Matt Walz, toimitusjohtaja Trialbeessa – Haastattelu

Matt Walz on Trialbeen toimitusjohtaja, joka on maailmanlaajuinen johtaja teknologiaan perustuvassa potilasrekrytoinnissa. Hänellä on yli 20 vuoden kokemus ohjelmistojen kehittämisestä ja johtamisesta elintarvike- ja lääketeollisuudessa. Matt aloitti uransa kehittäjänä ja on toiminut erilaisissa teknisissä ja johtotehtävissä Rollins Corporationissa, PSCIssä, Microsoftissa, Morgan Lewisissä ja Datalabsissa. Vuonna 2006 Matt perusti yhdessä NextDocs-nimisen yhtiön, josta tuli maailmanlaajuinen johtaja kliinisen, laadun ja sääntelyn asiakirjojen hallinnassa, ja hän toimi siellä CTO, CSO ja hallituksen jäsenenä 9 vuoden ajan. Ennen liittymistään Trialbee-seuraan Matt toimi 5 vuotta elintarvike- ja lääketeollisuuden yleispäällikkönä ja strategisten asiakkuuksien varapäällikkönä Aurea Software -yhtiössä, joka oli ostanut NextDocs-yhtiön.

Trialbee on terveydenhuollon teknologiayhtiö, joka tehostaa potilasrekrytointia kliinisiin tutkimuksiin. Käyttämällä data-analytiikkaa, digitaalista viestintää ja todellisen maailman näyttöä, se vastaa, sitouttaa ja esikarsii potilaita nopeuttaen rekrytoinnin. Sen alusta tarjoaa avoimuutta lähteiden ja kumppaneiden välillä, jotta rahoittajat, CRO:t ja tutkimuspaikat voivat hallita rekrytointiputkea tehokkaammin vähentäen samalla kuormitusta paikoilla.

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

AI on nopein liikkuva teknologiatrendi, jonka olen nähnyt yli kahden vuosikymmenen aikana työskennellessäni kliinisen kehityksen parissa – nopeampi jopa kuin pilvipalvelun varhaiset päivät. Se, mikä on minulle ollut eniten hämmästyttävää, on se, miten AI on siirtynyt konseptista toiminnalliseksi sellaisessa teollisuudessa, joka on yleensä hitaasti omaksuvaa uutta teknologiaa – ja jota jopa sääntelyviranomaiset, kuten FDA, priorisoivat.

Kliinisen tutkimuksen potilasrekrytoinnissa olemme edelleen oppimisen alkuvaiheessa siinä, missä AI on parhaiten sovellettavissa. Toimittajat ja rahoittajat tutkivat AI:ta protokollan kehittämisessä, hahmottamisessa ja kohdistamisessa, data-enrikoimisessa, lokalisaatioissa ja viestinnässä ja sitouttamisessa – jotka kaikki ovat suuria kitkaakohteita tutkimusryhmille.

Toisaalta on edelleen jonkin verran riski, joka liittyy siihen potentiaaliin. Olen puhunut johtajien kanssa suurissa lääketeollisuusyhtiöissä, jotka vahvistavat, että vaikka AI on näkyvissä useissa työnkulun pisteissä, se ei voi toimia valvomatta. Inhimillinen valvonta on perustavanlaatuinen.

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

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

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

Kun tarkastellaan tarkkuutta, AI-välitteiset agentit auttavat meitä toimittamaan johdonmukaisempia, kriteerien mukaisia vuorovaikutuksia, materiaaleista, joiden luomme, esivalintaan ja chatboteihin. Nämä työkalut ovat erityisen hyödyllisiä vähentämään putoamispisteitä, jotka hidastavat rekrytointiprosessia.

Monimuotoisuus on edelleen haaste. AI on vain yhtä edustava kuin siihen käytetty data, ja edustavuus muotoillaan myös tekijöillä, jotka ovat ulkopuolisia teknologiaa – mukaan lukien maakohtaiset sääntelyrajoitukset, jotka rajoittavat sitä, miten AI voidaan käyttää potilaslähtöisissä rooleissa. Luottamuksen rakentaminen kokeen osallistujien kanssa on ollut haaste koko kliinisen tutkimuksen historian ajan, ja AI-työkalujen käyttö kohtaa erilaisia skepsisasteita. Tästä syystä kannatamme lähestymistapaa, jossa ihmisille annetaan mahdollisuus vuorovaikuttaa joko elävän lääkärin tai esimerkiksi AI-välin kanssa. Tämä voi auttaa tavoittamaan osallistujia, joilla on erilaiset mukavuustasot AI:n suhteen, samalla varmistamalla vahvan valvonnan, erityisesti agenteille AI:lle, vaikka suojausmekanismit, kuten erilliset päättelymoottorit, on sisällytetty sen onnistumiseksi.

