Matt Walz, CEO ve společnosti Trialbee – Interview Series

Matt Walz je CEO společnosti Trialbee, globálního lídra v oblasti technologií pro nábor pacientů. Přináší více než 20 let zkušeností z oblasti softwaru a vedení v oboru life sciences. Matt zahájil svou kariéru jako vývojář a zastával různé technické a manažerské pozice ve společnostech Rollins Corporation, PSCI, Microsoft (MSFT ), Morgan Lewis a Datalabs. V roce 2006 spoluzaložil NextDocs, která se stala globálním lídrem v oblasti klinické, kvalitativní a regulační dokumentace, kde působil jako CTO, CSO a člen představenstva po dobu 9 let. Předtím, než se stal členem Trialbee, strávil Matt 5 let jako generální manažer pro life sciences a viceprezident pro strategické účely ve společnosti Aurea Software, která získala NextDocs.

Trialbee je zdravotnická technologická společnost, která zjednodušuje nábor pacientů pro klinické studie. Díky využití datové analytiky, 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 spravovat proces náboru efektivněji a snižovat zátěž na místa.

Máte zkušenosti s prací v oblasti zdravotnických technologií a velkých klinických výzkumných platforem. Jaké osobní zkušenosti nebo momenty ve vaší kariéře vás vedly k rozpoznání potenciálu a pastí umělé inteligence v náboru pacientů?

Umělá inteligence je nejrychleji se pohybující technologickou tendencí, kterou jsem viděl za více než dvě desetiletí práce v klinickém vývoji – rychlejší než v počátcích cloud computingu. Co mě nejvíce překvapilo, je to, jak umělá inteligence přešla z konceptuálního na operační v oboru, který je typicky pomalý v přijímání nových technologií – a je prioritizován i regulačními orgány, jako je FDA. Pro nábor pacientů do klinických studií jsme stále ve fázi učení, kde je umělá inteligence nejvhodnější. Dodavatelé a sponzoři zkoumají umělou inteligenci pro vývoj protokolů, osobnosti a cílení, obohacení dat, lokalizace a komunikaci a angažovanost – což jsou všechny hlavní body tření pro výzkumné týmy.

S tím spojeným je však také určitý rizik, který doprovází ten potenciál. Hovořil jsem s lídry velkých farmaceutických společností, kteří zdůrazňují, že zatímco umělá inteligence se objevuje v mnoha bodech workflow, nemůže být bez dozoru. Dozor lidské inteligence je základním.

To je z důvodů kvality a bezpečnosti, ale také proto, že společnosti, jako je Trialbee, spojují se s pacienty a rodinami, které hledají naději – velmi lidskou a empatickou zkušeností, kterou nelze nahradit umělou inteligencí způsobem, který by byl pro pacienty smysluplný.

Nábor pacientů do klinických studií historicky čelil problémům s rozmanitostí, rychlostí a přesností. Jak podle vás umělá inteligence pomáhá řešit tyto výzvy – a kde ještě selhává?

Umělá inteligence 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 dříve na více globálních trzích.

Když jde o přesnost, umělá inteligence začíná pomáhat nám dodávat více konzistentní, kritériem vyhovující interakce, od materiálů, které vytváříme, přes předvýběr až po chatboty. Tyto nástroje jsou obzvláště užitečné pro snižování bodů, kde dochází ke zpomalení procesu náboru.

Rozmanitost zůstává výzvou, i když. Umělá inteligence je pouze tak reprezentativní, jako jsou data, na kterých je trénována, a reprezentativnost je také ovlivněna faktory mimo technologii – včetně zemí, které omezují, jak může být umělá inteligence použita v rolích, které jsou zaměřeny na pacienty. Budování důvěry s účastníky studií bylo problémem po celou historii klinického výzkumu, a angažovanost s nástroji umělé inteligence je přijímána s různou mírou skepse. S tím na vědomí, silně podporujeme přístup, který by lidem nabídl možnost interagovat s živým zdravotnickým odborníkem nebo, například, agentem umělé inteligence. To může pomoci dosáhnout účastníků s různou úrovní pohodlí kolem umělé inteligence, zatímco zajišťuje silný dozor, zejména pro agenty umělé inteligence, i když musí být začleněny záruky, jako jsou samostatné rozumové motory, aby to bylo úspěšné.

Předtím jste zmínil, že nástroje umělé inteligence jsou nasazovány rychleji než jakákoliv předchozí inovace v náboru pacientů. Ale s globálními regulátory, kteří se snaží držet krok, jaké jsou nejnaléhavější mezery v dohledu, které vidíte v mezinárodních kampaních klinických studií?

Největší mezera je absence regulační shody napříč geografickými oblastmi. V USA agentury, jako je FDA, přijímají umělou inteligenci s novými rámcovými a procesy předběžné revize. Naopak Evropa se pohybuje pochopitelně opatrně, zaměřuje se na pečlivé kroky a aplikuje přísnější regulační revize.

