Matt Walz, Trialbee:n toimitusjohtaja – Haastattelusarja

Matt Walz on Trialbee:n toimitusjohtaja, joka on globaali johtaja teknologiaan perustuvassa potilasrekrytoinnissa. Hänellä on yli 20 vuoden kokemus ohjelmistosta ja johtamisesta elintarvike- ja lääketeollisuudessa. Matt aloitti uransa kehittäjänä ja on toiminut erilaisissa teknisissä ja johtamistehtävissä Rollins Corporationissa, PSCI:ssa, Microsoftissa, Morgan Lewisissa ja Datalabsissa. Vuonna 2006 Matt perusti NextDocs:n, josta tuli globaali johtaja kliinisessä, laadun- ja sääntelyn asiakirjojen hallinnassa, ja hän toimi siellä 9 vuotta CTO:na, CSO:na ja hallituksen jäsenenä. Ennen Trialbee:hen tuloa Matt oli 5 vuotta Aurea Software:n elintarvike- ja lääketeollisuuden yleisjohtajana ja strategisten asiakkuuksien varajohtajana, joka oli ostanut NextDocs:n.

Trialbee on terveydenhuollon teknologiayritys, joka sujuvoittaa potilasrekrytointia kliinisissä tutkimuksissa. Analysoimalla dataa, digitaalista asiakaspalvelua ja todellisen maailman näyttöä, se vastaa, sitouttaa ja esikarsii potilaita nopeuttaen rekrytoinnin. Sen alusta tarjoaa avoimuutta lähteiden ja kumppaneiden välillä, jolloin sponsoreiden, CRO:iden ja tutkimuskohteiden on helpompi hallita rekrytointiputkea tehokkaammin vähentäen kohteiden taakkaa.

Olet työskennellyt sekä terveydenhuollon startup-yrityksissä että suurten kliinisten tutkimusjärjestelmien parissa. Mitkä henkilökohtaiset kokemukset tai uran vaiheet ovat johtaneet sinut tunnistamaan potilasrekrytoinnin AI:n mahdollisuudet ja vaarat?

AI on nopein teknologinen trendi, jonka olen nähnyt yli 20 vuoden aikana kliinisen kehityksen parissa – nopeampi jopa kuin pilvipalvelun varhaiset päivät. Minulle on ollut selkeintä, miten AI on siirtynyt konseptista operatiiviseksi alalla, joka on yleensä hitaasti omaksuvaa uutta teknologiaa – ja jota sääntelyviranomaiset kuten FDA priorisoi. Kliinisen tutkimuksen potilasrekrytoinnissa olemme edelleen oppimisen alkuvaiheessa. Toimittajat ja sponsoreiden on tutkittava AI:ta protokollakehityksessä, hahmottamisessa ja kohdistamisessa, dataenrikoituksessa, lokalisoituksessa ja viestinnässä ja sitouttamisessa – jotka kaikki ovat suuria kitkakohtia tutkimusryhmille.

Sanottuun liittyen on kuitenkin edelleen jonkin verran riskejä. Olen puhunut suurten lääkeyritysten johtajien kanssa, jotka vahvistavat, että vaikka AI on näkyvissä useammassa työnkulussa, se ei voi toimia valvomatta. Inhimillinen valvonta on perustavanlaatuinen.

Tämä on laadun ja turvallisuuden vuoksi, mutta myös siksi, että yritykset kuten Trialbee liittyvät potilaisiin ja perheisiin, jotka etsivät toivoa – hyvin inhimillistä ja empaattista kokemusta, jota ei voida korvata AI:lla merkityksellisellä tavalla potilaiden kannalta, joita palvelemme kaikki.

Kliinisen tutkimuksen rekrytointi on historiallisesti kohdannut ongelmia monimuotoisuuden, nopeuden ja tarkkuuden suhteen. Miten AI auttaa näiden haasteiden ratkaisemisessa – ja missä se edelleen epäonnistuu?

AI auttaa sujuvoittamaan joitakin rekrytoinnin hitaimmista ja resursseja vaativimmista osista. Esimerkiksi asiat, jotka aiemmin kestivät viikkoja – kuten tutkimusmateriaalien kääntäminen kymmenien kielien välillä – on nyt tiivistetty tunteihin. Tämä tarkoittaa, että voimme aloittaa rekrytoinnin nopeammin useammilla globaaleilla markkinoilla.

