مقابلات
نيجت حسنلي، رئيس قسم المنتجات في لينديس هيلث – سلسلة المقابلات
نيجت حسنلي، رئيس قسم المنتجات في لينديس هيلث، يمتلك سجلاً حافلاً في بناء وتوسيع وظائف المنتجات عبر منظمات هيلتيك وتكنولوجيا الدفع، حالياً يقود استراتيجية المنتج والتنفيذ في لينديس منذ عام 2022 بعد عمله السابق في वन كوميرس وداونفورس تكنولوجيز. تجربته تشمل بيئات منتجات متعددة في المملكة المتحدة، حيث كان مسؤولاً عن تنسيق تطوير المنتج مع النتائج التجارية، وتحفيز الابتكار، وترجمة القدرات الفنية المعقدة إلى حلول قابلة للتطوير ومركزة على المستخدم في صناعات سريعة الحركة.
لينديس هيلث هي شركة تجارب سريرية مدفوعة بالذكاء الاصطناعي تعمل كمؤسسة بحث مسؤولة، مصممة لتقديم سيطرة أكبر وسرعة وموثوقية أكبر للشركات البيوتكنولوجية والدوائية في تشغيل الدراسات السريرية. تقوم الشركة باستبدال نماذج البحث التقليدية بعملية متكاملة أولاً بالتكنولوجيا، والتي تدير كل شيء من تصميم التجربة وتجنيد المرضى إلى التقاط البيانات والتنفيذ في نظام واحد، وغالبًا ما تكمل التجارب بشكل أسرع من معايير الصناعة. نظام التشغيل الأصلي القائم على الذكاء الاصطناعي يتيح الرؤية الفورية لأداء التجربة، ويتوافق مع الحوافز من خلال تسعير قائم على المراحل، ويتوفر على بيانات صحية كبيرة لتحسين التسجيل والنتائج، مع الهدف الأوسع لتسريع تسليم العلاجات الجديدة للمرضى.
يمكنك مشاركة لحظة محددة أو تحدي مبكر ساهم في تشكيل مهمة لينديس هيل أو اتجاه المنتج؟
في التجارب السريرية، غالبًا ما يرتبط الابتكار بالحجم: المنظمات الكبيرة، رأس المال الكبير، والبنية التحتية المحددة. لكن لحظةنا المبكرة تعلمنا العكس.
عندما قمنا بتشغيل تجربتنا الأولى، كنا حريصين على الحفاظ على بساطتها – شيء كنا نعرف أننا يمكن أن ننفذه بأمان باستخدام تكنولوجيانا. هذا القيد أجبرنا على تبسيط تصميم التجربة والاعتماد على الأنظمة التي نتحكم فيها بالكامل، مما جعل الاعتماديات والINEفфективيات أكثر وضوحًا. لا تتطلب برامج البرمجيات الكبيرة والمعقدة الابتكار في تسليم التجربة. يعتمد الابتكار في تسليم التجربة على ملكية التجربة الكاملة، من البداية إلى النهاية، مع трубة بيانات متسلسلة تربط كل شيء. هذه الرؤية تسمح لك بمعرفة كيفية عمل كل شيء معًا، مما يظهر فرصًا من الصعب تحديدها في نماذج التشغيل المقتطة.
كيف ي简د منصة مدفوعة بالذكاء الاصطناعي عملية التجارب السريرية مقارنة بالنماذج التقليدية؟
لا نضع هذا كمنصة مدفوعة بالذكاء الاصطناعي. سيتروسTM هو نظام تشغيل تجارب سريرية أصلي بالذكاء الاصطناعي. نتبع نهجًا موزعًا لتطبيق الذكاء الاصطناعي – بدلاً من الرهان الكبير على الذكاء الاصطناعي في مجال واحد، نطلب من فريق الهندسة العثور على تطبيقات موثوقة ومحددة السياق عبر أنظمتنا. ما يجعل هذا العمل هو أننا ننفذ التجارب مع التنفيذ الكامل. عندما يسرع الذكاء الاصطناعي تحليل البروتوكول، فإن الكفاءة هذه تتدفق إلى تصميم الدراسة. عندما يكون تصميم الدراسة أسرع، يرث فريق البيانات إعدادًا أنظف.
