك ينبغي أن تذكره صراحة في بيان نطاق العمل بين العميل والمزود. يلزم توثيق واضح لاستخدام البيانات وسلوك النموذج.

لذلك المفاهيم الخاطئة حقيقية، ولكنها تشير إلى واجب المسؤولية: كن واضحًا حول مكان استخدام الذكاء الاصطناعي، وكيف يتم التعامل مع البيانات، وما هي الحواجز الموجودة. السؤال ذو الصلة للرعاة ليس ما إذا كانوا سيستخدمون الذكاء الاصطناعي في التجارب – بل ما إذا كان مزودهم قد فكر في هذه القضايا ويتعهد بالشفافية بشأنها.

كيف توازنون بين الأتمتة والرقابة البشرية لضمان السرعة والجودة معًا في تنفيذ التجربة؟

نتوخى الحذر عند استخدام الذكاء الاصطناعي حيث لا تتاح مراجعة بشرية. وينعكس ذلك في وثائق الجودة وسياسة الذكاء الاصطناعي لدينا.

للتوضيح، يقدم بعض المزودين روبوتات محادثة لتقييم أهلية المريض من خلال الحديث معه. يتطلب هذا النوع من الأتمتة حذرًا أكبر بكثير من معظم التطبيقات. في أفضل الحالات، يستبعد الذكاء الاصطناعي شخصًا بالخطأ من تجربة ربما أفادته. وفي أسوأها، يقبله ويبلغ الفريق بأنه اجتاز الفحص، فيدخل إلى التسجيل خطرًا لم يكن ينبغي وجوده.

لا تفيد الرقابة البشرية هنا؛ فعندما يراجع الإنسان المخرجات، يكون الذكاء الاصطناعي قد تصرف بالفعل في مسار عالي المخاطر. قارن ذلك بخطأ في استمارة تقرير الحالة: إذا اختل جمع البيانات، يمكن تعديل الأداة أو استبعاد البيانات. أما إذا وجه الذكاء الاصطناعي مريضًا أو مركزًا بحثيًا لاتخاذ إجراء، فاحتمال الضرر غير القابل للعكس أكبر، من حيث شدته وبالمقارنة مع مواضع الخطأ الأخرى للذكاء الاصطناعي في التجربة.

يمكن تحقيق التوازن بالتركيز على تطبيقات تدمج المراجعة البشرية وتكون مخاطرها قابلة للإدارة. تكون فاعلية الذكاء الاصطناعي أعلى في مسارات تتضمن المراجعة البشرية ويمكن تدارك الأخطاء فيها.

ما التقنيات أو مبادئ التصميم الأكثر فاعلية في تخفيف عبء المرضى وتحسين استمرارهم في التجربة؟

يتحقق تخفيف العبء واستمرار المرضى عبر خطوات صغيرة مدروسة تضمن تجربة جيدة. لا يعالج أي تدخل منفرد هذا الأمر وحده.

هناك مبدآن أساسيان للتصميم.

الأول جودة المحتوى والواجهات الموجهة للمرضى. فنشرة معلومات المريض ونموذج الموافقة والتطبيق المستخدم في التجربة تشكل كلها تجربته. ينبغي أن يكون النص واضحًا وموجزًا، والواجهات بسيطة: تنقل بديهي، وأقل قدر من العوائق، ووثائق لا يصعب العثور عليها. تساعد استشارة الجهات المدافعة عن حقوق المرضى في تنقيح المواد قبل وصولها للمشاركين. تصميم تجربة المستخدم الجيد مهم هنا بقدر أهميته في أي مجال، لا سيما في التجارب السريرية حيث لا نتعامل مع ملايين المستخدمين الذين سيتكيفون معه في النهاية.

الثاني طريقة بقاء فرق البحث على اتصال بالمرضى. يتطلب ذلك أدوات اتصال، من تذكيرات ودعوات وإشعارات، وبنية متابعة تظهر حالة المريض والتزامه وإشارات السلامة. تساعد برامج الرقابة المؤتمتة برصد ما يستدعي الانتباه لسرعة الاستجابة. يستطيع تعلم الآلة اكتشاف أنماط في بيانات الالتزام، مثل بوادر تراجع المشاركة قبل انسحاب المريض، فيتيح التدخل الاستباقي بدل المتابعة بعد وقوع المشكلة. الهدف وصول المعلومة الصحيحة إلى الأشخاص المناسبين في الوقت المناسب دون ضوضاء تطمس المهم.

