Matt Walz, CEO at Trialbee – Interview Series

Matt Walz je CEO společnosti Trialbee, globálního lídra v oblasti technologií pro nábor pacientů. Přináší více než 20 let zkušeností v oblasti softwaru a vedení ve farmaceutickém průmyslu. Matt začal svou kariéru jako vývojář a zastával různé technické a vedoucí role ve společnostech Rollins Corporation, PSCI, Microsoft, Morgan Lewis a Datalabs. V roce 2006 spoluzaložil NextDocs, která se stala globálním lídrem v oblasti klinické, kvalitativní a regulační správy dokumentů, kde působil jako CTO, CSO a člen představenstva po dobu 9 let. Předtím, než se připojil k Trialbee, strávil Matt 5 let jako generální manažer pro životní vědy a viceprezident pro strategické účty ve společnosti Aurea Software, která získala NextDocs.

Trialbee je společnost pro zdravotnickou technologii, která zjednodušuje nábor pacientů pro klinické studie. Díky využití analýzy dat, digitálního oslovení a reálných důkazů odpovídá, angažuje a předkvalifikuje pacienty, aby urychlila registraci. Její platforma nabízí transparentnost napříč zdroji a partnery, což pomáhá sponzorům, CRO a místům studií efektivněji řídit proces náboru, zatímco snižuje zátěž na místa.

Máte zkušenosti s oběma health tech startupy a velkými klinickými výzkumnými platformami. Jaké osobní zkušenosti nebo momenty ve vaší kariéře vás vedly k rozpoznání potenciálu – a pastí – AI v náboru pacientů?

AI je nejrychleji se pohybující technologickou tendencí, kterou jsem viděl za více než dvě desetiletí práce v klinickém vývoji – rychlejší než v počátcích cloudové adopce. Co mě nejvíce překvapilo, je to, jak AI přešlo z konceptuálního na provozní v průmyslu, který je obvykle pomalý v přijímání nové technologie – a je prioritizován i regulačními orgány, jako je FDA. Pro nábor pacientů do klinických studií jsme stále v raných fázích učení, kde je AI nejvhodnější. Dodavatelé a sponzoři zkoumají AI pro vývoj protokolu, osoby a cílení, obohacování dat, lokalizace a komunikaci a angažovanost – které jsou všechny hlavní tření pro výzkumné týmy.

S tím said, existuje stále určitá rizika spojená s tímto potenciálem. Hovořil jsem s lídry velkých farmaceutických společností, kteří zdůrazňují, že zatímco AI se objevuje v více bodech workflow, nemůže běžet bez kontroly. Lidský dohled je základem.

To je z důvodů kvality a bezpečnosti, stejně jako z toho, že společnosti, jako je Trialbee, spojují pacienty a rodiny, které hledají naději – velmi lidskou a empatickou zkušenost, kterou nelze nahradit AI způsobem, který by byl pro pacienty smysluplný.

Klinické studie historicky čelily problémům s rozmanitostí, rychlostí a přesností. Jak podle vás AI pomáhá řešit tyto výzvy – a kde ještě selhává?

AI pomáhá zjednodušit některé z nejrychlejších a nejvíce zdrojově náročných částí procesu náboru. Například věci, které dříve trvaly týdny – jako je překlad studijních materiálů do desítek jazyků – jsou nyní zkráceny na hodiny. To znamená, že můžeme začít nábor rychleji na více globálních trzích.

Když jde o přesnost, AI poháněné agenty začínají pomáhat nám poskytovat více konzistentní, kritériem-aligované interakce, od materiálů, které vytváříme, přes prescreening až po chatboty. Tyto nástroje jsou zvláště užitečné pro snižování bodů, kde dochází ke zpomalení procesu náboru.

