Jay Ferro, Chief Information, Technology and Product Officer, Clario – Intervieuserie

Jay Ferro er Chief Information, Technology and Product Officer hos Clario, og han har mere end 25 års erfaring med at lede informations teknologi- og produktteams, med stærk fokus på dataskyning og en passion for at skabe teknologier og produkter, der har en betydning.

Før han kom til Clario, havde Jay ledende stillinger, herunder CIO, CTO og CPO, i globale organisationer som Quikrete Companies og American Cancer Society. Han er også medlem af bestyrelsen i Allata, LLC. Hans professionelle præstationer er blevet anerkendt flere gange, herunder priser fra Atlanta Technology Professionals som Executive Leader of the Year og HMG Strategy som Mid-Cap CIO of the Year.

Clario er en leder inden for kliniske forsøg, og tilbyder omfattende endpoint-teknologier til at transformere liv gennem pålidelig og præcis bevisfremstilling. Specialiseret i onkologiske forsøg, lægger Clario vægt på patientrapporterede resultater (PRO’er) for at forbedre effektiviteten, sikre sikkerheden og forbedre livskvaliteten, og fremmer elektroniske PRO’er som en mere omkostningseffektiv alternativ til papir. Med ekspertise inden for terapeutiske områder og global regulatorisk overholdelse, støtter Clario decentraliserede, hybride og sted-baserede forsøg i over 100 lande, og udnytter avancerede teknologier som kunstig intelligens og forbundne enheder. Deres løsninger strømlinjer forsøgsprocesser, sikrer overholdelse og retention gennem integreret support og træning for patienter og sponsorer.

Clario har integreret over 30 AI-modeller på tværs af forskellige faser af kliniske forsøg. Kan du give eksempler på, hvordan disse modeller forbedrer bestemte aspekter af forsøg, såsom onkologi eller kardiologi?

Vi bruger vores AI-modeller til at levere hastighed, kvalitet, præcision og privatliv til vores kunder i mere end 800 kliniske forsøg. Jeg er stolt af, at vores værktøjer ikke bare er en del af AI-hype-cyklen – de leverer reel værdi til vores kunder i disse forsøg.

I dag falder vores AI-modeller overvejende i fire kategorier: dataskyning, kvalitetskontrolhjælp, læsehjælp og læseanalyse. For eksempel har vi værktøjer i medicinsk billedbehandling, der kan automatisk slette personfølsomme oplysninger (PII) i statiske billeder, videoer eller PDF’er. Vi bruger også AI-værktøjer, der leverer data med hurtige kvalitetsvurderinger på upload-tidspunktet – så der er stor tillid til, at data er korrekte. Vi har udviklet et værktøj, der overvåger ECG-data kontinuerligt for signal-kvalitet, og et andet, der bekræfter korrekte patient-identifikatorer. Vi har udviklet et læsehjælpsværktøj, der muliggør skæreforudsigelse, læsionsspredning og sygdomsdetektering. Desuden har vi forbedret læseanalyse ved at automatisere og standardisere datafortolkning med værktøjer som AI-understøttet kvantitativ ulcerativ kolit Mayo-scoring.

Det er blot nogle få eksempler på de typer af AI-modeller, vi har udviklet siden 2018, og selv om vi har gjort stor fremgang, er vi kun lige begyndt.

Hvordan sikrer Clario, at AI-drevne indsigt holder højt niveau af nøjagtighed og konsistens på tværs af forskellige forsøgsmiljøer?

Vi træner vores AI-modeller kontinuerligt på store mængder data for at forstå forskellen på god data og data, der ikke er gode eller relevante. Som resultat heraf kan vores AI-drevne dataanalyse detektere, foranalysererige datahistorier og føre til højere kvalitetsresultater for vores kunder.