لا تعتمد هذه التحسينات على تقنيات جديدة، لكنها لا تأتي من حلول جاهزة أيضًا؛ فلا يوجد منتج يُضاف إلى التجربة ويُتوقع أن يعمل تلقائيًا. يتطلب الأمر اهتمامًا بفهم مواضع الصعوبة لدى المرضى ومعالجتها عمدًا. تتيح أدوات الذكاء الاصطناعي الحديثة تسريع تنقيح النصوص ومراجعة نبرتها وأتمتة برامج المتابعة. التقنية ناضجة؛ والفرق هو هل تحل مشكلة التجربة أم مشكلة المريض.

كيف تجمع Lindus Health ملاحظات المرضى وتدمجها في تصميم التجارب مع إبقاء العملية بسيطة وفعالة؟

تحدد متطلبات الخصوصية والامتثال كيفية جمع ملاحظات المرضى، ويجب العمل ضمن هذه الحدود. ترصد المتابعة الأساسية وقت إتاحة الخدمة، وبيانات استخدام منزوعة المعرّفات، مثل نوع الجهاز وسلوك التطبيق، وأنماط الالتزام، أي مدى انتظام المشاركين في إكمال التقييمات المجدولة. وعندما تكشف البيانات نقاط صعوبة، توجه قرارات تصميم التجارب المقبلة.

يأتي الدمج المباشر عبر موظفي البحث. يُشجع المنسقون على التواصل مع المشاركين وجمع مؤشرات عن تجربتهم ثم إيصالها إلى الفريق الأوسع. وتدعم الثقافة المؤسسية ذلك بنشر ملاحظات تجربة المرضى في القنوات المشتركة وإبرازها في الاجتماعات العامة لجميع العاملين.

هناك أيضًا ميزة هيكلية. على عكس النموذج التقليدي، حيث يتم تجميع فريق بحثي جديد لكل دراسة، تقوم لينديس بتشغيل التجارب على نفس التكنولوجيا مع أعضاء الفريق الذين عملوا عبر دراسات متعددة. تسمح هذه الاستمرارية للتعلم – سواء كان ذلك مكتوبًا أو ضمنيًا – أن يتدفق من تجربة إلى أخرى. عندما يواجه منسق احتكاكًا في دراسة واحدة، يمكن أن تسهم هذه الملاحظة في تحديد كيفية إعداد الدراسة التالية.

توسع مجموعات مناصرة المرضى هذا المنظور، إذ تبرز آراء لا تصل عبر القنوات الداخلية، خصوصًا بشأن كيفية تلقي الفئات المختلفة من المرضى مواد الدراسة وإجراءاتها.

تظل العملية رشيقة لأن الملاحظات تتدفق من خلال الهياكل الحالية بدلاً من الحاجة إلى آلية مستقلة لكل دراسة.

ماذا يحتاج إلى تغيير على نطاق الصناعة لتكون الأبحاث السريرية أسرع وأكثر موثوقية؟

في القطاع جمود هيكلي يتطلب من الممارسين العمل بطريقة مختلفة وإثبات البدائل عمليًا. أثر برامج الابتكار المؤسسية وتوجيهات الإدارة العليا محدود في تغيير التشغيل. نحتاج إلى ممارسين يفعلون الأشياء فعلًا بطريقة مختلفة ويثبتون نجاحها.

البرمجة الإحصائية توضح النمط. هذا هو عمل ماهر – تحويل البيانات السريرية لتحليل الإحصاء الحيوي – يتم إجراؤه بواسطة خبراء لديهم خبرة عميقة في المجال. لكن هذا المجال يواجه صعوبة في جذب المواهب. المحترفون ذوو خلفية في علم البيانات أو الهندسة نادرًا ما يختارون ذلك، على الرغم من أن مجموعات المهارات تتداخل بشكل كبير. يبقى العمل معزولًا، والأساليب غامضة لمن هم خارج المجال، وموارد المواهب مقيدة.

قد يفتح الذكاء الاصطناعي هذا المجال؛ فالأدوات الحديثة تعالج قدرًا كبيرًا من تحويل البيانات. ويمكن تلبية متطلبات البرمجة المزدوجة، حيث ينتج مبرمجان المخرجات بشكل مستقل، بأزواج من الذكاء الاصطناعي والإنسان بدلًا من إنسانين. لكن التقنية وحدها لا تحل المشكلات الهيكلية. نحتاج إلى ممارسين مستعدين لتطبيقها بحكمة وإثبات استيفائها المعايير التنظيمية، وإلا ظلت القدرات دون استغلال كافٍ.

