Jay Ferro, Chief Information, Technology and Product Officer, Clario – Interview Series

Jay Ferro je Chief Information, Technology and Product Officer ve společnosti Clario, má přes 25 let zkušeností s vedením týmů Informační technologie a Produktů, se silným zaměřením na ochranu dat a vášní pro vytváření technologií a produktů, které mají smysluplný dopad.

Než se připojil k Clario, Jay zastával seniorní vedení rolí, včetně CIO, CTO a CPO, ve globálních organizacích, jako jsou Quikrete Companies a American Cancer Society. Je také členem správní rady ve společnosti Allata, LLC. Jeho profesní úspěchy byly mnohokrát oceněny, včetně cen od Atlanta Technology Professionals jako Executive Leader of the Year a HMG Strategy jako Mid-Cap CIO of the Year.

Clario je lídr v klinických studiích, nabízí komplexní technologie pro transformaci životů prostřednictvím spolehlivého a přesného generování důkazů. Specializuje se na onkologické studie, Clario zdůrazňuje výsledky hlášené pacienty (PROs) pro zlepšení účinnosti, zajištění bezpečnosti a zlepšení kvality života, přičemž prosazuje elektronické PROs jako nákladově efektivní alternativu k papíru. S odbornými znalostmi v terapeutických oblastech a globální regulatorní compliance, Clario podporuje decentralizované, hybridní a site-based studie ve více než 100 zemích, využívající pokročilé technologie, jako je umělá inteligence a propojené zařízení. Jejich řešení zjednodušují procesy studií, zajišťují dodržování předpisů a retenci prostřednictvím integrované podpory a školení pro pacienty a sponzory.

Clario integrovalo přes 30 modelů AI v různých fázích klinických studií. Můžete poskytnout příklady toho, jak tyto modely zlepšují konkrétní aspekty studií, jako je onkologie nebo kardiologie?

Používáme naše modely AI k dodání rychlosti, kvality, přesnosti a ochrany soukromí našim zákazníkům ve více než 800 klinických studiích. Jsem hrdý na to, že naše nástroje nejsou pouze součástí AI hype cyklu – dodávají skutečnou hodnotu našim zákazníkům v těchto studiích.

Dnes naše modely AI většinou spadají do čtyř kategorií: ochrana dat, asistence při kontrole kvality, pomoc při čtení a analýza čtení. Například máme nástroje v medicínském zobrazování, které mohou automaticky odstranit osobní identifikovatelné informace (PII) ve statických obrazech, videích nebo PDF. Používáme také nástroje AI, které dodávají data s rychlými kvalitativními hodnoceními v době nahrání — takže existuje spousta důvěry v tato data. Vyvinuli jsme nástroj, který monitoruje ECG data kontinuálně pro kvalitu signálu, a další, který potvrzuje správné identifikátory pacientů. Vyvinuli jsme nástroj pro pomoc při čtení, který umožňuje predikci slice, propagaci lézí a detekci onemocnění. Kromě toho jsme zlepšili analýzu čtení automatizací a standardizací interpretace dat pomocí nástrojů, jako je AI-podporovaná kvantitativní ulcerózní kolitida Mayo skóre.

To jsou pouze beberapa příkladů typů modelů AI, které jsme vyvíjeli od roku 2018, a zatímco jsme udělali spoustu pokroku, teprve začínáme.

Jak Clario zajišťuje, aby AI poháněné poznatky udržovaly vysokou přesnost a konzistenci napříč různými prostředími studií?

Nepřetržitě trénujeme naše modely AI na obrovském množství dat, abychom pochopili rozdíl mezi dobrými daty a daty, která nejsou dobrá nebo relevantní. V důsledku toho naše AI poháněná analýza dat detekuje, pre-analyzuje bohaté historie dat a nakonec vede k vyšším kvalitním výsledkům pro naše zákazníky.