Mainitsit aiemmin, että AI-työkalut otetaan käyttöön nopeammin kuin mikään aikaisempi innovaatio potilasrekrytoinnissa. Mutta kun globaalit sääntelyviranomaiset kamppailevat pysymään mukana, mitkä ovat kiireellisimmät valvontavuodot, joita näet monikansallisissa kliinisissä tutkimuskampanjoissa?

Suurin aukko on sääntelyjen puute geografisesti. Yhdysvalloissa virastot, kuten FDA, ottavat AI:n käyttöön uusilla kehyksillä ja varhaisilla tarkastusprosesseilla. Euroopassa toiminta on ymmärrettävästi varovaisempaa, keskittyen varovaisuuteen ja soveltamalla tiukempia sääntelytarkastuksia.

Yrityksille, kuten meillä, joka toimii maailmanlaajuisesti, tämä luo haasteen: Mitä on hyväksyttyä yhdessä maassa, ei välttämättä ole toisessa. Ja vaihtelu 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 sääntelystandardeista.

Tässä kohtaa meidän innovaatiohistoria ja sisäänrakennettu globaali kulttuuri ovat suuria voimavaroja, kun navigoimme jännittävään ja dynaamiseen AI-maastoon.

Miten se sääntelyyn liittyvä epäjohdonmukaisuus voi vaikuttaa AI:n omaksumiseen kliinisiin tutkimuksiin? Oletko todistanut mitään todellisia seuraamuksia tästä?

Kyllä. Digitaaliset mainosstrategiamme, joita käytämme potilasrekrytoinnissa, ovat hyvä esimerkki tästä. Facebook on yksi tehokkaimmista alustoista maailmanlaajuisesti, mutta jopa niissä maissa, joissa se on sallittu, kohdistamisen taso, jonka saat tehdä, ja mitä dataa saat käyttää, vaihtelee laajasti. Rakennamme sisäistä asiantuntijuutta ylittämään nämä erot, ja odotamme, että AI-sääntely seuraa samanlaista polkua.

Käytännössä rekrytointitiimien asettamat rajoitukset voivat johtaa kampanjoiden myöhästyneisiin käynnistymiin, lisääntyneisiin sykleihin eettisten komiteoiden kanssa ja monimutkaisempiin noudattamisprosesseihin. Jos et ole syvästi tietoinen siitä, miten kunkin maan tulkinta AI-käytöstä, erityisesti potilaslähtöisissä sovelluksissa, vaarannat hidastamasta tutkimuksia tai ajautumasta vakaviin hyväksymisen esteisiin.

Trialbee toimii datan, teknologian ja potilasviestinnän risteyksessä. Miten varmistat, että AI-vetäiset rekrytointistrategiat eivät kavuta potilaita pelkiksi data-pisteiksi, vaan lisäävät tutkimuksen inhimillistä puolta?

Erinomainen ja tärkeä kysymys meidän kaikkien kannalta. AI:n tapa, jolla sen näen, on sen kyky antaa ihmisille valtuuttaa – ei korvata heitä. Tämä on erityisen totta siinä hyvin inhimillisessä alalla, jossa työskentelemme, jossa yritämme auttaa sukupolvia potilaita elämään terveemmin ympäri maailmaa. Liiketoimintamme on lämmin, se on ihmisten yhdistämistä, ja ihmiset ovat aina sen sydämessä.

Käytännön toiminnassa paras AI, jonka voimme tarjota – esimerkiksi Honey-alustallamme – on analysoida dataa ja trendejä ja herättää huomiota kohtaa, joissa toimintaa tarvitaan. Teemme paljon tätä jo nyt, ja jatkamme kykyjen lisäämistä varmistaaksemme, että arvokas data, jota keräämme, käytetään välittömästi siten, että se tekee eroa tutkimuksessa. Tämä voi tarkoittaa päivittäisiä oivalluksia rekrytointiedistymisestä tai herätteitä tiettyjen potilaiden seuraamiseksi ennustavalla mallinnuksella.

Sisäisesti käytämme AI:ta järjestelmällisesti ja yhteistyössä koko organisaatiomme läpi. Muutamia hyviä esimerkkejä voidaan mainita tässä, kuten käännösrekrytointimateriaaleista ja AI-vetäinen PII-datan tukahduttaminen – nämä toiminnot ovat aina kokeneen ihmisen valvonnassa. Näin voit havaita, miten käytämme AI:ta vahvistamaan upeaa tiimiämme, eikä toisinpäin.