هناك مثالان يُظهران ذلك: نستخدم الذكاء الاصطناعي لإنشاء رمز تحليل البيانات، حيث لدينا آليات واضحة لمراجعة الإخراج قبل أن يلمس أي شيء. نستخدم أيضًا الذكاء الاصطناعي لتحليل وثائق البروتوكول إلى مخططات تصميم الدراسة – مكاسب كفاءة كبيرة في التحويل الأول، ولكن البناء لا يزال يمر بأسابيع من المراجعة واختبار القبول.
لا نطبق الذكاء الاصطناعي في تدفقات العمل العلاجية السريرية. نشعر بالمسؤولية لضمان أن تطبيقاتنا لا تشكل أي خطر من الإضرار بالمرضى في تجاربنا لأن البنية التحتية المطلوبة لدعم الحواجز المناسبة لا تزال في طور النضج. هذا ي避ي المخاطر التنظيمية والسلامة المرتبطة بالذكاء الاصطناعي في تدفقات العمل العلاجية السريرية. تظل تطبيقاتنا الأخرى مواجهة لنفس التدقيق مثل أي ذكاء اصطناعي في هذه الصناعة – ولكن بشكل أساسي، فإنها توفر الوقت الكافي لمراجعة الإنسان. الرعاية السريرية هي ملف خطر مختلف: قرارات لحظة بلحظة حيث يمكن أن تؤثر الأخطاء مباشرة على سلامة المريض.
التأثير الرئيسي هو على كفاءة فريق البحث السريري. الكثير من تسهيلاتنا تخدم فريق البحث السريري مباشرة – الكفاءات التي تتضاعف. كل أسبوع ننقصه من تسليم التجربة هو أسبوع أقرب لاستكمال دورة تطوير الدواء، مما يمكن أن يقلل من المواعيد الزمنية الإجمالية في عملية تطوير الدواء. وعلاوة على المكاسب الزمنية، فإن تطبيقات الذكاء الاصطناعي الخاصة بنا تفعل أكثر من التنبؤ بالتجنيد. إنها تراقب البيانات الواردة عن الشوائب، والإشارات الأمنية، ومؤشرات المخاطر – مما يعطي فريق الدراسة رؤية أوضح لإدارة التجارب بشكل فعال.
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.
كيف تستخدم لينديس هيل الذكاء الاصطناعي لتحديد وإزالة جمع البيانات غير الضروري؟
ما وصفه دراسة تفتس هو شيء رأيناه من قبل. في تجربتنا، السبب الجذري هو هيكلي: عندما يكون تسليم التجربة مقتطّعًا عبر الفرق، يكون كل فريق محفزًا لتغطية جميع قواعده. هذا السلوك هو استجابة هيكلية للاعتماد المقتطّع.
عندما نصل إلى الشخص الذي يصمم استمارات تقرير الحالة، غالبًا ما يكون بعيدًا عن السؤال البحثي الأصلي. قد يطرح الباحث سؤالًا حول “كيف تغير الوزن خلال ثلاثة أشهر على هذا العلاج؟” ولكن مصمم الأداة يركز على القضايا التشغيلية – حوافز دفع الموقع، مربعات شيكات الامتثال، متطلبات سجل المراجعة. كلا المنظورين صالح وضروري. القضية هي أن هذه الوظائف تعمل بدون سياق مشترك. الهيكل التشغيلي ينمو، والسؤال البحثي يُدفن.
