Matt Walz, CEO hos Trialbee – Intervju-serie

Matt Walz er administrerende direktør for Trialbee, en global leder inden for teknologi-dreven patientrekruttering. Han har mere end 20 års erfaring med software og ledelse inden for life sciences-industrien. Matt startede sin karriere som udvikler og havde forskellige tekniske og ledelsesroller hos Rollins Corporation, PSCI, Microsoft, Morgan Lewis og Datalabs. I 2006 co-foundede Matt NextDocs, som voksede til at blive en global leder inden for klinisk, kvalitets- og regulatorisk dokumentstyring, hvor han fungerede som CTO, CSO og bestyrelsesmedlem i 9 år. Før han tiltrådte hos Trialbee, tilbragte Matt 5 år som generalmanager for life sciences og VP Strategic Accounts hos Aurea Software, som havde erhvervet NextDocs.

Trialbee er et sundheds-teknologiselskab, der strømliner patientrekruttering for kliniske forsøg. Ved at udnytte dataanalyse, digital udreach og realverdensbevis matcher, engagerer og forkvalificerer det patienter til at accelerere optagelse. Dets platform tilbyder gennemsigtighed på tværs af kilder og samarbejdspartnere, hvilket hjælper sponsorer, CRO’er og forsøgssteder med at styre rekrutteringspipeline mere effektivt, mens de reducerer byrden på stederne.

Du har arbejdet på tværs af både sundheds-teknologi-startups og store kliniske forskningsplatforme. Hvad personlige erfaringer eller øjeblikke i din karriere har ført dig til at erkende potentialet – og faldgruberne – af AI i patientrekruttering?

AI har været den hurtigst bevægelige teknologitrend, jeg har set i over to årtier med arbejde i klinisk udvikling – hurtigere end selv de tidlige dage med cloud-adoptions. Det, der har været mest slående for mig, er, hvordan AI er flyttet fra konceptuel til operationel på tværs af, hvad der typisk er en industri, der er langsom til at adoptere nye teknologier – og prioriteres endda af regulatoriske myndigheder som FDA. For klinisk prøvepatientrekruttering specifikt er vi stadig i de tidlige faser af at lære, hvor det bedst passer. Leverandører og sponsorer udforsker AI til protokoldesign, personas og targeting, databerigelse, lokalisationer og kommunikation og engagement – som alle er store friktionspunkter for forskningsteams.

Med det sagt er der stadig nogen risiko, der følger med det potentiale. Jeg har talt med ledere hos store farmaceutiske virksomheder, der fastslår, at selvom AI viser sig i flere punkter i arbejdsprocessen, kan det ikke løbe ukontrolleret. Menneskelig oversigt er grundlæggende.

Dette er til kvalitets- og sikkerhedsårsager samt fordi virksomheder som Trialbee på vores kerne forbinder os med patienter og familier, der søger håb – en meget menneskelig og empatisk oplevelse, der ikke kan erstattes af AI på en meningsfuld måde for de patienter, vi alle betjener.

Klinisk prøve-rekruttering har historisk set haft problemer med diversitet, hastighed og nøjagtighed. I din mening, hvordan hjælper AI med at løse disse udfordringer – og hvor mangler det stadig?

AI hjælper med at strømline nogle af de langsomste og ressourcekrævende dele af rekrutteringsprocessen. For eksempel ting, der tidligere tog uger – som oversættelse af studiematerialer på dusinvis af sprog – er nu komprimeret til timer. Det betyder, at vi kan starte rekruttering hurtigere på tværs af flere globale markeder.

Når det kommer til nøjagtighed, hjælper AI-drevne agenter os med at levere mere konsekvente, kriterie-orienterede interaktioner, fra de materialer, vi skaber, til preskærmbillede til chatbots. Disse værktøjer er især nyttige til at reducere drop-off-punkter, der langsomer rekrutteringsprocessen.

