Matt Walz, administrerende direktør i Trialbee – Intervieserie

Matt Walz er administrerende direktør i Trialbee, en global leder inden for teknologi-drevet 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 i Rollins Corporation, PSCI, Microsoft (MSFT ), 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 stillingen i Trialbee, tilbragte Matt 5 år som generalmanager for Life Sciences og VP Strategic Accounts for Aurea Software, som havde overtaget NextDocs.

Trialbee er et sundheds-teknologiselskab, der strømliner patientrekruttering til kliniske forsøg. Ved at udnytte dataanalyse, digital udstrækning og realverdensbeviser matcher, engagerer og forudkvalificerer det patienter for 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, samtidig med at det reducerer byrden på stederne.

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

AI har været den hurtigst bevægelige teknologitrend, jeg har set i mere end to årtier med arbejde inden for klinisk udvikling – hurtigere end selv de tidlige dage med cloud-adopteringsmuligheder. Det, der har været mest slående for mig, er, hvordan AI er gået fra konceptuel til operationel på tværs af en branche, der typisk 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 målretning, databerigelse, lokalisationer og kommunikation og engagement – som alle er store friktionspunkter for forskningsteams.

Med det sagt er der stadig en vis risiko forbundet med det potentiale. Jeg har talt med ledere i store farmaceutiske virksomheder, der understreger, at selvom AI viser sig i flere punkter i arbejdsprocessen, kan det ikke køre ukontrolleret. Menneskelig oversigt er grundlæggende.

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

Klinisk prøvepatientrekruttering har historisk set været konfronteret med problemer med mangfoldighed, hastighed og nøjagtighed. I din mening, hvordan hjælper AI med at løse disse udfordringer – og hvor falder det stadig kort?

AI hjælper med at strømline nogle af de langsommeste og ressourcekrævende dele af rekrutteringsprocessen. For eksempel kan ting, der tidligere tog uger – som oversættelse af studiematerialer på dusinvis af sprog – nu komprimeres 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 med at levere mere konsistente, kriterie-orienterede interaktioner, fra de materialer vi skaber til forudscreening til chatbots. Disse værktøjer er særligt nyttige til at reducere frafaldspunkter, der langsomer rekrutteringsprocessen.

Diversitet forbliver en udfordring, dog. AI er kun så repræsentativt, som de data det er trænet på, og repræsentationen påvirkes også 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 gennem hele den kliniske forsknings historie, og engagement med AI-værktøjer mødes med varierende grader af skeptisisme. 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, samtidig med at vi sikrer stærk oversigt, især for agentic AI, selvom sikkerhedsforanstaltninger som separate resoneringsemotorer må inkorporeres for at gøre det succesfuldt.

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

Det største hul er manglen på regulatorisk alignment på tværs af geografier. I USA er agenter 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 ét land, kan ikke være det i et andet. Og variationen ligger ikke kun i reguleringer, men også i, hvordan forskellige kanaler eller sociale medie-platforme som Facebook (META ) kan bruges til rekruttering, hvordan personlige data håndteres eller hvordan patientensamtykke indsamles. Disse nuancer kræver operativ fleksibilitet og en dyb forståelse af regionale etiske og compliance-standarder.

Dette er, hvor vores historie af innovation og vores indbyggede 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 vanskeliggøre AI-adopteringsprocessen i kliniske forsøg? Har du oplevet nogen virkelige konsekvenser af dette?

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

I praktisk forstand kan begrænsningerne, som denne dilemma påfører rekrutteringsteams, resultere i forsinkede kampagnelanceringer, yderligere cykler med etiske komiteer og mere komplekse compliance-arbejdsprocesser. Hvis du ikke er dybt bevidst om, hvordan hvert land fortolker AI-brug, især i patient-orienterede anvendelser, 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 datapunkter, men i stedet forbedrer den menneskelige side af forskningen?

En fremragende og vigtig spørgsmål for os alle. Som jeg nævnte tidligere, ser jeg AI som en mulighed for at udvikle mennesker – ikke erstatte dem. Dette er særligt sandt i den meget personlige branche, vi arbejder i, hvor vi prøver 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 tendenser og tilbyde handling, hvor der kan være brug for det. Vi gør meget af dette allerede, og vil fortsætte med at tilføje funktioner for at sikre, at de værdifulde data, der indsamles, kan gøres til umiddelbar brug, der kan gøre en forskel i forsøget. Dette kunne indebære at give daglige indsigt i rekrutteringsfremskridt eller tilbyde opfølgning med bestemte patienter med prædiktiv modellering.