Rozmanitost zůstává výzvou, i když. AI je pouze tak reprezentativní, jako jsou data, na kterých byla vyškolena, a reprezentace je také ovlivněna faktory mimo technologii – včetně zemí-specifických regulačních omezení, která omezují, jak AI může být použita v rolích pacientů. Budování důvěry s účastníky studií bylo problémem po celou historii klinického výzkumu, a angažovanost s nástroji AI je setkána s různou mírou skepse. S tím na paměti, silně podporujeme přístup, který by lidem poskytl možnost interagovat s živým zdravotnickým odborníkem nebo, například, agentem AI. To může pomoci dosáhnout účastníků s různou úrovní pohodlí kolem AI, zatímco zajišťuje silný dohled, zejména pro agentic AI, i když musí být zahrnuty záruky, jako jsou samostatné rozumové motory, aby se zajistilo úspěch.

Předtím jste uvedl, že nástroje AI jsou nasazovány rychleji než jakákoliv předchozí inovace v náboru pacientů. Ale s globálními regulátory, kteří bojují s udržením tempa, jaké jsou nejnaléhavější mezery v dohledu nad multinárodními klinickými studiemi?

Největší mezera je nedostatek regulační shody napříč geografickými oblastmi. V USA, agentury, jako je FDA, přijímají AI s novými rámci a procesy rané revize. Naopak, Evropa se pohybuje více opatrně, zaměřena na pečlivé kroky a aplikaci přísnějších regulačních kontrol.

Pro společnosti, jako je naše, které operují globálně, to vytváří výzvu: Co je přijatelné v jedné zemi, nemusí být v jiné. A variace nejsou pouze v regulacích, ale také v tom, jak různé kanály nebo sociální média, jako je Facebook, mohou být použity pro nábor, jak se zpracovává osobní data, nebo jak se shromažďuje souhlas pacientů. Tyto nuance vyžadují operační agilitu a hluboké porozumění regionálním etickým a kompatibilním standardům.

To je místo, kde naše historie inovací a vrozená globální kultura jsou velkými aktivy, protože navigujeme nadšený, ale velmi dynamický AI krajinný pohled.

Jak může tato absence globální shody v regulačních rámcích zhatit přijetí AI v klinických studiích? Viděl jste nějaké reálné důsledky tohoto?

Ano. Naše digitální reklamní strategie, na kterých závisíme pro nábor pacientů, jsou dobrým příkladem. Facebook je jednou z nejúčinnějších platforem globálně, ale i v zemích, kde je povolen, úroveň cílení, které je povoleno, a jaké údaje můžete použít, se široce liší. Budujeme vnitřní odbornost, abychom překonali tyto rozdíly, a očekáváme, že regulace AI bude následovat podobnou cestu.

V praktických termínech, omezení, která tato dilema ukládá týmům náboru, mohou vést k zpožděným spuštěním kampaní, dalším cyklům s etickými komisemi a složitějším pracovním postupům shody. Pokud nejste hluboce vědomi toho, jak každá země interpretuje použití AI, zejména v aplikacích pacientů, riskujete zpomalení studií nebo narazíte na vážné bariéry schválení.

Trialbee operuje na křižovatce dat, technologií a angažovanosti pacientů. Jak zajišťujete, aby strategie náboru poháněné AI neomezily pacienty na datové body, ale spíše posílily lidskou stránku výzkumu?

Vynikající a důležitá otázka pro nás všechny. Jak jsem již uvedl, můj pohled na AI je jeho schopnost posílit lidi – ne je nahradit. To je zvláště pravdivé v naší velmi osobní branži, kde se snažíme pomoci generacím pacientů žít zdravějším životem po celém světě. Naše podnikání je teplé, spojující lidi, a lidské bytosti budou vždy v jeho srdci.

Když jde o denní operace, nejlepší AI, kterou můžeme poskytnout – například v našem Honey Platform ™ – by byla analýza dat a trendů a vyvolání akcí na místech a týmech studií, kde je možná potřeba. Už děláme mnoho z toho a budeme pokračovat v přidávání funkcí, abychom zajistili, že cenná data, která jsou zachycena, jsou okamžitě využita tak, aby udělala rozdíl ve studii. To by mohlo znamenat poskytování denních přehledů o pokroku náboru nebo vyvolání následného kontaktu s konkrétními pacienty s prediktivními modely.

Vnitřně, používáme AI po celém našem podnikání systematickým a spolupracujícím způsobem. Dva dobré příklady zde mohou být překlad náborových materiálů a AI poháněné potlačení potenciálního PII dat – tyto budou vždy dohlíženy zkušeným člověkem. Takže doufám, že uvidíte, jak používáme AI k posílení našeho úžasného týmu, a ne naopak.