Pro společnosti, jako je naše, které operují globálně, to vytváří výzvu: Co je přijatelné v jedné zemi, nemusí být přijatelné v jiné. A variabilita není pouze v regulacích, ale také v tom, jak jsou používány různé kanály nebo sociální média, jako je Facebook (META ), pro nábor, jak je zpracovávána osobní data, nebo jak je shromažďován souhlas pacientů. Tyto jsou nuance, které vyžadují operační pružnost a hluboké pochopení regionálních etických a kompliančních standardů.

To je místo, kde naše historie inovací a vrozená globální kultura jsou velkými aktivy, když navigujeme nadšený, ale vysoce dynamický kraj umělé inteligence.

Jak může absence globální shody v regulačních rámcích zhatit přijetí umělé inteligence v klinických studiích? Svědčil jste o skutečných důsledcích toho?

Určitě. Strategie digitálního marketingu, 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 lze použít, se široce liší. Budujeme vnitřní odbornost, abychom překonali tyto rozdíly, a očekáváme, že regulace umělé inteligence bude následovat podobnou cestu.

V praktických termínech omezení, která tato dilema ukládá na týmy náboru, může vést k zpožděným spuštěním kampaní, dalším cyklům s etickými výbory a složitějším pracovním postupům compliance. Pokud nejste hluboce vědomi toho, jak každá země interpretuje použití umělé inteligence, zejména v aplikacích zaměřených na pacienty, riskujete zpomalení studií nebo narazíte na vážné bariéry schválení.

Trialbee operuje na průsečíku dat, technologií a angažovanosti pacientů. Jak zajišťujete, aby strategie náboru poháněné umělou inteligencí nesnižovaly pacienty na datové body, ale spíše zvyšovaly lidskou stránku výzkumu?

Skvělé a důležité otázky pro nás všechny. Jak jsem zmínil dříve, můj pohled na umělou inteligenci je její schopnost posílit lidi – ne nahradit je. To je zvláště pravdivé v našem velmi osobním oboru, kde se snažíme pomoci generacím pacientů žít zdravějším životem po celém světě. Náš obchod je teplý, spočívá v propojení lidí, a lidské bytosti budou vždy v jeho srdci.

Když jde o denní operace, nejlepší umělá inteligence, kterou můžeme poskytnout – například v rámci naší platformy Honey – by byla analýza dat a trendů a vyvolání akcí na místech a týmech studií, kde je možná potřeba akce. To již děláme a budeme přidávat další funkce, abychom zajistili, že cenná data, která jsou zachycena, jsou okamžitě využita tak, aby měly významný dopad na studii. To by mohlo znamenat poskytování denních přehledů o pokroku náboru nebo vyvolání následného kontaktu s konkrétními pacienty s prediktivními modely.

Vnitřně používáme umělou inteligenci po celé naší organizaci systematicky a spolupracujeme. Dobrým příkladem je překlad materiálů náboru a umělá inteligence poháněná potlačení potenciálních osobních údajů – tyto budou vždy dozorovány zkušeným člověkem. Takže doufám, že uvidíte, jak používáme umělou inteligenci, aby náš úžasný tým byl silnější, a ne naopak.

Jaké konkrétní dovednosti jsou nejvíce kritické pro týmy klinického výzkumu, aby odpovědně vedly a řídily nástroje umělé inteligence?

Nejkritičtější dovednosti spočívají na průsečíku klinické odbornosti, gramotnosti umělé inteligence a regulační způsobilosti. Týmy potřebují rozumět, jak efektivně pracovat s platformami umělé inteligence, vyvolávat je s přesností a kriticky hodnotit jejich výstupy.

Existuje také rostoucí potřeba regulačního přehledu. Jak jsem zmínil dříve, je to zvláště důležité pro oblasti, jako je agentic umělá inteligence, kde budujeme samostatné rozumové motory, aby sloužily jako zábrany v interakcích pacientů. Týmy musí být také schopny vyhodnotit obsah přeložený umělou inteligencí a ověřit jeho přesnost a kulturní relevanci, než budou materiály předloženy etickým výborům.

Přijetí umělé inteligence se zrychluje. Jaký poradíte klinickým výzkumným subjektům, které jsou váhavé nebo přetížené složitostí integrace umělé inteligence do svých pracovních postupů?

Někdo jednou řekl, když začnete pracovat s umělou inteligencí, ujistěte se, že používáte Skutečnou Inteligenci. Strojové učení může umožnit úžasné věci – poskytují, že má odbornost, kontext a záruky domény za ním.

Můj porad je začít malé a zůstat uzemněný v tom, co můžete dodat dnes. Jednou z největších chyb, které vidím, je, že společnosti se příliš naklánějí do vágních slibů o transformaci umělou inteligencí, aniž by artikulovaly, 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 může umělá inteligence 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 máme v Trialbee. Hovoříme pouze se subjekty 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 odbor nebo tým, aby každý týden představil případy, které pro ně fungovaly. Diskutujeme o tom, jak i proč, abychom sdíleli znalosti, výzvy a řešení, aby ostatní mohli replikovat své úspěchy v umělé inteligenci, aby zlepšili efektivitu, dodávku zákazníkům nebo výsledky náboru.