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

Hvilke specifikke kompetencer er mest kritiske for kliniske forskningsteams for at guide og styre AI-værktøjer på en ansvarlig måde i dag?

De mest kritiske kompetencer ligger på tværs af klinisk ekspertise, AI-læsekundskab og regulatorisk flydende. Teams skal forstå, hvordan de kan engagere sig med AI-platforme effektivt ved at tilbyde dem præcision og gennemgang af deres output kritisk.

Der er også en voksende behov for regulatorisk indsigt. Som jeg nævnte tidligere, er dette særligt nødvendigt for områder som agentic AI, hvor vi bygger separate resoneringsemotorer til at fungere som rækværk i patientinteraktioner. Teams skal også være i stand til at evaluere AI-oversatte indhold og verificere dets nøjagtighed og kulturelle relevans, før materialet indsendes til etiske komiteer.

AI-adopteringshastigheden accelererer. Hvad ville du råde kliniske forsøgsstakeholdere, 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 dig at bruge rigtig intelligens. Maskinlæring kan muliggøre fantastiske ting – forudsat det har ekspertisen, konteksten og rækværket fra domæneeksperter bag det.

Min 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 uklare 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-impact-områder, hvor AI kan fjerne friktion, og sikr, at disse er bakket op af den rette oversigt. Vær specifik omkring de værktøjer, du bruger, hvordan de er konfigureret, og mest vigtigt, hvordan du beskytter følsomme oplysninger. Dette er den tilgang, vi tager i Trialbee. Vi taler kun med stakeholdere om kapaciteter, vi aktivt bygger, typisk ikke mere end tre måneder ude, fordi vi ønsker at sikre, at vi kommunikerer, hvad der er virkeligt.

Vi fremhæver 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 til stakeholdere, herunder, hvordan vi isolerer følsomme oplysninger og anvender menneskelig oversigt. Når de ser fordelene i aktion, som tidsbesparelse i oversættelsesarbejdsprocesser eller øget hast i tidlig patient-screening, er de mere tilbøjelige til at komme om bord med den næste AI-anvendelse. 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 mener du, skal blive branchenormer for gennemsigtighed, validering eller revision?

Branchen skal bevæge sig mod fuld gennemsigtighed og sikre, at der 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 resoneringsemotor, der kan evaluere og korrigere samtaler i realtid. Denne type interne kontrolsystem burde blive standard i enhver patient-orienteret anvendelse. Valideringsprotokoller skal også formaliseres, herunder benchmark-test og løbende performancesevalueringer.

Mest vigtigt skal disse standarder integreres i produktudviklingsprocessen og ikke tilføjes efterfølgende. Denne niveau af rigor skal være afgørende for at opretholde patientssikkerhed, opnå regulatorisk tillid og skale AI ansvarligt på tværs af globale kliniske forskningskampagner.

AI-modeller afhænger ofte af historiske datasæt, der kan reflektere systemiske sundhedsbias. Hvordan tilgår du sikring af retfærdighed 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 virkelig 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, Trialbee udvider de data, vores modeller bruger, bygger fællesskabspartnerskaber 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 højniveau-oversigt over de problemer, I løser – og hvordan disse innovationer reflekterer jeres 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 patientregister og brugstilfælde, der understøtter trial-finder-websites for globale biopharma-mærker som BMSClinicalTrials.com. Med AI specifikt vil du se nye funktioner og forbedringer, der rulles ud over de næste 3, 6, 12 måneder og derefter. Vi udvikler chatbots, smarte værktøjer og mere inden for Honey, mens vi også vurderer 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 rolle vil udvikle sig, da AI bliver mere dybt integreret i klinisk forskning? Hvilken rol ser du jeres virksomhed spille i formningen af en mere etisk, effektiv og globalt harmoniseret fremtid for patientrekruttering?

Fem år fra nu ser jeg Trialbee stå som den førende AI-aktiverede serviceudbyder for patientrekruttering i klinisk forskning. Vi integrerer allerede generativ AI i enhver del af rekrutteringsarbejdsprocessen, hvor det kan accelerere hastighed, forbedre nøjagtighed eller øge patientvalg. Som jeg nævnte tidligere, vurderer vi aktivt 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 dette valg 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 oversigtsmekanismer i teknologien selv og være åben om, hvordan vores systemer fungerer. Vi bygger også AI ind i vores organisationskultur – hver afdeling og hver team – så vi er klar til at tilpasse os, når 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 inklusivt og lettere for patienter at tilgå, uanset hvor de bor eller hvilket sprog de taler.

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