Naše spirometrická řešení hezky ilustrují, proč to děláme. Klinici používají spirometrii k diagnostice a monitorování certainých plicních stavů měřením, kolik vzduchu může pacient vydechnout v jednom nuceném dechu. Existuje řada chyb, které mohou nastat, když pacient používá spirometr. Mohou provést test příliš pomalu, kašlat během testu nebo nedokázat vytvořit kompletní těsnění kolem spirometrického ústního kusu. Jakékoli z těchto variabilit může způsobit chybu, která nemusí být objevena, dokud ji nebude moci analyzovat člověk. Trénovali jsme hluboké učící modely na více než 50 000 příkladech, abychom se naučili rozdíl mezi dobrým a špatným čtením. S našimi zařízeními a algoritmy mohou klinici vidět hodnotu dat v near real-time, místo aby museli čekat na lidskou analýzu. To má význam částečně proto, že někteří pacienti musí jet několik hodin, aby se zúčastnili klinické studie. Představte si, že jedete tuto vzdálenost domů ze stránky, pouze abyste se dozvěděli, že budete muset absolvovat další spirometrický test následující týden, protože první ukázal chybu. Naše modely AI dodávají přesné přepisy, zatímco pacient je stále na stránce. Pokud existuje chyba, může být okamžitě napravena. Je to pouze jeden ze způsobů, jakými pracujeme na snížení zátěže na stránky a pacienty.

Můžete vysvětlit, jak modely AI Claria snižují dobu sběru dat bez ohrožení kvality dat?

Generování nejvyšší kvality dat pro klinické studie je vždy našim zaměřením, ale povaha našich algoritmů AI znamená, že zachycení a analýza jsou dramaticky urychleny. Jak jsem již zmínil, naše algoritmy umožňují provádět kontrolu kvality rychleji a na vyšší úrovni přesnosti než lidská interpretace. Také umožňují provádět kontrolní testy, zatímco jsou data vkládána. To znamená, že můžeme identifikovat chybějící, nesprávné nebo špatné kvalitní pacientská data, zatímco pacient je stále na stránce studie, místo aby jim to řekli dny nebo týdny později.

Jak Clario řeší výzvy decentralizovaných a hybridních studií, zejména v oblasti ochrany dat, zapojení pacientů a kvality dat?

V těchto dnech je decentralizovaná studie opravdu jen studie s hybridním komponentem. Myslím, že koncept umožnění účastníkům používat svá vlastní zařízení nebo propojená zařízení doma opravdu otevírá dveře většímu počtu možností ve studiích, zejména z hlediska dostupnosti. Učinění studií jednoduššími pro účast je klíčovým zaměřením našeho technologického plánu, který má za cíl vyvinout řešení, která zlepšují rozmanitost pacientů, zjednodušují nábor a retenci, zvyšují pohodlí pro účastníky a rozšiřují příležitosti pro více inkluzivní klinické studie. Nabízíme spirometrii doma, krevní tlak doma, eCOA a další řešení, která dodávají stejnou integritu dat jako více tradiční řešení, a děláme to v součinnosti s dohledem našich odborníků na konec a terapeutické oblasti. Výsledkem je lepší zkušenost pacienta pro lepší data o konci.

Jaká jedinečná výhoda nabízí přístup Claria AI k redukci časových limitů a nákladů na studie pro farmaceutické, biotechnologické a zdravotnické společnosti?

Od roku 2018 vyvíjíme nástroje AI a tyto nástroje pronikly do všeho, co děláme interně a určitě i napříč našimi produkty. A to, co nás nikdy neopustilo, je zajistit, abychom to dělali zodpovědným způsobem: udržovat lidi v smyčce, spolupracovat s regulátory, našimi zákazníky a našimi právníky, týmy ochrany soukromí a vědeckými týmy, abychom zajistili, že děláme vše správně.

