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

Jay Ferro er Chief Information, Technology and Product Officer hos Clario, han har mere end 25 års erfaring med at lede Information Technology og Product teams, med stærkt fokus på dataprotection og en passion for at skabe teknologier og produkter, der har en meningsfuld indvirkning.

Før han kom til Clario, havde Jay ledende roller, 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 prøver, der tilbyder omfattende endpoint-teknologier til at transformere liv gennem pålidelig og præcis bevisførelse. Specialiseret i onkologi-prøver, lægger Clario vægt på patient-rapporterede resultater (PRO’er) for at forbedre effikacitet, sikre sikkerhed og forbedre livskvalitet, og fremmer elektroniske PRO’er som en mere omkostningseffektiv alternativ til papir. Med ekspertise, der spænder over terapeutiske områder og global reguleringssammenhold, støtter Clario decentraliserede, hybride og site-baserede prøver i over 100 lande, og udnytter avancerede teknologier som kunstig intelligens og tilkoblede enheder. Deres løsninger strømliner prøveprocesser, sikrer overholdelse og retention gennem integreret support og træning for patienter og sponsorer.

Clario har integreret over 30 AI-modeller på tværs af forskellige stadier af kliniske prøver. Kan du give eksempler på, hvordan disse modeller forbedrer bestemte aspekter af prøver, 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 prøver. 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 prøver.

I dag falder vores AI-modeller overvejende i fire kategorier: dataprivatitet, kvalitetskontrolhjælp, læsehjælp og læseanalyse. For eksempel har vi værktøjer i medicinsk billedbehandling, der kan automatisk slette personligt identificerbare 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 korrekt. 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 skivespredning, læsionsspredning og sygdomsdetektion. Derudover 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 selvom vi har gjort stor fremgang, er vi lige begyndt.

Hvordan sikrer Clario, at AI-drevne indsighter opretholder høj nøjagtighed og konsistens på tværs af forskellige prøvemiljøer?

Vi træner vores AI-modeller konstant på store mængder data for at forstå forskellen på god data og data, der ikke er god eller relevant. Som resultat heraf opdager vores AI-drevne dataanalyse, foranalyserer rige datahistorier og fører til højere kvalitetsresultater for vores kunder.

Vores spirometri-løsninger illustrerer pænt, 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 én tvungen åndedrag. Der er en række fejl, der kan opstå, når en patient bruger en spirometer. De kan udføre testen for langsomt, hoste under testen eller ikke være i stand til at lave en fuldstændig tætning omkring spirometrens mundstykke. Enhver af disse variabler kan forårsage en fejl, der måske ikke opdages, før en menneskelig kan analysere resultaterne. Vi har trænet dybe læringmodeller på mere end 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, at nogle patienter måske skal køre flere timer for at deltage i en klinisk prøve. Forestil dig at køre den afstand hjem fra stedet og derefter at få at vide, at du skal tage endnu en 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 en af måderne, vi arbejder på at reducere byrden på steder og patienter.

Kan du uddybe, hvordan Clarios AI-modeller reducerer dataindsamlingstider uden at kompromittere datakvaliteten?

At generere den højeste kvalitetsdata til kliniske prøver er altid vores fokus, men AI-algoritmernes natur betyder, at optagelse og analyse 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 patientdata, mens patienten stadig er på prøvestedet, i stedet for at fortælle dem det dage eller uger senere.

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

I disse dage er en decentraliseret prøve virkelig bare en prøve med en hybrid-komponent. Jeg tror, konceptet med at lade deltagere bruge deres egne enheder eller tilkoblede enheder hjemme åbner døren for større muligheder i prøver, især i forhold til tilgængelighed. At gøre prøver lettere at deltage i er en nøglefokus for vores teknologivej, der sigter mod at udvikle løsninger, der forbedrer patientmangfoldighed, strømliner rekruttering og retention, øger bekvemmelighed for deltagere og udvider muligheder for mere inklusive kliniske prøver. Vi tilbyder hjemme-spirometri, hjemme-blodtryk, eCOA og andre løsninger, der leverer den 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 prøvetider og -omkostninger for farmaceutiske, biotekniske og medicinske enhedsvirksomheder?

