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

Jay Ferro on Clarion Chief Information, Technology and Product Officer, ja hänellä on yli 25 vuoden kokemus johtaa tietohallinto- ja tuotetiimejä, vahvalla painotuksella tietosuojalle ja intohimolla luoda teknologioita ja tuotteita, jotka tekevät merkittävää vaikutusta.

Ennen liittymistään Clarioon Jay toimi johtavissa rooleissa, kuten CIO, CTO ja CPO, globaaleissa organisaatioissa, kuten Quikrete Companies ja American Cancer Society. Hän on myös Allata, LLC:n hallituksen jäsen. Hänen ammatilliset saavutuksensa on tunnustettu useita kertoja, mukaan lukien palkinnot Atlanta Technology Professionalsilta Executive Leader of the Year ja HMG Strategylta Mid-Cap CIO of the Year.

Clario on johtava kliinisen tutkimuksen hallinnassa, tarjoamalla kattavat päätepisteteknologiat muuttaa elämiä luotettavan ja tarkan todistusaineiston tuottamisen kautta. Erikoistuen onkologian tutkimuksiin, Clario korostaa potilasraportoitujen tuloksia (PRO) parantamaan tehokkuutta, varmistamaan turvallisuutta ja parantamaan elämänlaatua, puolustamalla sähköisiä PRO:ja kustannustehokkaampana vaihtoehtona paperiin. Asiantuntemuksella, joka kattaa terapeuttisia alueita ja globaaleja säädöksiä, Clario tukee hajautettuja, hybridejä ja paikallisia tutkimuksia yli 100 maassa, hyödyntäen edistyneitä teknologioita, kuten tekoälyä ja kytkettyjä laitteita. Heidän ratkaisunsa suoristavat tutkimusprosesseja, varmistamalla vaatimustenmukaisuuden ja pidon kautta integroidun tuen ja koulutuksen potilaille ja sponsoreille.

Clario on integroinut yli 30 tekoälymallia kliinisiin tutkimuksiin. Voitko antaa esimerkkejä siitä, miten nämä mallit parantavat tiettyjä tutkimuksen osa-alueita, kuten onkologiaa tai kardiologiaa?

Käytämme tekoälymallejamme toimittamaan nopeutta, laatua, tarkkuutta ja yksityisyyttä asiakkaillemme yli 800 kliinisessä tutkimuksessa. Olen ylpeä siitä, että työkalumme eivät ole vain osa tekoälyn hype-sykliä – ne toimittavat todellista arvoa asiakkaillemme näissä tutkimuksissa.

Tänään tekoälymallimme kuuluvat pääasiassa neljään kategoriaan: tietosuojan, laadunvalvonnan avustuksen, lukemisen avustuksen ja lukemisen analyysin. Esimerkiksi meillä on työkaluja lääketieteellisessä kuvantamisessa, jotka voivat automaattisesti poistaa henkilökohtaisia tunnistetietoja (PII) staattisista kuvista, videoista tai PDF-tiedostoista. Käytämme myös tekoälytyökaluja, jotka toimittavat nopean laadunarvioinnin aikana, jolloin on paljon luottamusta kyseiseen dataan. Olemme kehittäneet työkalun, joka valvoo jatkuvasti ECG-dataa signaalin laadun osalta, ja toisen, joka vahvistaa oikeat potilastunnisteet. Olemme kehittäneet lukemisen avustustyökalun, joka mahdollistaa viipaleen ennusteen, kasvaimen etenemisen ja sairauden havaitsemisen. Lisäksi olemme parantaneet lukemisen analyysiä automatisoimalla ja standardoimalla tietojen tulkinnan työkaluilla, kuten tekoälytukea kvantitatiivisella ulceratiivisella koliitin Mayo-pisteityksellä.

Nuo ovat vain muutamia esimerkkejä tekoälymalleista, joita olemme kehittäneet vuodesta 2018 lähtien, ja vaikka olemme tehneet paljon edistystä, olemme vasta aloittamassa.

Miten Clario varmistaa, että tekoälyohjatut havainnot säilyttävät korkean tarkkuuden ja johdonmukaisuuden erilaisissa tutkimaympäristöissä?

Olemme jatkuvasti kouluttamassa tekoälymallejamme valtavalle määrälle dataa ymmärtääksemme eroa hyvän ja ei-hyvän tai asiaankuuluvan datan välillä. Tuloksena on, että tekoälyohjattu datan analyysi havaitsee, esianalysoi rikkaat datahistoriat ja johtaa lopulta korkealaatuisiin tuloksiin asiakkaillemme.