Kun tarkkuudesta on kyse, AI-välineet auttavat meitä toimittamaan yhdenmukaisempia, kriteerien mukaisia vuorovaikutuksia, materiaalien luomisesta esikarsintaan ja chatboteista. Nämä työkalut ovat erityisen hyödyllisiä vähentämään pudotuspisteitä, jotka hidastavat rekrytointiprosessia.

Monimuotoisuus on edelleen haaste. AI on vain yhtä edustava kuin siihen koulutettu data, ja edustavuus muotoillaan myös tekijöillä, jotka ovat teknologian ulottumattomissa – mukaan lukien maakohtaiset sääntelyrajoitukset, jotka rajoittavat AI:n käyttöä potilaslähtöisissä rooleissa. Luottamuksen rakentaminen tutkimusosallistujien kanssa on ollut haaste koko kliinisen tutkimuksen historian ajan, ja AI-työkalujen käyttö kohtaa vaihtelevia skeptisyyden tasoja. Tästä syystä tukemme lähestymistapaa, joka antaa ihmisille mahdollisuuden valita, haluavatko he vuorovaikuttaa live-lääkärin tai esimerkiksi AI-välineen kanssa. Tämä auttaa saavuttamaan osallistujia, joilla on erilaiset mukavuustasot AI:ta kohtaan, samalla varmistamalla vahvan valvonnan, erityisesti agenteille AI:lle, vaikka varotoimia kuten erillisiä päättelymoottoreita on sisällyttävä, jotta se onnistuu.

Mainitset, että AI-työkalut otetaan käyttöön nopeammin kuin mikään aiempi innovaatio potilasrekrytoinnissa. Mutta kun globaalit sääntelyviranomaiset kamppailevat pitääkseen tahdin, mitkä ovat kiireellisimmät valvontauhkia, jotka näet monikansallisissa kliinisissä tutkimuskampanjoissa?

Suurin aukko on sääntelyjen puute geografisesti. Yhdysvalloissa virastot kuten FDA omaksuvat AI:ta uusilla kehyksillä ja varhaisilla tarkastusprosesseilla. Eurooppa sen sijaan liikkuu ymmärrettävästi varovaisemmin, keskittyen varovaisuuteen ja soveltamalla tiukempia sääntelytarkastuksia.

Yrityksille kuten meillä, jotka toimivat globaalisti, tämä luo haasteen: Mitä on hyväksyttyä yhdessä maassa, ei välttämättä ole toisessa. Ja ero ei ole ainoastaan säännöksissä, vaan myös siinä, miten eri kanavia tai sosiaalisen median alustoja kuten Facebookia voidaan käyttää rekrytoinnissa, miten henkilökohtaista dataa käsitellään tai miten potilaiden suostumus kerätään. Nämä ovat nuansseja, jotka vaativat toiminnallista joustavuutta ja syvää ymmärrystä alueellisista eettisistä ja sääntelyvaatimuksista.

Tämä on siellä, missä historiansa innovaatio ja sisäänrakennettu globaali kulttuuri ovat suuria voimavaroja, kun navigoimme jännittävän ja dynaamisen AI-maailman.

Miten tämä sääntelykehyksen globaali epäyhtenäisyys voi vaikuttaa AI:n omaksumiseen kliinisiin tutkimuksiin? Oletko todistanut mitään todellisia seurauksia tästä?

Täysin. Digitaaliset mainosstrategiamme, joita käytämme potilasrekrytoinnissa, ovat hyvä esimerkki tästä. Facebook (META ) on yksi tehokkaimmista alustoista maailmanlaajuisesti, mutta jopa maissa, joissa se on sallittu, kohdistamisen taso, jota sallitaan, ja dataa, jota voidaan käyttää, vaihtelee laajasti. Rakennamme sisäistä asiantuntemusta ylittämään nämä erot, ja odotamme, että AI-sääntely seuraa samanlaista polkua.

