Rozhovory

Nijat Hasanli, vedoucí produktového oddělení Lindus Health – Série rozhovorů

Antoine Tardif
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyAI-řízený operační systém pro klinické studie společnosti Lindus Health násobí zisky…
Zobrazit více
  • AI-řízený operační systém pro klinické studie společnosti Lindus Health násobí zisky efektivity napříč celým rozsahem provádění studií.
  • Společnost se vyhýbá použití AI v pracovních postupech klinické péče, aby eliminovala přímá rizika pro bezpečnost pacientů.
  • Strukturální roztříštěnost tradičních studií vytváří zbytečný sběr dat, který může AI pomoci včas eliminovat.

Nijat Hasanli, vedoucí produktového oddělení Lindus Health, má zkušenosti s budováním a rozšiřováním produktových týmů a činností ve zdravotnických technologických firmách i dalších technologicky zaměřených organizacích. Od roku 2022 vede produktovou strategii a její realizaci v Lindus; dříve působil v OneCommerce a Downforce Technologies. V různých produktových prostředích ve Spojeném království zodpovídal za sladění vývoje s obchodními výsledky, podporu inovací a převádění složitých technických možností do škálovatelných řešení zaměřených na uživatele v rychle se měnících odvětvích.

Lindus Health je společnost pro klinické studie využívající AI, která funguje jako „Accountable Research Organization“, tedy výzkumná organizace s odpovědností za výsledné provedení. Biotechnologickým a farmaceutickým společnostem má poskytovat větší kontrolu, rychlost a spolehlivost při provádění studií. Tradiční modely smluvního výzkumu nahrazuje plně integrovanou platformou s důrazem na technologie: návrh studie, nábor pacientů, sběr dat i provedení spojuje v jediném systému a studie často dokončuje výrazně rychleji, než je v odvětví běžné. Její vlastní operační systém navržený od základu kolem AI umožňuje sledovat průběh studií v reálném čase, prostřednictvím cen podle dosažených milníků slaďuje motivace a využívá rozsáhlá zdravotní data ke zlepšení náboru i výsledků. Širším cílem je dostávat nové léčebné postupy rychleji k pacientům.

Můžete popsat určující okamžik nebo počáteční výzvu, která pomohla utvářet poslání či produktové směřování Lindus Health?

Inovace v klinických studiích se často spojují s velkým rozsahem: velkými organizacemi, značným kapitálem a zavedenou infrastrukturou. Naše počáteční rozhodující zkušenost nás ale naučila opak.

U první studie jsme záměrně zvolili jednoduché provedení, o němž jsme věděli, že ho s naší technologií zvládneme bezpečně. Toto omezení nás přimělo zjednodušit návrh a spolehnout se na systémy, které jsme plně ovládali, takže se lépe ukázaly závislosti i neefektivní postupy. K inovacím při provádění studií nepotřebujete velké a velmi složité softwarové sestavy. Potřebujete převzít odpovědnost za celou studii od začátku do konce a propojit její části souvislým tokem dat. Takový přehled ukazuje vzájemné souvislosti i příležitosti, které se v roztříštěných provozních modelech hledají obtížně.

Jak vaše platforma využívající AI zjednodušuje klinické studie ve srovnání s tradičními modely?

Neprezentujeme ji jako platformu doplněnou o AI. CitrusTM je operační systém pro studie navržený od základu kolem AI. K jejímu využití přistupujeme distribuovaně: místo velké sázky na jednu oblast hledá náš technický tým spolehlivá využití odpovídající konkrétnímu kontextu napříč systémy. Funguje to díky tomu, že zajišťujeme provedení studií v celém rozsahu. Když AI urychlí rozbor protokolu, přínos se promítne do návrhu studie. Rychlejší návrh pak datovému týmu předá lépe připravené nastavení. Dílčí zlepšení se násobí, protože každá fáze vytváří strukturovanější výstupy a omezuje pozdější přepracování.