Vores spirometri-løsninger illustrerer godt, hvorfor vi gør det. Klinikere bruger spirometri til at hjælpe med at diagnostisere og overvåge visse lungelidelser ved at måle, hvor meget luft en patient kan ånde ud i ét tvunget åndedrag. Der kan opstå fejl, når en patient bruger en spirometer. De kan udføre testen for langsomt, hoste under testen eller ikke kunne lave en komplet tætning omkring spirometerets mundstykke. Disse variabler kan forårsage en fejl, der måske ikke opdages, før en menneskelig kan analysere resultaterne. Vi har trænet dybe læringmodeller på over 50.000 eksempler for at lære forskellen på en god læsning og en dårlig læsning. Med vores enheder og algoritmer kan klinikere se værdien af data i næsten realtid i stedet for at skulle vente på menneskelig analyse. Det betyder noget, fordi nogle patienter måske skal køre flere timer for at deltage i et klinisk forsøg. Forestil dig, at du kører den afstand hjemmefra stedet og finder ud af, at du skal tage en ny spirometri-test den følgende uge, fordi den første viste en fejl. Vores AI-modeller leverer nøjagtige overlæsninger, mens patienten stadig er på stedet. Hvis der er en fejl, kan den rettes på stedet. Det er blot ét af de måder, vi arbejder på at reducere byrden på steder og patienter.

Kan du uddybe, hvordan Clarios AI-modeller reducerer dataindsamlingstider uden at gå på kompromis med datakvaliteten?

At generere de højeste kvalitetsdata til kliniske forsøg er altid vores fokus, men naturerne af vores AI-algoritmer betyder, at indsamlings- og analyseprocessen accelereres dramatisk. Som jeg nævnte, tillader vores algoritmer os at udføre kvalitetskontrolanalyse hurtigere og med en højere præcision end menneskelig fortolkning. De tillader os også at udføre kvalitetskontroller, mens data indtastes. Det betyder, at vi kan identificere manglende, fejlbehæftede eller dårlige kvalitetspatientdata, mens patienten stadig er på forsøgsstedet, i stedet for at fortælle dem det dage eller uger senere.

Hvordan adresserer Clario udfordringerne i forbindelse med decentraliserede og hybride forsøg, især i forhold til dataskyning, patientengagement og datakvalitet?

I disse dage er et decentraliseret forsøg bare et forsøg med en hybrid-komponent. Jeg tror, at konceptet med at lade deltagere bruge deres egne enheder eller forbundne enheder hjemme åbner døren til større muligheder i forsøg, især i forhold til tilgængelighed. At gøre forsøg lettere at deltage i er en nøglefokus for vores teknologivej, der sigter på at udvikle løsninger, der forbedrer patientmangfoldighed, strømlinjer rekruttering og retention, øger bekvemmelighed for deltagere og udvider muligheder for mere inklusive kliniske forsøg. Vi tilbyder spirometri hjemme, blodtryk hjemme, eCOA og andre løsninger, der leverer samme dataintegritet som mere traditionelle løsninger, og vi gør det i samarbejde med vores endpoint- og terapeutiske områdeseksperter. Resultatet er en bedre patientoplevelse for bedre endpoint-data.

Hvad er de unikke fordele, som Clarios AI-drevne tilgang tilbyder for at reducere forsøgstider og -omkostninger for farmaceutiske, biotekniske og medicinske enhedsfirmaer?

Vi har udviklet AI-værktøjer siden 2018, og de har gennemtrængt alt, hvad vi laver internt og bestemt også på tværs af vores produktmix. Og det, der aldrig har forladt os, er sikring af, at vi gør det på en ansvarlig måde: ved at holde mennesker i løkken, samarbejde med regulatorer, samarbejde med vores kunder og inkludere vores juridiske, privatlivs- og videnskabsteams for at sikre, at vi gør alt det rigtige.