هناك طبقة أبسط للتعامل معها قبل الحلول الفنية. فرقنا البحثية لديها بالفعل وصول إلى أدوات محادثة الذكاء الاصطناعي، ويستخدمونها باستمرار. عندما يتلقى الفريق وثائق بروتوكول وأوراق PDF كل أسبوع، القدرة على إدخالها في أدوات مدعومة بالذكاء الاصطناعي وسؤال الأسئلة يغير كيفية تفاعل مع ذلك المواد. هذا يساعد الفرق على البقاء أقرب إلى السؤال البحثي بدلاً من الضياع في التفاصيل التشغيلية.
أولاً، تصميم التجربة. وجود أدوات الذكاء الاصطناعي المدمجة عبر عملية التصميم والبناء يفتح فرصًا لالتقاط هذه القضايا في وقت مبكر – قبل أن تصبح محبوسة في البروتوكول. نستخدم الذكاء الاصطناعي لإنشاء جداول دراسية متقنة وتوجيه المصممين خلال البروتوكول، وتحديد أين يصبح خطة البحث معقدة، أو تكرار، أو أخطاء قد دخلت. من هناك، يمكن للمصمم اتخاذ قرار مستنير لإزالة نقطة بيانات أو تقليل تواتر الجمع – مع توثيق العقلانية.
ثانيًا، تحليل البيانات. عندما تكون التجربة جارية، تغيير ما كنت مخططًا لجمعه هو تحد مختلف. ولكن الذكاء الاصطناعي يمكن أن يساعد الفرق على التغلب على الضوضاء بشكل أسرع – التجميع السريع، وكشف الأنماط، وتمييز الشوائب يعني وقتًا أقل على المعالجة اليدوية. هذا يهم هنا لأنها توفر للفرق المرونة لتحديد ما إذا كان جمع البيانات غير الضروري يؤثر بالفعل على التجربة. مع وصول الإشارات الثقة في وقت مبكر، يمكنهم اتخاذ تعديلات، أو إعلام فريق البحث، أو بناء حالة لتعديل بروتوكول لتبسيط الجمع أثناء وجود الوقت للعمل.
هذه هي قضية هيكلية يتم التعامل معها في مرحلتين: في التصميم، لالتقاط التعقيد وإزالته قبل حبسه، وفي التحليل، لإعطاء الفرق السرعة لتحديد القضايا والعمل عليها أثناء चल التجربة.
ما أكبر المفاهيم الخاطئة حول استخدام الذكاء الاصطناعي في التجارب السريرية، وكيف تتناولها مع الرعاة والمنظمين؟
أكبر مفاهيم خاطئة هي التردد – افتراض أن الرعاة والمنظمين سيقاومون الذكاء الاصطناعي في التجارب السريرية. هذا ليس منعكسًا في تجربتنا.
من الجانب التنظيمي، أظهرت محادثاتنا المبكرة أن المنظمين، على الرغم من الحذر المناسب عند نشر التوجيهات، هم مفتوحون لمناقشة الذكاء الاصطناعي في التجارب السريرية. هناك اعتراف عام بأن الذكاء الاصطناعي يمكن أن يحسن الإنتاجية والكفاءة والجودة – ووعي بال量 الكبير من التكرار الذي يوجد في هذه الصناعة.
من جانب الراعي، لقد طلب منا رعاة سؤالنا عن الذكاء الاصطناعي قبل أن يتم طرحه في المناقشات. كانوا يبحثون بنشاط عننا لتحديد وتنفيذ هذه الحلول. هذا مدفوع ب两个 عوامل: أولاً، الرعاة يستخدمون بالفعل بعض هذه الأدوات أنفسهم، لذلك فهم يفهمون الإمكانات. ثانيًا، يعترفون بأن كفاءات مدفوعة بالذكاء الاصطناعي يمكن أن تقطع مدة التجربة، وتقلل التكاليف، وتمنع القضايا التي قد تكون لاحظوها بشكل khác.