Uvedu dva příklady. AI používáme ke generování kódu pro analýzu dat a máme jasné postupy pro kontrolu výsledku před jakýmkoli použitím. Také s ní převádíme protokolové dokumenty do schémat návrhu studie. První převod přináší značnou úsporu práce, ale vytvořené řešení stále prochází týdny kontrol a akceptačních testů.

AI nepoužíváme v pracovních postupech klinické péče. Cítíme odpovědnost za to, aby naše aplikace nepředstavovaly žádné riziko újmy pro pacienty ve studiích, protože infrastruktura potřebná k odpovídajícím ochranným opatřením teprve dozrává. Vyhýbáme se tak regulatorním a bezpečnostním rizikům AI v klinické péči. Ostatní využití podléhají stejně důkladnému posuzování jako jakákoli AI v tomto odvětví, ale zásadně ponechávají dost času na lidskou kontrolu. Klinická péče má jiný rizikový profil: rozhodnutí v daném okamžiku, kdy chyby mohou přímo ovlivnit bezpečnost pacienta.

Hlavní dopad se týká efektivity týmu klinického výzkumu. Velká část našeho zjednodušování pomáhá přímo tomuto týmu a přínosy se kumulují. Každý týden ušetřený při provádění studie nás přibližuje o týden k dokončení vývojového cyklu léčiva a může zkrátit celkovou dobu vývoje. Vedle času naše aplikace přinášejí více než předpovědi náboru: sledují příchozí data, hledají anomálie, bezpečnostní signály a ukazatele rizika a poskytují týmu lepší přehled pro účinný dohled nad studií.

V tradičních modelech se AI obvykle používá jako dílčí řešení: jeden nástroj pro jednu funkci, oddělený od zbytku procesu. Náš model pokrývající celý průběh umožňuje, aby přínosy procházely celou studií a každé zlepšení navazovalo na předchozí. Jde o rozdíl mezi optimalizací jednotlivých funkcí a zlepšováním provedení studie jako celku.

Studie Tufts uvádí, že téměř třetina dat z klinických studií není nezbytná. Jak Lindus Health využívá AI k odhalení a odstranění zbytečného sběru dat?

To, co popisuje studie Tufts, známe z vlastní zkušenosti. Podle nás je hlavní příčina strukturální: pokud je provádění studie rozdělené mezi týmy, každý má motivaci pojistit se proti všem eventualitám. Je to reakce na roztříštěnou odpovědnost.

Od smluv s dodavateli až po nástroje sběru dat přidává každé předání další vrstvu opatrnosti. Člověk navrhující formuláře pro záznam údajů o případech už bývá daleko od původní výzkumné otázky. Zkoušející se může ptát: „Jak se během tří měsíců této léčby změnila hmotnost?“ Návrhář nástroje však řeší provozní otázky: podmínky plateb výzkumným centrům, kontrolní políčka pro soulad s předpisy a požadavky na auditní stopu. Oba pohledy jsou oprávněné a nutné. Problémem je chybějící společný kontext. Provozní konstrukce narůstá a výzkumná otázka se pod ní ztrácí.

Ještě před technickými řešeními existuje jednodušší rovina. Naše výzkumné týmy už mají přístup k AI chatům a soustavně je používají. Každý týden dostávají desítky protokolů a PDF; možnost vložit je do AI nástroje a klást otázky mění práci s těmito materiály. Pomáhá to zůstat blízko výzkumné otázce a neztratit se v provozních detailech.

Za prvé jde o návrh studie. AI zabudovaná do celého procesu návrhu a tvorby umožňuje odhalit problémy brzy, než se pevně zakotví v protokolu. Používáme ji k vytváření propracovanějších harmonogramů studie a provázení návrhářů protokolem. Upozorňuje na příliš složitý plán, duplicity a chyby. Návrhář pak může informovaně rozhodnout o vypuštění datového bodu nebo nižší četnosti sběru a své důvody zdokumentovat.