Ansvarlig udvikling og implementering af AI skal påvirke vores kunder på en række positive måder. Grundlaget for vores AI-program er bygget på, hvad vi tror er branchens første principper for ansvarlig brug. Enhver person på Clario, der arbejder med AI, følger disse fem principper. Blandt andet tager vi alle foranstaltninger for at sikre, at vi bruger de mest diverse data tilgængelige til at træne vores algoritmer. Vi overvåger og tester for at opdage og afhjælpe risici, og vi bruger kun anonymiserede data til at træne modeller og algoritmer. Når vi følger disse retningslinjer, når vi udvikler et nyt AI-værktøj, kan vi hurtigt levere præcise data – i stor målestok – der reducerer bias, øger mangfoldighed og beskytter patientprivatliv. Jo hurtigere vi kan give sponsorerne nøjagtige data, jo større indvirkning har det på deres bundlinje og, i sidste instans, patientresultater.

AI-modeller kan nogen gange reflektere bias, der er indbygget i data. Hvad gør Clario for at sikre retfærdig og upartisk dataanalyse i forsøg?

Vi ved, at bias opstår, når træningsdatasset er for begrænset til dets ønskede brug. Initiativt kan datasset synes tilstrækkeligt, men når slutbrugeren begynder at bruge værktøjet og presser AI’en ud over, hvad den er trænet til at reagere på, kan det føre til fejl. Clarios Chief Medical Officer, Dr. Todd Rudo, bruger ofte dette eksempel: Vi kan træne en model til at bestemme korrekt led-placering i elektrokardiogrammer (ECG’er), så klinikere kan se, om teknikere har sat ledene på de rigtige steder på patientens krop. Vi har tons af godt data, så vi kan træne denne model på 100.000 ECG’er. Men hvad sker der, hvis vi kun træner vores AI-model med data fra voksne tests? Hvordan vil modellen reagere, hvis en ECG udføres på en 2-årig patient? Det kan potentielt overse fejl, der har indvirkning på behandlingen.

Det er derfor, at Clarios produkt-, data-, R&D- og videnskabsteams alle arbejder tæt sammen for at sikre, at vi bruger de mest omfattende træningsdata til at sikre nøjagtighed og pålidelighed i virkelige anvendelser. Vi bruger de mest diverse data tilgængelige til at træne algoritmerne, der er integreret i vores produkter. Det er også derfor, vi insisterer på at bruge menneskelig oversigt til at afhjælpe risici under udvikling og brug af AI.

Hvordan integrerer Clarios menneskelig oversigt og overvågning med AI-outputs for at sikre regulatorisk overholdelse og etiske standarder?

Menneskelig oversigt betyder, at vi har hold af mennesker, der ved præcis, hvordan vores modeller er udviklet, trænet og valideret. Både under udvikling og efter, at vi har integreret en model i en teknologi, overvåger vores eksperter outputs for at opdage potentielt bias og sikre, at outputs er retfærdige og pålidelige. Jeg tror, at AI handler om at supplere videnskab og menneskelig brillans. AI giver mennesker mulighed for at fokusere på en højere niveau af udfordring. Vi er bemærkelsesværdigt gode til at løse problemer og stadig bedre til intuition og nuance end maskiner. Hos Clario bruger vi AI til at fjerne byrden på gentagne ting. Vi bruger det til at analysere brede datasæt, enten det er patientbilleder eller tidligere forsøg eller noget andet, vi ønsker at analysere. Generelt kan maskiner gøre det hurtigere, og i nogle tilfælde bedre end mennesker kan. Men de kan ikke erstatte menneskelig intuition og den videnskab og virkelige erfaring, som de fantastiske mennesker i vores industri har.

Hvordan ser du AI vil påvirke kliniske forsøg over de næste få år, især inden for områder som onkologi, kardiologi og respirationsstudier?