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 hvad der aldrig har forladt os, er sikring af, at vi gør det på en ansvarlig måde: ved at holde mennesker i løkken, samarbejde med reguleringer, 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 mener er branchens første principper for ansvarlig brug. Enhver på Clario, der rører AI, følger disse fem principper. Blandt andet tager vi alle foranstaltninger for at sikre, at vi bruger den mest diverse data, der er tilgængelig til at træne vores algoritmer. Vi overvåger og tester for at opdage og afværge risici, og vi bruger kun anonymiseret data til at træne modeller og algoritmer. Når vi anvender disse retningslinjer, når vi udvikler et nyt AI-værktøj, kan vi hurtigt levere præcis data – i stor målestok – som reducerer bias, øger mangfoldighed og beskytter patientprivatliv. Jo hurtigere vi kan få sponsorerne præcis data, jo større indvirkning har det på deres bundlinje og, i sidste ende, patientresultater.

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

Vi ved, at bias opstår, når træningsdata-sættet er for begrænset til dets ønskede brug. Initialt kan data-sættet se ud til at være tilstrækkeligt, men når slutbrugeren begynder at bruge værktøjet og skyder 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 lead-placering i elektrokardiogrammer (ECG’er), så klinikere kan se, om teknikere har sat leadene på patientens krop. Vi har tons af gode data, så vi kan træne modellen 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 kunne potentielt misse fejl, der har indvirkning på behandling.

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

Hvordan integrerer Clarios menneskelig oversigt og overvågning med AI-outputs for at sikre reguleringssammenhold 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 potentiel bias og sikre, at outputs er retfærdige og pålidelige. Jeg tror, at AI er om at supplere videnskab og menneskelig brillans. AI giver mennesker evnen til 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 data-sæt, enten det er patientbilleder eller tidligere prøver 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-indvirkning på kliniske prøver over de næste få år, især i felter 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 billedoptagelse af tumorer, billedforarbejdning, feature-udtrækning og modeludvikling, efterfulgt af validering og klinisk anvendelse. Ved hjælp af stadig mere avanceret AI 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 opdagede 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. Sidste år overtog vi ArtiQ, et belgisk firma, der opbyggede AI-modeller til at forbedre indsamlingen af respirationsdata i kliniske prøver. Deres grundlægger er nu min Chief AI Officer, og vi forventer store ting i respirationsløsninger. Vores tilgang til algoritme-anvendelse er blevet en game-changer, ikke mindst fordi det hjælper med at reducere patient- og stedsbyrde. Når udåndingsdata ikke analyseres i realtid, og en afvigelse opdages senere, tvinger det patienten til at vende tilbage til klinikken for endnu en test. Dette tilføjer ikke kun stress for patienten, men kan også skabe forsinkelser og ekstra omkostninger for prøvesponsor, og det fører til forskellige operationelle udfordringer. Vores nye spirometri-enheder udnytter ArtiQ-modellerne til at adressere denne byrde ved at tilbyde næsten realtid-overlæsninger. Det betyder, at hvis der opstår problemer, identificeres og løses de på stedet, mens patienten stadig er på klinikken.

Til sidst udvikler vi værktøjer, der vil have 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 optager og måler subtile ændringer, oplevet af patienten. Denne teknologi vil hjælpe en multitude 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-effikacitet bedres, og patienter og deres omsorgspersoner kan bedre forberedes på at håndtere sygdommen.

Hvad rol tror du, AI vil spille i udvidelse af diversitet inden for kliniske prøver 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 tilgås fra alle vinkler: teknisk, videnskab, regulering og så videre. I vores industri opnås sandt excellence kun gennem menneskelig samarbejde, som udvider evnen til at stille de rigtige spørgsmål, såsom: “Bruger vi 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 accelerere den for alle patientpopulationer.

Kan du dele Clarios planer eller forudsigelser for udviklingen af AI i den kliniske prøvesektor i 2025 og derefter?

I 2025 vil vi se biopharma udnytte AI og realtidsanalyse som aldrig før. Disse fremskridt vil strømline kliniske prøver 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 sundhedspleje.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Clario.