Jaké konkrétní dovednosti jsou nejvíce kritické pro klinické výzkumné týmy, aby odpovědně řídily a spravovaly nástroje AI dnes?

Nejkritičtější dovednosti spočívají na křižovatce klinické odbornosti, AI gramotnosti a regulační erudice. Týmy potřebují rozumět, jak efektivně komunikovat s platformami AI, vyvolávat je s přesností a kriticky přezkoumávat jejich výstupy.

Existuje také rostoucí potřeba regulačního vhledu. Jako jsem již uvedl, je to zvláště nutné pro oblasti, jako je agentic AI, kde stavíme samostatné rozumové motory, aby sloužily jako zábrany v interakcích pacientů. Týmy musí být také schopny vyhodnotit AI přeložené obsahy a ověřit jejich přesnost a kulturní relevanci, než budou materiály předloženy etickým komisím.

Přijetí AI se zrychluje. Jaký poradíte klinickým výzkumným stakeholderům, kteří jsou váhaví nebo přehlceni složitostí integrace AI do svých pracovních postupů?

Někdo jednou řekl, že když začnete pracovat s AI, ujistěte se, že používáte Skutečnou Inteligenci. Strojové učení může umožnit úžasné věci – poskytující, že má odbornost, kontext a zábrany doménových odborníků za ním.

Mou radou je začít malým a zůstat uzemněný v tom, co můžete dodat dnes. Jedna z největších chyb, které vidím, je, že společnosti se příliš naklánějí do vágních slibů o transformaci AI bez vysvětlení, jak to vlastně funguje nebo kdy bude připraveno. Zatímco tyto sliby mohou znít skvěle v okamžiku, mohou erodovat důvěru, protože neukazují důkaz skutečného plánu.

Lepší cesta je rozdělit přijetí do malých, definovaných kroků s jasnými výsledky. Vyberte jednu nebo dvě oblasti s vysokým dopadem, kde AI může odstranit tření, a ujistěte se, že jsou podpořeny správným dohledem. Buďte specifičtí o nástrojích, které používáte, jak jsou nastaveny a nej重要něji, jak chráníte citlivé informace. To je přístup, který používáme v Trialbee. Hovoříme pouze se stakeholdery o funkcích, které aktivně budujeme, obvykle ne více než tři měsíce dopředu, protože chceme zajistit, že komunikujeme to, co je reálné.

V Trialbee aktuálně žádáme jiný oddělení nebo tým každý týden, aby představil případy užití, které pro ně fungovaly. Diskutujeme o tom, jak i proč, abychom sdíleli znalosti, výzvy a řešení, aby ostatní mohli replikovat své úspěchy AI, aby zlepšili efektivitu, zákaznickou dodávku nebo výsledky náboru.

Také zdůrazňujeme transparentnost o nástrojích, které používáme k budování těchto funkcí. Pokud používáme OpenAI ChatGPT nebo Anthropic Claude, například, popisujeme nastavení stakeholderům, včetně toho, jak izolujeme citlivé informace a aplikujeme lidský dohled. Jakmile uvidí zisky v akci, jako je úspora času v pracovních postupech překladu nebo zvýšená rychlost v raném screeningu pacientů, jsou více pravděpodobně na palubě s dalším případem užití AI. A tak, je to méně o prodeji velké vize a více o prokázání hodnoty krok za krokem.

FDA a další regulátoři začínají klást tvrdší otázky o modelech AI používaných ve vývoji léků. Jaké druhy transparentnosti, validace nebo auditovatelnosti standardů byste věřili, že by se měly stát průmyslovými normami?

Průmysl potřebuje pohybovat se směrem k plné transparentnosti a zajistit, že existuje lidský dohled v každém AI asistovaném rozhodnutí. Abych uvedl několik příkladů:

Když mluvíme o agentic AI, již pracujeme na způsobech, jak zabudovat regulační logiku do samostatného rozumového motoru, který může vyhodnotit a opravit konverzace v reálném čase. Takový vnitřní kontrolní systém by se měl stát standardem v jakékoli aplikaci pacientů. Protokoly validace také potřebují být formalizovány, včetně testování benchmarků a pokračujících výkonových hodnocení.