Käytännössä tämän dilemmansa asettamat rajoitukset rekrytointitiimille voivat johtaa kampanjoiden myöhästyneisiin lanseerauksiin, lisääntyneisiin sykleihin eettisten komiteoiden kanssa ja monimutkaisempiin sääntelytyönkulkuihin. Jos et ole syvällisesti tietoinen siitä, miten kunkin maa tulkitaan AI:n käytön, erityisesti potilaslähtöisissä sovelluksissa, riskit hidastavat tutkimuksia tai aiheuttavat vakavia hyväksymisen esteitä.

Trialbee toimii datan, teknologian ja potilaslähtöisen osallistumisen risteyksessä. Miten varmistat, että AI-vetäytyneet rekrytointistrategiat eivät muuta potilaita pelkiksi datapisteiksi, vaan parantavat tutkimuksen inhimillistä puolta?

Erinomainen ja tärkeä kysymys meistä kaikista. Kuten mainitsin aiemmin, AI:n tapa, jolla sen näen, on sen kyky valvoa ihmisiä – ei korvata heitä. Tämä on erityisen totta erittäin henkilökohtaisessa alalla, jossa työskentelemme, jossa yritämme auttaa sukupolvia potilaita elämään terveellisemmin ympäri maailmaa. Liiketoimintamme on lämmin, se on ihmisten yhdistämistä, ja ihmiset ovat aina sen ydin.

Kun tulee päivittäisiin operaatioihin, paras AI, jonka voimme tarjota – esimerkiksi Honey Platform:issamme – on analysoida dataa ja trendejä ja herättää kohteita ja tutkimusryhmiä, missä toimia vaaditaan. Teemme paljon tätä jo, ja jatkamme kykyjen lisäämistä varmistaaksemme, että arvokas data, jota kerätään, tehdään välittömästi merkitykselliseksi erolla tutkimuksessa. Tämä voi tarkoittaa päivittäisiä oivalluksia rekrytoinnin edistymisestä tai herättämistä tiettyjen potilaiden kanssa ennustavaa mallinnusta käyttäen.

Sisäisesti käytämme AI:ta koko organisaatiossamme järjestelmällisellä ja yhteistyöllä tavalla. Muutamia hyviä esimerkkejä tästä voivat olla rekrytointimateriaalien kääntäminen ja AI-vetäytyneen potentiaalisen PII-datan estäminen – nämä ovat aina kokeneen ihmisen valvonnassa. Näet, miten käytämme AI:ta tekemään hämmästyttävästä tiimistämme vahvemman, eikä toisinpäin.

Mitkä tietosisällöt ovat kriittisiä kliinisen tutkimuksen tiimille johtamaan ja hallinnoimaan AI-työkaluja vastuullisesti tänään?

Kriittisimmät tietosisällöt sijaitsevat kliinisen asiantuntemuksen, AI:n lukutaidon ja sääntelyvalmiuden risteyksessä. Tiimien on ymmärrettävä, miten vuorovaikutaan AI-alustoilla tehokkaasti ohjelmoiden niitä tarkkuudella ja tarkastellen tuloksia kriittisesti.

On myös kasvava tarve sääntelynäkymystä. Kuten mainitsin aiemmin, tämä on erityisesti tarpeen alueilla kuten agenteille AI, jossa rakennamme erillisiä päättelymoottoreita, jotka arvioivat ja korjaavat vuorovaikutuksia reaaliajassa. Tiimien on myös kyettävä arvioimaan AI-käännetyt sisällöt ja vahvistamaan niiden tarkkuus ja kulttuurinen merkitys ennen materiaalien lähettämistä eettisille komiteoille.

AI:n omaksuminen on kiihtyvää vauhtia. Minkälaisia neuvoja antaisit kliinisen tutkimuksen sidosryhmille, jotka ovat epäröiviä tai ylitettyjä AI:n integroimisesta työnkulkuihinsa?

Joku sanoi, kun aloitat työskentelemisen AI:n kanssa, varmista, että käytät todellista älykkyyttä. Konenäkö voi mahdollistaa upeita asioita – edellyttäen, että se on asiantuntijoiden osaamisen, kontekstin ja varotoimien takana.