Za druhé jde o analýzu dat. Když studie běží, změna plánovaného sběru představuje jinou výzvu. AI ale pomáhá rychleji oddělit podstatné informace od šumu: rychlejší agregace, rozpoznání vzorců a označení anomálií omezují ruční zpracování. Tým tak může pružněji zjistit, zda a kde zbytečný sběr dat skutečně ovlivňuje studii. Včasnější spolehlivé poznatky umožňují úpravy, upozornění výzkumného týmu nebo zdůvodnění změny protokolu, která sběr zjednoduší, dokud je ještě čas jednat.

Strukturální problém tak řešíme ve dvou fázích: v návrhu zachytit a odstranit složitost dříve, než se pevně zakotví, a v analýze umožnit týmu rychle rozpoznat problémy a řešit je ještě během studie.

Jaké jsou největší mylné představy o AI v klinických studiích a jak je řešíte se sponzory a regulačními orgány?

Největší mylnou představou je předpoklad váhavosti: že sponzoři a regulační orgány budou AI v klinických studiích odmítat. Naše zkušenost tomu neodpovídá.

První rozhovory s regulačními orgány ukázaly, že při vydávání pokynů jsou oprávněně opatrné, jednotliví lidé v těchto organizacích jsou ale diskusi o AI otevření. Obecně uznávají její potenciál zlepšit produktivitu, efektivitu a kvalitu a uvědomují si množství nadbytečné práce v odvětví.

Někteří sponzoři se nás na AI ptali dříve, než jsme téma sami otevřeli. Aktivně chtěli, abychom tato řešení hledali a zaváděli. Důvody jsou dva: některé nástroje už sami používají a chápou jejich potenciál; zároveň si uvědomují, že vyšší efektivita může zkrátit studie, snížit náklady a zabránit problémům, které by jinak unikly pozornosti. Od několika sponzorů jsme slyšeli o interním tlaku prokázat využívání AI ke zvýšení efektivity.

Související obavou jsou data používaná k trénování modelů. Odvětví v této oblasti postupuje a poskytovatelé jasněji vysvětlují fungování svých plánů využití. Dáváme pozor, aby používané AI nástroje neposkytovaly data pro trénování základních modelů. Stejně pečliví jsme při trénování vlastních modelů či metodik; pokud to někdo dělá, musí to být výslovně uvedeno ve vymezení prací mezi klientem a poskytovatelem. Jasná dokumentace využití dat a chování modelu je nezbytná.

Mylné představy tedy existují, ale ukazují na naši povinnost odpovědnosti: jasně vysvětlit, kde používáme AI, jak nakládáme s daty a jaká ochranná opatření platí. Pro sponzory není podstatné, zda AI ve studiích využít, ale zda poskytovatel tyto otázky promyslel a je ochoten být transparentní.

Jak vyvažujete automatizaci a lidský dohled, abyste zajistili rychlost i kvalitu provádění studie?

K používání AI bez možnosti lidské kontroly přistupujeme opatrně. Odráží se to v naší dokumentaci kvality i zásadách pro AI.

Například někteří poskytovatelé nabízejí chatboty, kteří rozhovorem posuzují způsobilost pacienta. To vyžaduje podstatně větší opatrnost než většina aplikací. V nejlepším případě AI chybně vyřadí člověka ze studie, která mu mohla pomoci. V nejhorším ho chybně uzná způsobilým, oznámí týmu, že prošel screeningem, a vnese do zařazování pacientů riziko, které tam nemá být.

Lidský dohled zde nepomůže: než člověk výstup zkontroluje, AI už jednala ve vysoce rizikovém postupu. U chyby ve formuláři pro záznam údajů lze upravit nástroj nebo data zahodit. Jestliže ale AI vyzve pacienta či výzkumné centrum k nějakému kroku, potenciál nevratné újmy je větší, jak závažností, tak ve srovnání s jinými chybami AI ve studii.

Rovnováhu lze najít zaměřením na využití s integrovanou lidskou kontrolou a zvládnutelnými riziky. AI je nejúčinnější v postupech, kde je lidská kontrola součástí procesu a chyby lze napravit.