Zodpovědné vývoj a nasazení AI by mělo mít pozitivní vliv na naše zákazníky mnoha způsoby. Základ našeho programu AI je postaven na tom, co jsme přesvědčeni, že jsou první zásady zodpovědného použití v průmyslu. Každý v Clario, kdo se dotýká AI, dodržuje tyto pět zásad. Mezi nimi bereme veškerá opatření, abychom zajistili, že používáme nejrozmanitější dostupná data k trénování našich algoritmů. Monitorujeme a testujeme, abychom detekovali a zmírnili rizika, a používáme pouze anonymizovaná data k trénování modelů a algoritmů. Když uplatňujeme tyto pokyny při vývoji nového nástroje AI, jsme schopni rychle dodávat přesná data – ve velkém měřítku – která snižují bias, zvyšují rozmanitost a chrání soukromí pacientů. Čím rychleji můžeme dodat našim sponzorům přesná data, tím větší dopad to má na jejich bottom line a nakonec na výsledky pacientů.

Modely AI mohou někdy odrážet bias obsažený v datech. Jaká opatření přijímá Clario k zajištění spravedlivé a nezávislé analýzy dat ve studiích?

Víme, že bias nastává, když je tréninkový datový soubor příliš omezený pro jeho zamýšlené použití. Počátečně může datový soubor vypadat dostatečně, ale když koncový uživatel začne používat nástroj a tlačí AI za hranice, na které byl trénován, může to vést k chybám. Chief Medical Officer Claria, Dr. Todd Rudo, někdy používá tento příklad: Můžeme trénovat model, aby určil správnou pozici elektrod v elektrokardiogramech (ECG), aby klinici mohli říci, zda technici umístili elektrody na správná místa na těle pacienta. Máme spoustu skvělých dat, abychom mohli trénovat tento model na 100 000 ECG. Ale co se stane, když trénujeme náš model AI pouze pomocí dat z testů dospělých? Jak bude model reagovat, když je proveden ECG u 2letého pacienta? Zjevně by to mohlo potenciálně minout chyby, které mají dopad na léčbu.

To je důvod, proč v Clario naše produktové, datové, R&D a vědecké týmy úzce spolupracují, abychom zajistili, že používáme nejkomplexnější tréninková data k zajištění přesnosti a spolehlivosti v reálných aplikacích. Používáme nejrozmanitější dostupná data k trénování algoritmů, které jsou součástí našich produktů. Je to také důvod, proč trváme na používání lidského dohledu, abychom zmírnili rizika během vývoje a používání AI.

Jak proces lidského dohledu a monitorování Claria integruje výstupy AI, aby zajistil dodržování předpisů a etických standardů?

Lidský dohled znamená, že máme týmy lidí, kteří přesně vědí, jak jsou naše modely vyvíjeny, trénovány a validovány. Oba v průběhu vývoje a po integraci modelu do technologie naše odborníci monitorují výstupy, aby detekovali potenciální bias a zajistili, že výstupy jsou spravedlivé a spolehlivé. Věřím, že AI je o augmentaci vědy a lidského génia. AI dává lidem schopnost soustředit se na vyšší úroveň výzev. Jsme pozoruhodně dobří v řešení problémů a stále lepší v intuici a nuancích než stroje. V Clario používáme AI k odstranění zátěže z opakujících se věcí. Používáme ji k analýze širokých datových souborů, ať už se jedná o pacientské obrázky nebo předchozí studie nebo cokoliv jiného, co chceme analyzovat. Obecně mohou stroje dělat to rychleji a v některých případech lépe než lidé. Ale nemohou nahradit lidskou intuici a vědu a reálnou zkušenost, kterou mají úžasní lidé v našem průmyslu.

Jak předpovídáte, že AI ovlivní klinické studie v příštích několika letech, zejména v oblastech, jako je onkologie, kardiologie a respirační studie?