Diversitet forbliver en udfordring, dog. AI er kun så repræsentativ, som de data, det er trænet på, og repræsentation er også formet af faktorer uden for teknologien – herunder land-for-land regulatoriske begrænsninger, der begrænser, hvordan AI kan bruges i patient-orienterede roller. At opbygge tillid med forsøgsdeltagere har været en udfordring i hele den kliniske forsknings historie, og engagement med AI-værktøjer mødes med varierende grader af skepsis. Med dette i mente støtter vi stærkt en tilgang, der giver mennesker mulighed for at interagere med en live medicinsk professionel eller, for eksempel, en AI-agent. Dette kan hjælpe med at nå deltagere med varierende komfortniveauer omkring AI, mens vi sikrer stærk oversigt, især for agentic AI, selvom sikkerhedsforanstaltninger som separate resonansmotorer må inkorporeres for at gøre det succesfuldt.

Du nævnte tidligere, at AI-værktøjer er blevet udviklet hurtigere end nogen tidligere innovation i patientrekruttering. Men da globale regulatorer kæmper med at følge med, hvilke er de mest presserende oversigts huller, du ser i multinationale kliniske prøve-kampagner?

Det største hull er manglen på regulatorisk alignment på tværs af geografier. I USA er myndigheder som FDA ved at omfavne AI med nye rammer og tidlige gennemgangsprocesser. I modsætning hertil bevæger Europa sig mere forsigtigt, fokuserer på at træde forsigtigt og anvende mere strenge regulatoriske gennemgang.

For virksomheder som os, der opererer globalt, skaber dette en udfordring: Hvad der er acceptabelt i et land, kan ikke være det i et andet. Og variationen er ikke kun i reguleringer, men også i, hvordan forskellige kanaler eller sociale medie-platforme som Facebook kan bruges til rekruttering, hvordan personlige data håndteres eller hvordan patient-samtykke indsamles. Disse nuancer kræver operativ fleksibilitet og en dyb forståelse for regionale etiske og compliance-standarder.

Dette er, hvor vores historie af innovation og vores indre globale kultur er store aktiver, da vi navigerer i det spændende, men også meget dynamiske AI-landskab.

Hvordan kan manglen på global alignment i regulatoriske rammer afspore AI-adoptions i kliniske forsøg? Har du oplevet nogen virkelige konsekvenser af dette?

Absolut. De digitale annonceringsstrategier, vi afhænger af til patientrekruttering, er et godt eksempel her. Facebook er en af de mest effektive platforme globalt, men selv inden for landene, hvor det er tilladt, varierer niveauet for målretning, du er tilladt at gøre, og hvilke data du kan bruge, bredt. Vi bygger interne ekspertise for at overvinde disse forskelle, og vi forventer, at AI-regulering vil følge en lignende vej.

I praktiske termer kan begrænsningerne, denne dilemma påfører rekrutteringsteams, resultere i forsinkede kampagnestarter, yderligere cykler med etiske komiteer og mere komplekse compliance-workflows. Hvis du ikke er dybt bevidst om, hvordan hvert land fortolker AI-brug, især i patient-orienterede ansøgninger, risikerer du at langsommere forsøg eller løbe ind i alvorlige godkendelsesbarrierer.

Trialbee opererer på tværs af data, teknologi og patientengagement. Hvordan sikrer du, at AI-drevne rekrutteringsstrategier ikke reducerer patienter til data-punkter, men i stedet forbedrer den menneskelige side af forskningen?

Et fremragende og vigtigt spørgsmål for os alle. Som jeg nævnte tidligere, ser jeg AI som dens evne til at udvikle mennesker – ikke erstatte dem. Dette er især sandt i den meget personlige industri, vi arbejder i, hvor vi forsøger at hjælpe generationer af patienter med at leve sundere liv verden over. Vores forretning er en varm en, om at forbinde mennesker, og menneskelige væsener vil altid være i hjertet af det.

Når det kommer til dag-til-dag-operationer, vil den bedste AI, vi kan tilbyde – for eksempel inden for vores Honey Platform – være at analysere data og trends og prompte steder og studiehold, hvor handling kan være nødvendig. Vi gør meget af dette allerede, og vi vil fortsætte med at tilføje funktioner for at sikre, at de værdifulde data, der indsamles, anvendes umiddelbart, så det kan gøre en forskel i forsøget. Dette kunne betyde at give daglige indsigt i rekrutteringsfremskridt eller prompte til følge-op med bestemte patienter med predictivt modellering.