Také zdůrazňujeme transparentnost o nástrojích, které používáme k budování těchto funkcí. Pokud používáme OpenAI ChatGPT nebo Anthropic Claude, například, popisujeme nastavení subjektům, včetně toho, jak izolujeme citlivé informace a aplikujeme lidský dozor. Jakmile uvidí výhody v akci, jako je úspora času v pracovních postupech překladu nebo zvýšená rychlost v raném screeningu pacientů, jsou více pravděpodobně nakloněni k přijetí dalšího případu použití umělé inteligence. A tak to není o prodeji velké vize, ale o prokázání hodnoty krok za krokem.

Regulátoři, jako je FDA, začínají klást tvrdší otázky o modelech umělé inteligence používaných ve vývoji léků. Jaké druhy transparentnosti, validace nebo auditovatelnosti byste věřili, že by se měly stát normou v oboru?

Obor potřebuje jít směrem k plné transparentnosti a zajistit, že je v každém rozhodnutí asistovaném umělou inteligencí lidský dozor. Chci uvést několik příkladů:

Když mluvíme o agentic umělé inteligenci, 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 zaměřené na pacienty. Protokoly validace také potřebují být formalizovány, včetně testování benchmarků a pokračujících hodnocení výkonu.

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

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

Nemít umělou inteligenci nebylo tím, co bránilo rozmanitosti v klinickém výzkumu – nedefinování plánu je. A umělá inteligence nemůže opravdu pomoci s tím. Jakmile je skutečný závazek, umělá inteligence může být mocným nástrojem, který nám pomáhá dosáhnout podreprezentovaných skupin účinněji, ale pouze pokud jsme úmyslní. To je důvod, proč v Trialbee rozšiřujeme data, která naše modely používají, budujeme partnerství s komunitami a neustále monitorujeme výsledky náboru, abychom se ujistili, že žádná skupina není zanedbána.

Vy jste zmínili, že váš tým bude uvádět nové produkty související s umělou inteligencí později v tomto roce. Můžete nabídnout přehled problémů, které řešíte – a jak tyto inovace odrážejí vaši širší filozofii kolem odpovědného použití umělé inteligence?

Trialbee má kulturu inovací a umělá inteligence je významnou a rostoucí součástí toho. Letos naše platforma Honey uvedla nové pracovní postupy míst, sponzor-specifický registr pacientů a použití případů pro webové stránky pro nalezení studií pro globální biotechnologické značky, jako je BMSClinicalTrials.com. S umělou inteligencí konkrétně uvidíte nové funkce a vylepšení, které budou uvedeny v následujících 3, 6, 12 měsících a dále. Rozvíjíme chatboty, inteligentní nástroje a další uvnitř Honey a také vyhodnocujeme nové způsoby, jak zjednodušit procesy pro naše zákazníky. Vnitřně používáme umělou inteligenci, abychom se stali cílenějšími, úmyslnějšími, inkluzivnějšími a efektivnějšími ve všem, co děláme – s zkušenou týmovou činností, která řídí každé rozhodnutí a interpretuje kontext pro všechny modely umělé inteligence, které používáme.

Pohledem do budoucna, jak si představujete, že se role Trialbee bude vyvíjet, když se umělá inteligence stane více zakořeněnou v klinickém výzkumu? Jakou roli budete hrát v utváření více etického, efektivního a globálně harmonizovaného budoucnosti pro nábor pacientů?

Pět let od teď vidím Trialbee jako vedoucího poskytovatele služeb pro nábor pacientů v klinickém výzkumu, poháněného umělou inteligencí. Již integrujeme generativní umělou inteligenci do každé části procesu náboru, kde může urychlit rychlost, zlepšit přesnost nebo zvýšit možnost volby pacientů. Jak jsem zmínil, aktivně vyhodnocujeme nástroje, které by pacientům daly možnost interagovat s živým zdravotnickým odborníkem nebo agentem umělé inteligence, v závislosti na jejich preferenci a úrovni pohodlí. Věříme, že poskytnutí lidem této volby je klíčem ke zvýšení důvěry a účasti v průběhu času.

Etičtěji jsme zavázáni zajistit, aby byla umělá inteligence implementována s regulační přísností a transparentností. To znamená zabudování mechanismů dohledu do samotné technologie a být otevřený o tom, jak naše systémy fungují. Také stavíme umělou inteligenci do kultury naší organizace – každého oddělení a každého týmu – aby jsme byli připraveni přizpůsobit se, jak se technologie vyvíjí. Nakonec chceme být společností, která pomáhá definovat, jak je umělá inteligence používána odpovědně po celém klinickém výzkumu. Pokud to uděláme správně, můžeme pomoci utvořit budoucnost, kde jsou studie rychlejší, inkluzivnější a přístupnější pro pacienty, bez ohledu na to, kde žijí nebo jaký jazyk mluví.

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