الدرس الأوسع أن التجارب الأسرع والأكثر موثوقية تتطلب أكثر من أدوات جديدة. إنها تتطلب إفساح المجال، في التوظيف وتفسير المتطلبات التنظيمية والثقافة المؤسسية، لأشخاص يعملون بطريقة مختلفة. هكذا تُختصر المدد الزمنية عمليًا.

كيف ترى العلاقة بين الذكاء الاصطناعي والبيانات وتصميم التجربة تتطور خلال السنوات الخمس القادمة؟

العلاقة ستشكلها حقيقة هيكلية: فعالية الذكاء الاصطناعي محدودة بجودة السياق الذي يتلقاه. بدون سياق غني ودقيق – من أين أتت البيانات، وما التحولات التي خضعت لها، وما تعنيه فعلًا – حتى النماذج القوية تنتج مخرجات غير موثوقة.

معظم قطاع التجارب السريرية مجزأ. ترى مؤسسات البحث التعاقدي (CROs) أجزاء من دورة حياة التجربة، ويعمل الرعاة مع موردين متعددين يحتفظ كل منهم بجزء من الصورة. يضيع السياق عند كل تسليم للمهمة. وعندما تطلب من نظام ذكاء اصطناعي الاستدلال على بيانات التجربة في هذه البيئة، فإنه يعمل بمعلومات ناقصة، والمعلومات الناقصة تنتج مخرجات غير موثوقة.

أكثر المؤسسات استفادة من الذكاء الاصطناعي هي التي تتمتع بقابلية التتبع من البداية إلى النهاية. فهي تتحكم في سلسلة البيانات من تصميم البروتوكول إلى الجمع ثم التحليل، ولا تستنتج السياق بل تنشئه: تصمم النماذج وتحدد الحقول وتكتب قاموس البيانات. لكل نقطة بيانات مصدر معروف لأن المؤسسة أنشأت سلسلة مصدرها. ليست قابلية التتبع مجرد كفاءة تشغيلية، بل هي ما يتيح قرارات موثوقة تؤثر في المرضى.

خلال السنوات الخمس المقبلة، ستتراكم هذه الميزة الهيكلية. ستطبق المؤسسات التي ترى العملية كاملة الذكاء الاصطناعي بفاعلية أكبر، من تصاميم التجارب التكيفية المستجيبة للبيانات الواردة إلى تحسين البروتوكولات استنادًا للأنماط التاريخية، وستستخلص دروسًا تحسن أنظمتها وتوسع الفجوة. أما من يعملون ببيانات مجزأة فسيجدونه واعدًا لكن غير موثوق: أنظمة تعمل جيدًا في ظروف مضبوطة، لكنها لا تعمم أداءها بموثوقية في بيئات الإنتاج.

ليس سؤال القطاع ما إذا كان الذكاء الاصطناعي سيكون مهمًا، بل ما إذا كانت البنية التحتية للبيانات متاحة لجعله جديرًا بالثقة. بالنسبة إلى معظم القطاع، ليست متاحة بعد. وهذا هو العمل الذي ينتظرنا.

شكرًا على المقابلة الرائعة. يمكن للقراء الراغبين في معرفة المزيد عن تنفيذ التجارب السريرية المصمم منذ الأساس للذكاء الاصطناعي، وامتلاك سلسلة البيانات كاملة، وتسريع تنفيذ الدراسات، زيارة Lindus Health.

أنطوان قائد صاحب رؤية وشريك مؤسس في Unite.AI، يدفعه شغف راسخ بتشكيل مستقبل الذكاء الاصطناعي والروبوتات وتعزيزه. وبصفته رائد أعمال أسس عدة مشروعات، يؤمن بأن الذكاء الاصطناعي سيُحدث تحولًا في المجتمع يضاهي ما أحدثته الكهرباء، وكثيرًا ما يتحدث بحماس عن إمكانات التقنيات التحويلية والذكاء الاصطناعي العام (AGI).

وبصفته مستشرفًا للمستقبل، يكرس جهوده لاستكشاف كيف ستشكل هذه الابتكارات عالمنا. وهو أيضًا مؤسس Securities.io، وهي منصة تركز على الاستثمار في التقنيات المتطورة التي تعيد تعريف المستقبل وتعيد تشكيل قطاعات بأكملها.