Internt bruger vi AI på tværs af vores organisation på en systematisk og samarbejdende måde. Et par gode eksempler her kunne være oversættelse af rekrutteringsmaterialer og AI-drevet undertrykkelse af potentiel PII-data – disse vil altid være overvåget af en erfaren menneskelig. Så du vil håbefuldt se, hvordan vi bruger AI til at gøre vores fantastiske team stærkere, og ikke omvendt.

Hvad specifikke kompetencer er mest kritiske for kliniske forskningsteams til at ansvarligt guide og styre AI-værktøjer i dag?

De mest kritiske kompetencer ligger på tværs af klinisk ekspertise, AI-litteratus og regulatorisk dygtighed. Teams skal forstå, hvordan de kan engagere med AI-platforme effektivt ved at prompte dem med præcision og gennemgå deres output kritisk.

Der er også en voksende behov for regulatorisk indsigt. Som jeg nævnte tidligere, er dette især nødvendigt for områder som agentic AI, hvor vi bygger separate resonansmotorer til at tjene som guardrails i patient-interaktioner. Teams skal også være i stand til at evaluere AI-oversatte indhold og verificere dets nøjagtighed og kulturel relevans, før materialer indsendes til etiske komiteer.

AI-adoptions er accelererende. Hvad råd ville du give til kliniske prøve-stakeholdere, der er tøvende eller overvældede af kompleksiteten ved at integrere AI i deres arbejdsprocesser?

Nogen sagde engang, når du begynder at arbejde med AI, skal du sikre, at du bruger rigtig intelligens. Maskinlæring kan enable fantastiske ting – forudsat, at det har ekspertisen, konteksten og guardrails af domæne-eksperter bag det.

Mit råd er at starte småt og forblive grundet i, hvad du kan levere i dag. En af de største fejl, jeg ser, er virksomheder, der læner for langt ind i vagt løfter om AI-transformation uden at artikulere, hvordan det faktisk fungerer eller hvornår det vil være klart. Mens disse løfter måske lyder godt i øjeblikket, kan de undergrave tillid, fordi de ikke viser bevis for en rigtig plan.

Den bedre vej er at bryde adoption ned i små, definerede skridt med klare resultater. Vælg ét eller to høj-impakt-områder, hvor AI kan fjerne friktion og sikre, at disse er bakket op af den rigtige oversigt. Vær specifik omkring de værktøjer, du bruger, hvordan de er opsat, og mest vigtigt, hvordan du beskytter følsomme oplysninger. Dette er den tilgang, vi tager hos Trialbee. Vi taler kun med stakeholdere om kapaciteter, vi aktivt bygger, typisk ikke mere end tre måneder ud, fordi vi vil sikre, at vi kommunikerer, hvad der er rigtigt.

Hos Trialbee beder vi i øjeblikket en anden afdeling eller team hver uge om at præsentere use-cases, der har virket for dem. Vi diskuterer, hvordan det fungerer, samt udfordringer og løsninger, så andre kan replikere deres AI-succes for at forbedre effektivitet, kunde-levering eller rekrutteringsresultater.

Vi understreger også gennemsigtighed omkring de værktøjer, vi bruger til at bygge disse kapaciteter. Hvis vi bruger OpenAI’s ChatGPT eller Anthropic’s Claude, for eksempel, beskriver vi opsætningen for stakeholdere, herunder, hvordan vi isolerer følsomme oplysninger og anvender menneskelig oversigt. Når de ser gevinsten i aktion, som tidsbesparelse i oversættelses-workflows eller øget hast i tidlig patient-screening, er de mere tilbøjelige til at komme om bord med det næste AI-brugs-tilfælde. Og så er det mindre om at sælge den store vision og mere om at bevise værdi skridt for skridt.

FDA og andre regulatorer begynder at stille hårdere spørgsmål om AI-modeller, der bruges i lægemiddeludvikling. Hvad slags gennemsigtighed, validering eller revisionstandarder tror du, skal blive branchenormer?