Které technologie nebo principy návrhu nejúčinněji snižují zátěž pacientů a pomáhají jim setrvat ve studii?

Zátěž pacientů a jejich setrvání ve studii závisejí na drobných, záměrných krocích vytvářejících dobrou zkušenost. Žádný jednotlivý zásah problém sám nevyřeší.

Nejdůležitější jsou dva principy návrhu.

Za prvé jde o kvalitu obsahu a rozhraní pro pacienty. Informační list, souhlas a aplikace používaná ve studii utvářejí jejich zkušenost. Texty mají být srozumitelné a stručné. Rozhraní má mít intuitivní navigaci, minimum překážek a snadno dostupné dokumenty. Konzultace s pacientskými organizacemi pomohou materiály upravit ještě před předáním účastníkům. Kvalitní uživatelská zkušenost je stejně důležitá jako jinde, zvlášť když ve studii nemáte miliony uživatelů, kteří se nakonec přizpůsobí.

Za druhé jde o spojení výzkumného týmu s pacienty. Potřebujete komunikační nástroje, připomínky, pozvánky a oznámení i sledovací infrastrukturu zobrazující stav pacienta, dodržování pokynů a bezpečnostní signály. Automatické kontrolní skripty označují, co potřebuje pozornost, aby tým reagoval včas. Strojové učení může v údajích o dodržování pokynů odhalit první známky slábnoucího zapojení ještě před odchodem pacienta. Umožní tak preventivní zásah namísto následné reakce. Cílem jsou správné informace správným lidem ve správný čas, bez šumu oslabujícího důležité signály.

Tato zlepšení nezávisí na nové technologii, ale nejsou ani hotovým univerzálním řešením: neexistuje produkt, který prostě vložíte do studie a očekáváte, že bude fungovat. Je nutné chápat překážky pro pacienty a cíleně je odstraňovat. Moderní AI to urychluje úpravou textů, kontrolou tónu a automatizací sledovacích skriptů. Technologie je vyspělá. Rozdíl spočívá v tom, zda řešíte problém studie, nebo pacienta.

Jak Lindus Health shromažďuje a zapracovává zpětnou vazbu pacientů do návrhu studie a přitom zachovává jednoduchý a efektivní proces?

Způsob sběru zpětné vazby určují požadavky na soukromí a soulad s předpisy; postup musí respektovat tyto hranice. Základní sledování zachycuje dostupnost služby, údaje o využití zbavené identifikátorů, například typ zařízení a chování aplikace, i vzorce dodržování pokynů: jak pravidelně účastníci dokončují plánovaná hodnocení. Odhalené překážky pak ovlivňují návrh budoucích studií.

Přímější zpětnou vazbu zprostředkovává výzkumný personál. Koordinátory povzbuzujeme, aby komunikovali s účastníky, zjišťovali jejich zkušenosti a předávali poznatky širšímu týmu. Podporuje to i firemní kultura: zkušenosti pacientů sdílíme ve společných kanálech a upozorňujeme na ně na celofiremních setkáních.

Výhodou je i struktura práce. Tradiční model sestavuje pro každou studii nový tým; Lindus používá stejnou technologii a pracovníky se zkušeností z více studií. Díky této kontinuitě se výslovně zaznamenané i nevyjádřené zkušenosti přenášejí do návrhu další studie. Překážka, kterou koordinátor odhalí v jedné studii, může ovlivnit nastavení následující.

Pacientské organizace přidávají pohledy, které by interními kanály nepřišly, zvlášť na to, jak různé skupiny pacientů přijímají materiály a postupy studie.

Proces zůstává jednoduchý, protože zpětná vazba prochází existujícími strukturami a nevyžaduje samostatný aparát pro každou studii.

Co se musí změnit v celém odvětví, aby byl klinický výzkum rychlejší a spolehlivější?

Strukturální setrvačnost odvětví vyžaduje odborníky, kteří budou pracovat jinak a alternativní přístupy prokážou v praxi. Firemní inovační programy a příkazy vedení mají na provozní změnu omezený dopad. Potřebujeme lidi, kteří budou skutečně postupovat jinak a ukážou, že to funguje.