Hengitystieongelmien ratkaisumme havainnollistavat hyvin, miksi teemme niin. Kliinikot käyttävät spirometriaa auttamaan diagnostiikassa ja seuraamaan tiettyjä keuhkosairauksia mittaamalla, kuinka paljon ilmaa potilas voi hengittää ulos yhdessä voimakkaassa puhalluksessa. On olemassa useita virheitä, jotka voivat tapahtua, kun potilas käyttää spirometriaa. He saattavat suorittaa testin liian hitaasti, yskiä testin aikana tai ei pysty tekemään täydellistä sinettiä spirometrin suukappaleen ympärillä. Näiden muuttujien minkä tahansa virhe voi aiheuttaa virheen, joka ei välttämättä havaita, kunnes ihminen voi analysoida tulokset. Olemme kouluttaneet syvän oppimismallin yli 50 000 esimerkin oppimaan eroa hyvästä ja huonosta lukemasta. Laitteidemme ja algoritmien avulla kliinikot voivat nähdä datan arvon lähes reaaliajassa, eikä heidän tarvitse odottaa ihmisen analyysiä. Se on tärkeää osittain, koska jotkut potilaat saattavat joutua ajamaan useita tunteja osallistuakseen kliiniseen tutkimukseen. Kuvittele, että ajat kuorman tuntien päässä tutkimuspaikasta vain oppiaksesi, että sinun on osallistuttava toiseen spirometrian testiin seuraavana viikonloppuna, koska ensimmäinen testi osoitti virheen. Tekoälymallimme toimittavat tarkan ylänäkymän, kun potilas on vielä tutkimuspaikalla. Jos on virhe, se voidaan korjata paikan päällä. Se on vain yksi tapa, jolla työskentelemme vähentääksemme kuorman tutkimuspaikoilla ja potilailla.

Voitko selittää, miten Clarion tekoälymallit vähentävät datan keräämisen aikaa ilman vaarantamatta datan laatua?

Luotettavimman datan tuottaminen kliinisiin tutkimuksiin on aina fokus, mutta tekoälyalgoritmien luonne tarkoittaa, että kerääminen ja analyysi nopeutuvat dramaattisesti. Kuten mainitsin, algoritmimme sallivat nopeamman ja tarkemman laadunvalvonnan kuin ihmisen tulkinta. Ne myös sallivat meidän suorittaa laadunvalvontaa, kun data syötetään. Se tarkoittaa, että voimme tunnistaa puuttuvan, virheellisen tai huonolaatuisen potilastiedon, kun potilas on vielä tutkimuspaikalla, eikä meidän tarvitse ilmoittaa siitä päivien tai viikkojen kuluttua.

Miten Clario vastaa hajautettujen ja hybridi-kokeiden haasteisiin, erityisesti tietosuojan, potilaiden sitoutumisen ja datan laadun osalta?

Nykyään hajautettu koe on vain koe, jossa on hybridi-komponentti. Luulen, että idean antaa osallistujien käyttää omia laitteita tai kytkettyjä laitteita kotona avaa ovia suurempiin mahdollisuuksiin kokeissa, erityisesti saavutettavuuden suhteen. Tekevät kokeet helpommaksi osallistua on tärkeä fokus meidän teknologisen tiekarttamme, jonka tavoitteena on kehittää ratkaisuja, jotka parantavat potilaiden monimuotoisuutta, suoristavat rekrytointia ja pidon, lisäävät osallistujien mukavuutta ja laajentavat mahdollisuuksia monipuolisempiin kliinisiin kokeisiin. Tarjoamme kotiin spirometrian, kotiin verenpaineen, eCOA:n ja muita ratkaisuja, jotka toimittavat saman datan eheyden kuin perinteisemmät ratkaisut, ja teemme sen yhteistyössä päätepisteen ja terapeuttisen alan asiantuntijoiden valvonnassa. Tuloksena on parempi potilaskokemus paremman päätepisteen datan vuoksi.

Mitä ainutlaatuisia etuja Clarion tekoälyohjattu lähestymistapa tarjoaa vähentääkseen kokeiden aikatauluja ja kustannuksia lääke-, biotekniikka- ja lääkintälaitteiden valmistajille?

Olemme kehittäneet tekoälytyökaluja vuodesta 2018 lähtien, ja ne ovat vaikuttaneet kaikkeen, mitä teemme sisäisesti ja varmasti tuotteen sekoitukseen. Ja mitä meillä ei koskaan jätetty, on varmistettu, että teemme sen vastuullisella tavalla: pitämällä ihmisiä silmällä, yhteistyössä sääntelijöiden, asiakkaiden, lakien, yksityisyyden ja tieteen tiimien kanssa varmistaaksemme, että teemme kaiken oikein.