Branchen skal bevæge sig mod fuld gennemsigtighed og sikre, at der altid er menneskelig oversigt i hver AI-assisteret beslutning. For at nævne et par eksempler:

Når vi taler om agentic AI, arbejder vi allerede på at indbygge regulatorisk logik i en separat resonansmotor, der kan evaluere og korrigere samtaler i realtid. Den type interne kontrolsystem burde blive standard i enhver patient-orienteret ansøgning. Valideringsprotokoller skal også formaliseres, herunder benchmark-test og løbende performances-evalueringer.

Mest vigtigt skal disse standarder integreres i produktudviklingsprocessen og ikke boltet på efterfølgende. Den niveau af rigor skal være afgørende for at opretholde patient-sikkerhed, tjene regulatorisk tillid og skala AI ansvarligt på tværs af globale kliniske forsknings-kampagner.

AI-modeller afhænger ofte af historiske datasets, der kan reflektere systemiske sundheds-forskelle. Hvordan nærmer du dig sikring af lighed og diversitet i patientrekruttering, især for underrepræsenterede befolkningsgrupper?

Ikke at have AI har ikke været, hvad der har holdt diversitet i klinisk forskning tilbage – ikke at prioritere en plan er. Og AI kan ikke rigtigt hjælpe med det. Når der er en reel forpligtelse, kan AI være et kraftfuldt værktøj, der absolut hjælper os med at nå underrepræsenterede grupper mere effektivt, men kun hvis vi er intentionelle. Det er derfor, vi hos Trialbee udvider de data, vores modeller bruger, bygger fællesskabs-partnerskaber og overvåger konstant rekrutteringsresultater for at sikre, at ingen gruppe bliver efterladt.

Du nævnte, at dit team ruller nye AI-relaterede produkter ud senere i år. Kan du give en high-level preview af de problemer, du løser – og hvordan disse innovationer reflekterer din bredere filosofi omkring ansvarlig AI-brug?

Trialbee har en kultur af innovation, og AI er en stor og voksende komponent heri. I år alene har vores Honey Platform rullet nye site-workflows ud, en sponsor-specifik patient-registreringsdatabase og use-cases, der understøtter trial-finder-websites for globale biopharma-mærker som BMSClinicalTrials.com. Med AI specifikt vil du se nye funktioner og forbedringer rulle ud over de næste 3, 6, 12 måneder og derefter. Vi udvikler chatbots, smarte værktøjer og mere inden for Honey, mens vi også evaluerer nye måder at strømline processer for vores kunder på. Internt bruger vi det til at blive mere målrettet, mere intentionel, mere inklusiv og mere effektiv i alt, hvad vi gør – med en erfaren teammedlem, der driver hver beslutning og fortolker kontekst for alle de AI-modeller, vi bruger.

Set fem år frem, hvordan forestiller du dig, Trialbees rol udvikler sig, da AI bliver mere dybt integreret i klinisk forskning? Hvilken rol ser du din virksomhed spille i formningen af en mere etisk, effektiv og globalt harmoniseret fremtid for patientrekruttering?

Fem år fra nu ser jeg Trialbee stående som den førende AI-aktiverede serviceudbyder for patientrekruttering i klinisk forskning. Vi integrerer allerede generativ AI i hver del af rekrutterings-workflow, hvor det kan accelerere hastighed, forbedre nøjagtighed eller øge patient-valgmuligheder. Som jeg nævnte tidligere er vi aktivt med at evaluere værktøjer, der giver patienter mulighed for at interagere med en live medicinsk professionel eller en AI-agent, afhængigt af deres præference og komfortniveau. Vi mener, at give mennesker denne mulighed er nøgle til at øge tillid og deltagelse over tid.

Etisk er vi forpligtet til at sikre, at AI implementeres med regulatorisk rigor og gennemsigtighed. Det betyder at indbygge oversigts-mekanismer i teknologien selv og være åben om, hvordan vores systemer fungerer. Vi bygger også AI ind i kulturen i vores organisation – hver afdeling og hver team – så vi er klar til at tilpasse os, da teknologien udvikler sig. Til sidst ønsker vi at være en virksomhed, der hjælper med at definere, hvordan AI bruges ansvarligt på tværs af klinisk forskning. Hvis vi gør det rigtigt, kan vi hjælpe med at forme en fremtid, hvor forsøg er hurtigere, mere inklusive og lettere for patienter at få adgang til, uanset hvor de bor eller hvilket sprog de taler.

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