Příkladem je statistické programování. Převod klinických dat pro biostatistickou analýzu je kvalifikovaná specializovaná práce vyžadující hlubokou znalost oboru. Nedaří se ale snadno získávat nové odborníky. Lidé z datové vědy nebo technických oborů tuto dráhu volí zřídka, přestože se dovednosti výrazně překrývají. Práce zůstává izolovaná, její metody jsou pro okolí neprůhledné a přísun nových odborníků omezený.

AI by to mohla otevřít. Moderní nástroje zvládnou značnou část transformační práce a požadavek dvojího programování, kdy dva programátoři vytvářejí nezávislé výstupy, lze naplnit dvojicí AI a člověka místo dvou lidí. Samotná technologie ale strukturální problémy neřeší. Potřebujete odborníky ochotné zavádět ji uvážlivě a prokázat splnění regulačních standardů. Jinak její možnosti zůstávají nedostatečně využité.

Rychlejší a spolehlivější studie tedy vyžadují víc než nové nástroje. Je třeba vytvořit prostor v přijímání zaměstnanců, výkladu předpisů i organizační kultuře pro lidi, kteří budou pracovat jinak. Tak lze v praxi zkracovat lhůty.

Jak se podle vás bude v příštích pěti letech vyvíjet vztah mezi AI, daty a návrhem studií?

Rozhodne strukturální skutečnost: účinnost AI omezuje kvalita kontextu, který dostane. Bez bohatého a přesného kontextu, původu dat, jejich transformací a skutečného významu vytvářejí i silné modely nespolehlivé výstupy.

Většina odvětví klinických studií je roztříštěná. Smluvní výzkumné organizace vidí jen části životního cyklu studie. Sponzoři mají více dodavatelů, každý s částí celkového obrazu. Při každém předání se ztrácí kontext. AI pak při uvažování o datech pracuje s neúplnými informacemi a ty vedou k nespolehlivým výstupům.

Nejvíce získají organizace s dohledatelností celého datového řetězce od návrhu protokolu přes sběr až po analýzu. Kontext neodhadují, ale vytvářejí: navrhují formuláře, definují pole a píší datový slovník. Každý datový bod má dohledatelný původ, protože jej organizace vytvořila. Nejde jen o provozní efektivitu, ale o možnost přijímat podložená rozhodnutí s jistotou tam, kde ovlivňují pacienty.

Během příštích pěti let se tato strukturální výhoda bude kumulovat. Organizace s přehledem o celém průběhu budou AI nasazovat účinněji, od adaptivních návrhů reagujících na příchozí data po optimalizaci protokolu podle historických vzorců. Zachytí poznatky zlepšující jejich systémy a rozdíl se zvětší. Pro organizace s roztříštěnými daty bude AI slibná, ale nespolehlivá: systémy fungující v kontrolovaných podmínkách se nemusí spolehlivě přenést do produkčního prostředí.

Otázkou není, zda AI bude důležitá, ale zda existuje datová infrastruktura, díky níž jí lze důvěřovat. Ve většině odvětví zatím neexistuje. Tato práce je teprve před námi.

Děkujeme za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více o klinických studiích navržených od základu kolem AI, vlastnictví dat v celém jejich řetězci a rychlejším provádění studií, mohou navštívit Lindus Health.

Antoine je vizionářský lídr a zakládající partner Unite.AI, kterého pohání neochvějné nadšení pro utváření a podporu budoucnosti umělé inteligence a robotiky. Jako podnikatel, který založil několik společností, věří, že AI promění společnost stejně zásadně jako elektřina, a často s nadšením hovoří o potenciálu převratných technologií a obecné umělé inteligence (AGI).

Jako futurista se věnuje zkoumání toho, jak tyto inovace budou utvářet náš svět. Je také zakladatelem Securities.io, platformy zaměřené na investice do špičkových technologií, které nově definují budoucnost a proměňují celá odvětví.