هناك قلق متعلق بالذكاء الاصطناعي وبياناته ومدربات النماذج. الصناعة تأتي هنا، ومقدمو النماذج يصبحون أكثر وضوحًا حول كيفية عمل خطط الاستخدام الخاصة بهم. نحن حريصون على ضمان أن أدوات الذكاء الاصطناعي التي نستخدمها لا تغذي بيانات إلى تدريب نموذج الأساس. نحن حريصون أيضًا على تدريب نماذجنا أو منهجياتنا – وعندما يفعل ذلك أي شخص، يجب أن يكونوا صريحين بشأن ذلك في بيان العمل بين الزبون والمزود. يتطلب 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 تتوازن بين التأهيل والرقابة البشرية لضمان السرعة والجودة في تنفيذ التجربة؟
نحن حريصون على استخدام الذكاء الاصطناعي حيث لا يوجد فرصة لمراجعة الإنسان. هذا منعكس في وثائق الجودة وسياسة الذكاء الاصطناعي.
لتوضيح: هناك مزودون يقدمون روبوتات محادثة تقييم أهلية المريض من خلال المحادثة. هذا النوع من التأهيل يحتاج إلى مزيد من النظر الجاد. في أفضل الحالات، يخطئ الذكاء الاصطناعي في أهلية شخص ما للتجربة التي يمكن أن تساعده. في أسوأ الحالات، يؤهله، ويشير إلى فريق الدراسة بأنه اجتاز الفحص، ويقدم خطرًا إلى التسجيل الذي لا ينبغي أن يكون هناك.
الرقابة البشرية لا تساعد هنا – في الوقت الذي يراجع فيه الإنسان الإخراج، لقد عمل الذكاء الاصطناعي بالفعل في تدفق عمل عالي الخطورة. قارن ذلك بخطأ في استمارة تقرير الحالة: إذا كان جمع البيانات ي goes خطأ، يمكنك تعديل الأداة أو إسقاط البيانات. لكن إذا قال الذكاء الاصطناعي لمريض أو موقع بحث أن يأخذ إجراءً ما، فإن إمكانية الضرر غير القابل للانعكاس أكبر – في شدة وبالنسبة إلى أماكن أخرى قد يخطئ الذكاء الاصطناعي في التجربة.
يمكن تحقيق هذا التوازن من خلال التركيز على التطبيقات حيث تكون المراجعة البشرية متكاملة والمخاطر قابلة للإدارة. الذكاء الاصطناعي هو الأكثر فعالية في تدفقات العمل حيث تكون المراجعة البشرية متضمنة والأخطاء قابلة للاسترداد.
ما التكنولوجيا أو مبادئ التصميم الأكثر فعالية في تقليل عبء المريض وتحسين الاحتفاظ؟
عبء المريض والاحتفاظ يأتي إلى خطوات صغيرة ومدروسة لضمان تجربة جيدة. لا يوجد تدخل واحد يعالج هذا بشكل مستقل.
هناك مبادئ تصميمتان مهمتان.
أولاً، جودة المحتوى والمواجهة التي تواجه المريض. ورقة معلومات المريض، ونموذج الموافقة، والتطبيق الذي يستخدمه المريض أثناء التجربة – كل هذه تشكل التجربة. يجب أن تكون النسخة واضحة وموجزة. يجب أن تكون الواجهات بسيطة: التنقل直截، والاحتكاك الأدنى، ولا وثائق مدفونة. يمكن أن تساعد استشارات الدعوة للمرضى في تعديل هذه المواد قبل وصولها للمشاركين. تصميم واجهة المستخدم الجيد يهم هنا كما يهم في أي مكان، خاصة في التجارب السريرية حيث لا تعامل مع ملايين المستخدمين الذين سيتكيفون في النهاية.