I onkologi er jeg begejstret for at fremme brugen af anvendt AI i radiomik, der udtrækker kvantitative mål fra medicinske billeder. Radiomik omfatter flere trin, herunder billedindfåelse af tumorer, billedforarbejdning, funktionsekstraktion og modeludvikling, efterfulgt af validering og klinisk anvendelse. Ved hjælp af stadig mere avancerede AI-værktøjer vil vi være i stand til at forudsige tumoradfærd, tilpasse behandlingssvar og forudsige patientresultater på basis af ikke-invasiv billedanalyse af tumorer. Vi vil være i stand til at bruge det til at opdage tidlige tegn på sygdom og tidlig opdagektion af sygdomsrecidiv. Da mere avancerede AI-værktøjer bliver mere integreret i radiomik og kliniske arbejdsprocesser, vil vi se enorme fremskridt i onkologi og patientpleje.

Jeg er lige så begejstret for fremtiden for respirationsstudier. I sidste år erhvervede vi ArtiQ, et belgisk firma, der opbyggede AI-modeller til at forbedre indsamlingen af respirationsdata i kliniske forsøg. Deres grundlægger er nu min Chief AI Officer, og vi forventer store ting i respirationsløsninger. Vores tilgang til algoritmeansøgning er blevet en game-changer, ikke mindst fordi det hjælper med at reducere patient- og stedbyrden. Når udåndingsdata ikke analyseres i realtid, og en anomali opdages senere, tvinger det patienten til at vende tilbage til klinikken for en ny test. Dette ikke kun tilføjer stress for patienten, men kan også skabe forsinkelser og ekstra omkostninger for forsøgssponsor, og det kan føre til forskellige operationelle udfordringer. Vores nye spirometri-enheder udnytter ArtiQ-modellerne til at adresse denne byrde ved at tilbyde næsten realtid-overlæsninger. Det betyder, at hvis der opstår problemer, kan de identificeres og løses med det samme, mens patienten stadig er på klinikken.

Til sidst udvikler vi værktøjer, der vil have en indvirkning på tværs af terapeutiske områder. Snart vil vi se AI levere stadig mere værdi i elektroniske kliniske resultatanalyser (eCOA). Vi vil se AI-modeller, der indfanger og måler subtile ændringer, oplevet af patienten. Denne teknologi vil hjælpe en mangfoldighed af forskere, men for eksempel vil Alzheimer-forskere være i stand til at forstå, hvor patienten er i sygdommens stadium. Med denne viden kan lægemiddel-effekten bedres, og patienter og deres omsorgspersoner kan bedre forberedes på at håndtere sygdommen.

Hvad rol tror du, AI vil spille i udvidelsen af diversitet inden for kliniske forsøg og forbedring af sundhedsulighed på tværs af patientpopulationer?

Hvis du kun ser på AI gennem en teknisk linse, tror jeg, du kommer i vanskeligheder. AI skal tilganges fra alle vinkler: teknisk, videnskabelig, regulatorisk og så videre. I vores industri opnås sandt excellence kun gennem menneskelig samarbejde, der udvider evnen til at stille de rigtige spørgsmål, såsom: “Er vi trænende modeller, der tager hensyn til alder, køn, seksuel orientering, race og etnicitet?” Hvis alle andre i vores industri stiller disse typer af spørgsmål, før de udvikler værktøjer, vil AI ikke blot accelerere lægemiddeludvikling, men også gøre det for alle patientpopulationer.

Kan du dele Clarios planer eller forudsigelser for AI’s udvikling i kliniske forsøg i 2025 og derefter?

I 2025 vil vi se biopharma udnytte AI og realtidsanalyse som aldrig før. Disse fremskridt vil strømlinje kliniske forsøg og forbedre beslutningstagning. Ved at accelerere studiebygning og implementere risikobaseret overvågning vil vi være i stand til at accelerere tidsrammer, lette byrden på patienter og enable sponsorer til at levere livreddende behandlinger med større præcision og effektivitet. Dette er en spændende tid for os alle, da vi arbejder sammen om at transformere sundhedssektoren. Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Clario.