Neuvoni on aloittaa pienestä ja pysyä maanpinnalla siinä, mitä voit toimittaa tänään. Yksi suurimmista virheistä, joita näen, on yritykset, jotka nojaavat liian pitkälle epämääräisiin lupaustoihin AI-muodonmuutoksesta ilman selittämistä, miten se tosiasiallisesti toimii tai milloin se on valmis. Vaikka nämä lupaavat kuulostavat hyvältä hetkellisesti, ne voivat kuluttaa luottamusta, koska ne eivät näytä todellista suunnitelmaa.

Paras polku on murtaa omaksumista pieniin, määriteltyihin askeliin selkein tuloksin. Valitse yksi tai kaksi suurvaikutteista aluetta, joissa AI voi poistaa kitkaa, ja varmista, että ne on taustattu oikealla valvonnalla. Ole tarkka siitä, mitkä työkalut käytät, miten ne on asetettu ja miten suojellaan herkkää tietoa. Tämä on lähestymistapa, jonka noudatamme Trialbeessa. Puhumme ainoastaan sidosryhmien kanssa kyvyistä, joita kehitämme aktiivisesti, yleensä enintään kolmen kuukauden päähän, koska haluamme varmistaa, että viestimme mitä on todella.

Trialbeessa pyydämme eri osastoa tai tiimiä esittämään joka viikko käyttötapausta, jotka ovat toimineet heille. Keskustelemme siitä, miten ja miksi jakamaan oppimista, haasteita ja ratkaisuja, jotta muut voivat toistaa heidän AI-onnistumisensa parantamaan tehokkuutta, asiakaspalvelua tai rekrytointituloksia.

Korostamme myös avoimuutta työkaluista, joita käytämme kykyjen rakentamiseen. Jos käytämme OpenAI:n ChatGPT:tä tai Anthropicin Clauden esimerkiksi, kuvaamme asetuksen sidosryhmille, mukaan lukien, miten eristämme herkkää tietoa ja sovellemme inhimillistä valvontaa. Kun he näkevät hyödyt toiminnassa, kuten ajan säästön käännöstyönkuluissa tai nopeutetun varhaisen potilaiden seulonnan, he ovat todennäköisemmin mukaan seuraavassa AI-käyttötapaussa. Ja niin, se on vähemmän myymistä suurta visiota ja enemmän todistamista arvosta askel kerrallaan.

FDA ja muut sääntelyviranomaiset alkavat asettaa kovempia kysymyksiä AI-malleista, joita käytetään lääkekehityksessä. Minkälaisia läpinäkyvyyden, validoinnin tai tarkastuskyvyn standardeja uskot tulisi tulla teollisuuden normeiksi?

Teollisuuden on siirryttävä kohti täydellistä läpinäkyvyyttä ja varmistettava, että jokaisessa AI-tukeutuvassa päätöksessä on inhimillinen valvonta. Mainitsen muutamia esimerkkejä: Kun puhumme agenteille AI, työskentelemme jo keinojen parissa sisällyttääksesi sääntelyloogiaa erilliseen päättelymoottoriin, joka voi arvioida ja korjata vuorovaikutuksia reaaliajassa. Tällaiset sisäiset valvontajärjestelmät tulisi tulla standardiksi kaikissa potilaslähtöisissä sovelluksissa. Validointoprotokollat on myös muotoiltava, mukaan lukien benchmark-testaus ja jatkuva suoritusarviointi.

Ennen kaikkea nämä standardit on sisällyttävä tuotekehitysprosessiin eikä kiinnitetty siihen myöhemmin. Tällainen tiukkuus on välttämätöntä potilasturvallisuuden ylläpitämiseksi, sääntelyviranomaisten luottamuksen saavuttamiseksi ja AI:n vastuullisen skaalautumisen varmistamiseksi globaaleissa kliinisissä tutkimuskampanjoissa.

AI-mallit usein nojaavat historiallisiin tietokantoihin, jotka voivat heijastaa järjestelmällisiä terveydenhuollon taustoja. Miten lähestyt tasa-arvon ja monimuotoisuuden varmistamista potilasrekrytoinnissa, erityisesti aliedustettujen ryhmien osalta?