ثانيًا، كيف يبقى فريق البحث على اتصال بالمريض. هذا يعني أدوات الاتصال – التذكيرات، والدعوات، والتنبيهات – وبنية المراقبة التي تظهر حالة المريض، والامتثال، والإشارات الأمنية. سكريبتات المراقبة المتمتعة تساعد هنا، وتحديد ما يحتاج إلى الانتباه حتى يمكن للفرق الاستجابة بسرعة. يمكن لتعلم الآلة كشف الأنماط في بيانات الامتثال – علامات مبكرة للانخراط قبل أن ينسحب المريض – مما يسمح بالتدخل الفعّال بدلاً من المتابعة الفعلية. الهدف هو الحصول على المعلومات الصحيحة للأشخاص المناسبين في الوقت المناسب، دون ضوضاء تقلل من ما يهم.
هذه التحسينات لا تعتمد على تكنولوجيا جديدة، ولكنها لا تأتي من حلول جاهزة أيضًا – لا يوجد منتج يمكنك إسقاطه في تجربة وتوقع أن يعمل. يتطلب هذا الانتباه: فهم أين يصطدم المرضى بالاحتكاك وتعديله عمدًا. ما يوفره أداة الذكاء الاصطناعي الحديثة هو وسيلة لفعل ذلك بشكل أسرع – تعديل النسخة، ومراجعة النبرة، وتأهيل سكريبتات المراقبة. التكنولوجيا ناضجة. الفرق هو ما إذا كنت تحل للتجربة أو تحل للمريض.
كيف تقوم لينديس هيل بجمع وتكامل ملاحظات المريض في تصميم التجربة مع الحفاظ على عملية رشيقة وفعالة؟
متطلبات الخصوصية والامتثال تحدد كيف يمكن جمع ملاحظات المريض – يجب أن تعمل هذه العملية داخل هذه الحدود. المراقبة الأساسية تلتقط وقت تشغيل الخدمة، وبيانات الاستخدام غير المرتبطة بالهوية (نوع الجهاز، سلوك التطبيق)، وأنماط الامتثال – كيف يكتمل المشاركون بانتظام التقييمات المجدولة. عندما تظهر هذه البيانات نقاط الاحتكاك، فإنها تتدفق إلى قرارات التصميم لتجارب مستقبلية.
التكامل المباشر يأتي من خلال الموظفين البحثيين. يتم تشجيع المنسقين على التفاعل مع المشاركين وجمع الإشارات حول تجربتهم، ثم إعادة توجيهها إلى الفريق الأوسع. يتم تعزيز هذا ثقافيًا – يتم نشر ملاحظات تجربة المريض في القنوات المشتركة ويتم الإشارة إليها في اجتماعات الشركة.
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 يelight ذلك رؤية كيفية إعداد الدراسة التالية.
مجموعات الدعوة للمرضى تمتد هذا الأمر أكثر، وتوفر وجهات نظر لن تظهر من خلال القنوات الداخلية – خاصة حول كيفية وصول مواد الدراسة والعمليات إلى مجتمعات المرضى المختلفة.
تظل العملية رشيقة لأن الملاحظات تتدفق من خلال الهياكل الحالية بدلاً من الحاجة إلى جهاز منفصل لكل دراسة.
ماذا يحتاج إلى تغيير على نطاق الصناعة لتكون الأبحاث السريرية أسرع وأكثر موثوقية؟
الصناعة لديها زخم هيكلي يتطلب من الممارسين العمل بشكل مختلف وتبديد نهج بديل في الممارسة. برامج الابتكار في الشركات والمندوبين التنفيذيين لهما تأثير محدود على التغيير التشغيلي – ما هو مطلوب هو ممارسون سيقومون فعلاً بفعل الأشياء بشكل مختلف ويثبتونه.
البرمجة الإحصائية توضح النمط. هذا هو عمل ماهر – تحويل البيانات السريرية لتحليل الإحصاء الحيوي – يتم إجراؤه بواسطة خبراء لديهم خبرة عميقة في المجال. لكنه يصعب جذب المواهب. المحترفون ذوو خلفية في العلوم البيانية أو الهندسة نادرًا ما يختارون ذلك، على الرغم من أن مجموعات المهارات تتداخل بشكل كبير. يبقى العمل معزولًا، والأساليب غامضة للمشاهدين، وموارد المواهب مقيدة.