Vastuullinen tekoälyohjelmien kehittäminen ja käyttöönotto pitäisi vaikuttaa asiakkaidemme kannalta monin tavoin. Tekoälyohjelmaamme perustuu sille, mitä uskomme olevan alan ensimmäinen Vastuullisen käytön periaatteita. Kuka tahansa Clariossa, joka koskee tekoälyä, noudattaa näitä viittä periaatetta. Niiden joukossa otamme jokaisen tarpeellisen toimen varmistamaan, että käytämme koulutusdataa, joka on saatavilla. Seuraamme ja testaamme riskien havaitsemiseksi ja vähentämiseksi, ja käytämme vain anonymisoitua dataa kouluttamaan malleja ja algoritmeja. Kun sovelletaan näitä ohjeita kehittäessä uutta tekoälytyökalua, pystymme nopeasti toimittamaan tarkkaa dataa – suurten mittakaavoissa – joka vähentää harhaa, lisää monimuotoisuutta ja suojaa potilaiden yksityisyyttä. Mitä nopeammin pystymme toimittamaan sponsoreille tarkkaa dataa, sitä enemmän vaikutusta sillä on heidän liiketoimintaansa ja lopulta potilaiden tuloksiin.

Teckoälymallit voivat joskus heijastaa harhaa, joka on sisäänrakennettu dataan. Mitkä toimenpiteet Clario toteuttaa varmistaakseen reilun ja puolueettoman datan analyysin kokeissa?

Tiedämme, että harha tapahtuu, kun koulutusdatat on rajoitettu tarkoituksenmukaiseen käyttöön. Aluksi datat näyttävät riittävältä, mutta kun lopputulos alkaa käyttää työkalua ja työntää tekoälyä sen rajojen ulkopuolelle, se voi johtaa virheisiin. Clarion Chief Medical Officer, Dr. Todd Rudo, käyttää usein tätä esimerkkiä: Voimme kouluttaa mallin määrittämään oikean johtimien sijoittelun elektrokardiogrammeissa (ECG), jotta kliinikot voivat kertoa, onko tekniikot asettaneet johtimet oikeaan paikkaan potilaan kehossa. Meillä on paljon hyvää dataa, jotta voimme kouluttaa mallin 100 000 ECG:lle. Mutta mitä tapahtuu, jos koulutamme tekoälymallin vain aikuisten testien datalla? Miten malli reagoi, jos ECG tehdään 2-vuotiaalle potilaalle? Selvästi se voi johtaa virheisiin, jotka vaikuttavat hoitoon.

Siksi Clariossa tuote-, data-, tutkimus- ja tieteen tiimimme työskentelevät tiiviisti yhdessä varmistaaksemme, että käytämme kattavinta koulutusdataa varmistaaksemme tarkkuuden ja luotettavuuden todellisissa sovelluksissa. Käytämme kaikkein monipuolisinta dataa, joka on saatavilla, kouluttaaksemme algoritmeja, jotka sisällytetään tuotteisiimme. Se on myös syy, miksi vaadimme ihmisten valvontaa riskien vähentämiseksi tekoälyn kehittämisessä ja käytössä.

Miten Clarion ihmisten valvonta ja seuranta prosessi integroituu tekoälytuotoksiin varmistaaksemme sääntelynmukaisuuden ja eettiset standardit?

Ihmisten valvonta tarkoittaa, että meillä on joukko ihmisiä, jotka tietävät tarkalleen, miten mallimme on kehitetty, koulutettu ja validoitua. Sekä kehityksen aikana että kun olemme integroineet mallin teknologiaan, asiantuntijamme seuraavat tuloksia havaitakseen mahdollisen harhan ja varmistaaksemme, että tulokset ovat reiluja ja luotettavia. Uskon, että tekoäly on tieteen ja ihmisen älymystön täydentämistä. Tekoäly antaa ihmisille kyvyn keskittyä haasteellisempiin ongelmien ratkaisemiseen. Olemme erittäin hyviä ongelmanratkaisussa ja edelleen paljon parempia intuitiossa ja hienovaraisuudessa kuin koneet. Clariossa käytämme tekoälyä poistamaan kuormittavat toistuvat asiat. Käytämme sitä analysoimaan laajoja datamääriä, olivat ne potilaskuvia, aiempia tutkimuksia tai mitä tahansa muuta, mitä haluamme analysoida. Yleensä koneet voivat tehdä sen nopeammin, ja joissakin tapauksissa, paremmin kuin ihmiset voivat. Mutta ne eivät voi korvata ihmisen intuitiota ja tieteen ja todellisen maailman kokemuksen, jonka ihmiset alan parhaassa osassa.

Miten näet tekoälyn vaikuttavan kliinisiin kokeisiin seuraavien vuosien aikana, erityisesti alueilla, kuten onkologia, kardiologia ja hengitystutkimukset?