Monimuotoisuuden puute ei ole ollut sitä, mikä on estänyt AI:ta kliinisessä tutkimuksessa – ei priorisoida suunnitelmaa. Ja AI ei voi auttaa siinä. Kun on todellinen sitoutuminen, AI voi olla voimakas työkalu, joka auttaa meitä tavoittamaan aliedustettuja ryhmiä tehokkaammin, mutta vain jos olemme tarkoituksenmukaisia. Siksi Trialbeessa laajennamme dataa, jota mallimme käyttävät, rakennamme yhteisöjä ja seuraamme jatkuvasti rekrytointituloksia varmistaaksemme, ettei mikään ryhmä jää jälkeen.

Mainitsit, että tiimisi on laskemassa uusia AI-aiheisia tuotteita tänä vuonna. Voitko antaa yleiskatsauksen ongelmista, joita ratkaiset – ja miten nämä innovaatiot heijastavat laajempaa filosofiaasi vastuullisesta AI-käytöstä?

Trialbee:llä on innovaation kulttuuri, ja AI on suuri ja kasvava osa siitä. Tänä vuonna Honey Platform:imme esitteli uudet sivujen työnkulut, sponsorikohtaisen potilasrekisterin ja käyttötapausten tukemiseen tutkimuslöytöjen verkkosivuja globaaleille biolääkebrändeille, kuten BMSClinicalTrials.com. AI:n osalta näet uusia ominaisuuksia ja parannuksia tulevina kuukausina ja vuosina. Kehitämme chatbottia, älykkäitä työkaluja ja enemmän Honeyyn, samalla arvioimme uusia tapoja sujuvoittaa prosesseja asiakkaidemme kanssa. Sisäisesti käytämme sitä tullaksemme kohdennetummaksi, tarkoituksenmukaisemmaksi, monipuolisemmaksi ja tehokkaammaksi kaikessa, mitä teemme – kokeneen tiimiläisen johdolla ja tulkkaamalla kontekstia kaikille AI-malleille, joita käytämme.

Näkemys viiden vuoden päähän, miten Trialbee:n rooli kehittyy, kun AI:sta tulee syvemmälti osa kliinistä tutkimusta? Minkälaisen roolin näet yrityksesi pelaavan tulevaisuuden potilasrekrytoinnin muokkaamisessa, joka on enemmän eettinen, tehokas ja globaalisti yhdenmukainen?

Vuoden kuluttua Trialbee on johtava AI-käyttöön perustuva palveluntarjoaja potilasrekrytoinnissa kliinisessä tutkimuksessa. Olemme jo integroimassa generatiivista AI:ta jokaiseen rekrytointityönkulkuun, missä se voi kiihdyttää nopeutta, parantaa tarkkuutta tai lisätä potilaiden valinnanvaraa. Kuten mainitsin aiemmin, arvioimme työkaluja, jotka antavat potilaille valita, haluavatko he vuorovaikuttaa live-lääkärin vai esimerkiksi AI-välineen kanssa. Uskomme, että antamalla ihmisille tämä valinta on avain kasvavan luottamuksen ja osallistumisen lisäämiseen ajan myötä.

Etiikan kannalta olemme sitoutuneita varmistamaan, että AI toteutetaan sääntelyyn perustuen ja läpinäkyvyydellä. Tämä tarkoittaa sisällyttämistä teknologiaan itsessään ja avoimuutta siitä, miten järjestelmämme toimivat. Rakennamme myös AI:ta koko organisaatiomme kulttuuriin – jokaiseen osastoon ja tiimiin – jotta olemme valmiit sopeutumaan, kun teknologia kehittyy. Lopulta haluamme olla yritys, joka auttaa määrittelemään, miten AI:ta käytetään vastuullisesti koko kliinisen tutkimuksen aikana. Jos teemme sen oikein, voimme auttaa muotoilemaan tulevaisuutta, jossa tutkimukset ovat nopeampia, monipuolisempia ja helpompia potilaiden pääsyyn riippumatta siitä, missä he asuvat tai mitä kieltä he puhuvat.

Kiitos haastattelusta, lukijat, jotka haluavat oppia enemmän, kannattaa vierailla Trialbee:ssa.