V onkologii jsem nadšen z pokroku v aplikované AI v radiomice, která extrahuje kvantitativní metriky z medicínských obrazů. Radiomika zahrnuje několik kroků, včetně akvizice obrazů tumorů, předzpracování obrazů, extrakce funkcí a vývoje modelů, následovaného validací a klinickou aplikací. Používáním stále pokročilejší AI budeme moci předpovídat chování tumorů, přizpůsobit léčbu a předvídat výsledky pacientů na základě neinvazivního zobrazování tumorů. Budeme moci ji použít k detekci raných známek onemocnění a rané detekci recidivy onemocnění. Jakmile se více pokročilé nástroje AI stanou více integrovanými do radiomiky a klinických pracovních postupů, uvidíme obrovské kroky v onkologii a péči o pacienty.

Jsem stejně nadšen z budoucnosti respiračních studií. V minulém roce jsme získali ArtiQ, belgickou společnost, která vyvinula modely AI pro zlepšení sběru respiračních dat v klinických studiích. Jejich zakladatel je nyní můj Chief AI Officer a očekáváme velké věci v respiračních řešeních. Náš přístup k aplikaci algoritmů se stal herním měničem, nejméně proto, že pomáhá snižovat zátěž na pacienty a stránky. Když data o výdechu nejsou analyzována v reálném čase a je detekována anomálie, nutí to pacienta vrátit se do kliniky na další test. To nejen přidává stres pro pacienta, ale může také vytvářet zpoždění a další náklady pro sponzora studie, a to vede k různým provozním výzvám. Naše nová spirometrická zařízení využívají modely ArtiQ k řešení této zátěže, nabízejíce near real-time přepisy. To znamená, že pokud dojde k problémům, jsou identifikovány a řešeny okamžitě, zatímco pacient je stále v klinice.

Nakonec vyvíjíme nástroje, které budou mít dopad napříč terapeutickými oblastmi. Brzy uvidíme, jak AI dodává stále více hodnoty v elektronických klinických výsledcích (eCOA). Uvidíme modely AI, které zachycují a měří jemné změny, které zažívají pacienti. Tato technologie pomůže mnoha badatelům, ale například výzkumníkům Alzheimerovy choroby budou moci pochopit, v jaké fázi onemocnění je pacient. S tímto druhem znalostí může být léková účinnost lépe posouzena, zatímco pacienti a jejich pečovatelé mohou být lépe připraveni na řízení onemocnění.

Jakou roli, podle vás, bude AI hrát v rozšíření rozmanitosti v klinických studiích a zlepšení zdravotní rovnosti napříč populacemi pacientů?

Pokud se na AI díváte pouze skrze technologickou čočku, myslím, že se dostanete do potíží. AI musí být přístupován z všech úhlů: technologie, vědy, regulace a tak dále. V našem průmyslu je skutečná excelence dosažena pouze prostřednictvím lidské spolupráce, která rozšiřuje schopnost klást správné otázky, jako je: “Trénujeme modely, které zohledňují věk, pohlaví, sex, rasu a etnickou příslušnost?” Pokud všichni ostatní v našem průmyslu položí tyto typy otázek před vývojem nástrojů, AI nebude pouze urychlovat vývoj léků, ale bude urychlovat jej pro všechny populace pacientů.

Můžete sdílet plány nebo předpovědi Claria pro evoluci AI v sektoru klinických studií v roce 2025 a dále?

V roce 2025 uvidíme, jak biotechnologický a farmaceutický průmysl využije AI a analýzu v reálném čase jako nikdy předtím. Tyto pokroky budou zjednodušovat klinické studie a zlepšovat rozhodování. Zrychlením výstavby studií a implementací založených na riziku monitorování budeme moci urychlit časové osy, snížit zátěž na pacienty a umožnit sponzorům dodávat život zachraňující léčby s větší přesností a efektivitou. Je to vzrušující doba pro nás všechny, protože pracujeme společně na transformaci zdravotní péče.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Clario.