يمكن للذكاء الاصطناعي فتح هذا – يمكن للأدوات الحديثة التعامل مع معظم عمل التحويل، ويمكن تلبية متطلبات البرمجة المزدوجة (حيث يقوم两个 برمجيون بشكل مستقل بإنتاج مخرجات) مع أزواج الذكاء الاصطناعي-الإنسان بدلاً من أزواج الإنسان-الإنسان. لكن التكنولوجيا وحدها لا تحل المشاكل الهيكلية. تحتاج إلى ممارسين يرغبون في تنفيذها بعناية وثبت أنها تفي بالمعايير التنظيمية. بدون ذلك، يبقى القدرة غير مستغلة.
الدرس الأوسع: تجارب أسرع وأكثر موثوقية تتطلب أكثر من أدوات جديدة. تتطلب خلق فرص – في التوظيف، وفي تفسير التنظيم، وفي ثقافة المنظمة – لأشخاص سيعملون بشكل مختلف. هذا هو كيف يمكن تقليل المواعيد الزمنية في الممارسة.
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 أتى البيانات، وما التحولات التي خضعت لها، وما يعنيه بالفعل – حتى النماذج القوية تنتج مخرجات غير موثوقة.
معظم صناعة التجارب السريرية مقتطعة. يرى مزودو البحث التقليدية أجزاء من دورة حياة التجربة. يعمل الرعاة مع العديد من البائعين، كل منهم يحمل جزءًا من الصورة. يفقد السياق عند كل نقطة اتصال. عندما تطلب من نظام الذكاء الاصطناعي أن يفكر في بيانات التجربة في هذا البيئة، فإنه يعمل مع معلومات غير كاملة – ومعلومات غير كاملة تنتج مخرجات غير موثوقة.
المنظمات التي ستستفيد أكثر من الذكاء الاصطناعي هي تلك التي لديها قابليّة تتبع من النهاية إلى النهاية. يتحكمون في سلسلة البيانات من تصميم البروتوكول إلى التقاط البيانات إلى التحليل. لا يفترضون السياق – إنهم يولده. يصممون الأشكال، ويحددون الحقول، ويكتبون قاموس البيانات. كل نقطة بيانات لها أصول لأن المنظمة أنشأت الأصول. هذه القابليّة تتبع ليست فقط كفاءة تشغيلية – إنها ما يمكّن من اتخاذ قرارات واثقة تؤثر على المرضى.
خلال السنوات الخمس القادمة، ستتضاعف هذه الميزة الهيكلية. المنظمات التي لديها رؤية من النهاية إلى النهاية ستستخدم الذكاء الاصطناعي بشكل أكثر فعالية – من التصاميم التكيفية للتجارب التي تستجيب للبيانات الواردة، إلى تحسينات البروتوكول مستنيرة بالأنماط التاريخية – ستلتقط دروسًا تتحسن أنظمتها، وتوسع الفجوة. أولئك الذين يعملون مع بيانات مقتطعة سيجدون الذكاء الاصطناعي واعدًا ولكن غير موثوق به: أنظمة تعمل جيدًا في بيئات خاضعة للرقابة ولكن لا ت일반 بشكل موثوق في بيئات الإنتاج.
السؤال للصناعة ليس ما إذا كان الذكاء الاصطناعي سيكون مهمًا. السؤال هو ما إذا كانت البنية التحتية للبيانات موجودة لجعل الذكاء الاصطناعي موثوقًا به. بالنسبة لمعظم الصناعة، لا يزال هذا العمل قائمًا.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر حول تنفيذ التجارب السريرية الأصلي بالذكاء الاصطناعي، وملكية البيانات من النهاية إلى النهاية، وتسليم الدراسة الأسرع، يجب أن يزوروا لينديس هيلث.