Nejdůležitější je, že tyto standardy by měly být integrovány do procesu vývoje produktu a ne přidány později. Taková přísnost bude nezbytná pro udržení bezpečnosti pacientů, získání regulačního důvěry a škálování AI zodpovědně napříč globálními klinickými výzkumnými kampaněmi.

Modely AI často spoléhají na historická data, která mohou odrážet systémové zdravotnické předpojatosti. Jak přistupujete k zajištění spravedlnosti a rozmanitosti v náboru pacientů, zejména pro nedostatečně zastoupené populace?

Nemít AI nebylo to, co bránilo rozmanitosti v klinickém výzkumu – neprioritizace plánu je. A AI nemůže opravdu pomoci s tím. Jakmile existuje skutečný závazek, AI může být mocným nástrojem, který nám pomáhá dosáhnout nedostatečně zastoupených skupin více efektivně, ale pouze pokud jsme úmyslní. To je proč v Trialbee rozšiřujeme data, která naše modely používají, budujeme komunitní partnerství a neustále monitorujeme výsledky náboru, abychom se ujistili, že žádná skupina není zanechána pozadu.

Uvedl jste, že váš tým spustí nové AI související produkty později v tomto roce. Můžete nabídnout vysokou úroveň náhledu na problémy, které řešíte – a jak tyto inovace odrážejí vaši širší filozofii kolem zodpovědného použití AI?

Trialbee má kulturu inovací a AI je významnou a rostoucí součástí toho. Letos naše Honey Platform uvedla nové pracovní postupy míst, sponzor-specifické registry pacientů a případy užití pro podporu webových stránek klinických studií pro globální biotechnologické značky, jako je BMSClinicalTrials.com. S AI konkrétně uvidíte nové funkce a vylepšení, které budou spuštěny v průběhu příštích 3, 6, 12 měsíců a dále. Rozvíjíme chatboty, chytré nástroje a další uvnitř Honey, zatímco také vyhodnocujeme nové způsoby, jak zjednodušit procesy pro naše zákazníky. Vnitřně, používáme AI, abychom se stali cílenějšími, úmyslnějšími, inkluzivnějšími a efektivnějšími ve všem, co děláme – s zkušený tým, který řídí každé rozhodnutí a interpretuje kontext pro všechny modely AI, které používáme.

Pohledem pět let dopředu, jak si představujete, že se role Trialbee vyvine, protože AI se stává více zakořeněným v klinickém výzkumu? Jakou roli budete hrát v tvarování více etického, efektivního a globálně harmonizovaného budoucnosti pro nábor pacientů?

Pět let od teď vidím Trialbee jako vedoucího poskytovatele služeb AI pro nábor pacientů v klinickém výzkumu. Již integrujeme generativní AI do každé části pracovního postupu náboru, kde může urychlit rychlost, zlepšit přesnost nebo zvýšit možnost pacientů. Jako jsem již uvedl, aktivně vyhodnocujeme nástroje, které by pacientům poskytly možnost volby mezi interakcí s živým zdravotnickým odborníkem nebo agentem AI, v závislosti na jejich preferenci a úrovni pohodlí. Věříme, že poskytnutí této volby je klíčem ke zvýšení důvěry a účasti v čase.

Eticky, jsme zavázáni zajistit, aby AI byla implementována s regulační přísností a transparentností. To znamená zabudování mechanismů dohledu do technologie samotné a být otevřen o tom, jak naše systémy fungují. Také budujeme AI do kultury naší organizace – každého oddělení a každého týmu – aby jsme byli připraveni přizpůsobit se, jak se technologie vyvíjí. Nakonec chceme být společností, která pomůže definovat, jak AI je používána zodpovědně po celém klinickém výzkumu. Pokud to uděláme správně, můžeme pomoci tvarovat budoucnost, kde jsou studie rychlejší, více inkluzivní a snazší pro pacienty přístupné, bez ohledu na to, kde žijí nebo jaký jazyk mluví.

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