Onkologiassa olen innoissani edistyneen tekoälyn soveltamisesta radiomiikassa, joka poistaa määrällisiä mittauksia lääketieteellisistä kuvista. Radiomiikassa on useita vaiheita, mukaan lukien kuvan hankinta, esikäsittely, ominaisuuden poisto ja mallin kehittäminen, jota seuraa validointi ja kliininen soveltaminen. Käyttämällä yhä edistyneempää tekoälyä pystymme ennustamaan kasvaimen käyttäytymistä, räätälöidä hoitovastetta ja ennustaa potilaiden tuloksia ei-invasiivisen kuvantamisen kautta. Pystymme käyttämään sitä havaitsemaan varhaisia sairauden merkkejä ja varhaisen sairauden toistumisen havaitsemista. Kun edistyneemmät tekoälytyökalut tulevat yhä enemmän integroiduksi radiomiikkaan ja kliinisiin työvirtoihin, teemme suuria harppauksia onkologiassa ja potilashuollossa.

Olen yhtä innoissani hengitystutkimuksen tulevaisuudesta. Tänä vuonna hankimme ArtiQ:n, Belgian yrityksen, joka kehitti tekoälymallit parantamaan hengitysdatan keräämistä kliinisissä tutkimuksissa. Heidän perustajansa on nyt minun tekoälypäällikköni, ja odotamme suuria asioita hengitysratkaisuista. Lähestymistapaamme algoritmien soveltamiseen on muodostunut pelinmuuttajaksi, ei vähiten, koska se auttaa vähentämään potilaiden ja tutkimuspaikkojen kuormitusta. Kun uloshengitysdatan analyysi ei tehdä reaaliajassa ja poikkeama havaitaan myöhemmin, se pakottaa potilaan tulemaan takaisin tutkimuspaikkaan toiseen spirometrian testiin. Tämä ei ainoastaan lisää potilaalle stressiä, vaan se voi myös aiheuttaa viiveitä ja lisää kustannuksia tutkimussponsoreille, ja se johtaa erilaisiin operatiivisiin haasteisiin. Uudet spirometrimme hyödyntävät ArtiQ-malleja ratkaisemaan tämän kuorman tarjoamalla lähes reaaliaikaisen ylänäkymän. Jos ongelmia ilmenee, ne voidaan ratkaista heti, kun potilas on vielä tutkimuspaikalla.

Lopulta kehitämme työkaluja, jotka tulevat vaikuttamaan useisiin terapeuttisiin alueisiin. Pian näemme tekoälyn toimittavan yhä enemmän arvoa sähköisissä kliinisissä tuloksissa (eCOA). Näemme tekoälymallit, jotka havaitsevat ja mittaavat potilaan kokeneita hienovaraisia muutoksia. Tämä teknologia auttaa monia tutkijoita, mutta esimerkiksi Alzheimerin tutkijat voivat ymmärtää, missä vaiheessa potilas on sairauden vaiheessa. Tämän tiedon avulla lääkevaikutusta voidaan arvioida paremmin, ja potilaat ja heidän hoitajansa voivat paremmin valmistautua sairauden hallintaan.

Mikä rooli luulet tekoälyn pelaavan laajentamassa monimuotoisuutta kliinisissä tutkimuksissa ja parantamassa terveyden tasa-arvoa potilasväestössä?

Jos tarkastelet tekoälyä ainoastaan teknologian näkökulmasta, luulen, että joutuu vaikeuksiin. Tekoälyä on lähestyttävä kaikista näkökulmista: teknologia, tiede, sääntely ja niin edelleen. Alanamme todellinen erinomaisuus saavutetaan ainoastaan ihmisten yhteistyön kautta, joka laajentaa kykyä esittää oikeat kysymykset, kuten: “Koulutammeko malleja, jotka ottaa huomioon ikä, sukupuoli, sukupuoli, rotu ja etnisyys?” Jos kaikki alan osapuolet esittävät näitä kysymyksiä ennen työkalujen kehittämistä, tekoäly ei ainoastaan kiihdytä lääkkeiden kehittämistä, vaan se kiihdyttää sitä kaikille potilasväestöille.

Voitko jakaa Clarion suunnitelmia tai ennusteita tekoälyn kehittymisestä kliinisen tutkimuksen alalla vuonna 2025 ja sen jälkeen?

Vuonna 2025 odotamme, että biolääkealan yritykset hyödyntävät tekoälyä ja reaaliaikaisia analyytikkoja kuin koskaan aiemmin. Nämä edistysaskeleet suoristavat kliinisiä tutkimuksia ja parantavat päätöksentekoa. Nopeuttamalla tutkimuksen rakentamista ja toteuttamalla riskipohjaisen seurannan, pystymme kiihdyttämään aikatauluja, helpottamaan potilaiden kuormitusta ja mahdollistamaan sponsoreille toimittaa elämän pelastavia hoitoja suuremmalla tarkkuudella ja tehokkuudella. Tämä on jännittävä aika meille kaikille, kun työskentelemme yhdessä terveydenhuollon muuttamiseksi.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Clarion verkkosivuilla.