Mitkä taitojoukot ovat kaikkein kriittisimpiä kliinisen tutkimuksen tiimien vastuullisesti johdattamaan ja hallinnoimaan AI-työkaluja tänään?

Kriittisimmät taitojoukot sijaitsevat kliinisen asiantuntemuksen, AI:n lukutaidon ja sääntelytietämyksen risteyksessä. Tiimien on ymmärrettävä, miten he voivat käyttää AI-alustoja tehokkaasti vihjaamalla niille tarkkuudella ja tarkastamalla tuloksia kriittisesti.

On myös kasvava tarve sääntelynäkymistä. Kuten mainitsin aiemmin, tämä on erityisen tarpeen alueilla, kuten agenteille AI, jossa rakennamme erillisiä päättelymoottoreita potilaiden vuorovaikutuksia varten. Tiimien on myös kyettävä arvioimaan AI-käännöksien sisällön ja vahvistamaan sen tarkin ja kulttuurisesti merkityksellisen ennen materiaalien lähettämistä eettisille komiteoille.

AI:n omaksuminen kiihtyy. Minkälaisia neuvoja antaisit kliinisen tutkimuksen sidosryhmille, jotka ovat epäröiviä tai hämmästyneitä AI:n monimutkaisuudesta työnkulkuihinsa?

Joku sanoi, kun aloit työskentelemisen AI:n kanssa, varmista, että käytät Todellista Älykkyyttä. Machine learning voi mahdollistaa upeita asioita – edellyttäen, että se on asiantuntijoiden asiantuntemuksen, kontekstin ja varusteiden takana.

Neuvoni on aloittaa pienestä ja pysyä maanpinnalla siinä, mitä voit toimittaa tänään. Yksi suurimmista virheistä, joita näen, on yritykset, jotka nojaavat liiaksi epämääräisiin AI-muodonmuutoslupauksiin ilman selkeää suunnitelmaa siitä, miten se toimii tai milloin se on valmis. Vaikka nämä lupaukset kuulostavat hyvältä hetkellisesti, ne voivat heikentää luottamusta, koska ne eivät näytä todisteita aidosta suunnitelmasta.

Parempi polku on jakaa omaksuminen pieniin, määriteltyihin askeliin selkein tuloksin. Valitse yksi tai kaksi suurvaikutteista aluetta, joissa AI voi poistaa kitkaa, ja varmista, että ne on tuettu oikealla valvonnalla. Ole tarkka siitä, mitkä työkalut käytät, miten ne on asetettu, ja ennen kaikkea, miten suojelet arkaluontoista tietoa. Tämä on lähestymistapa, jonka noudatamme Trialbeessa. Puhumme ainoastaan sidosryhmien kanssa kyvyistä, joita kehitämme aktiivisesti, yleensä ei enempää kuin kolme kuukautta eteenpäin, koska haluamme varmistaa, että viestimme mitä on todella.

Trialbeessa pyydämme toisen osaston tai tiimin esittämään joka viikko sovelluksia, jotka ovat toimineet heille. Keskustelemme siitä, miten ja miksi tarkastellaan kokemuksia, haasteita ja ratkaisuja, jotta muut voivat toistaa heidän AI-onnistumisensa parantamaan tehokkuutta, asiakastarjoamista tai rekrytointituloksia.

Korostamme myös avoimuutta työkalujen kehittämisestä. Jos käytämme OpenAI:n ChatGPT:tä tai Anthropicin Clauden kaltaisia työkaluja, kuvaamme asetukset sidosryhmille, mukaan lukien, miten eristämme arkaluontoisen tiedon ja sovellemme inhimillistä valvontaa. Kun he näkevät hyödyt toiminnassa, kuten ajan säästön käännöstyönkulkussa tai nopeutetun potilaiden alkuvaiheen seulonnassa, he ovat todennäköisemmin mukaan seuraavassa AI-käyttötapauksessa. Ja niin, se on vähemmän suurten visioiden myymistä ja enemmän arvon todistamista askel kerrallaan.

FDA ja muut sääntelyviranomaiset alkavat esittää kovempia kysymyksiä AI-malleista, joita käytetään lääkekehityksessä. Mitkälaista läpinäkyvyyden, validoinnin tai tarkastuskykyisen standardien uskot tulisi muodostua teollisuuden normeiksi?

Teollisuuden on siirryttävä kohti täydellistä läpinäkyvyyttä ja varmistettava, että inhimillinen valvonta on mukana jokaisessa AI-vetäisessä päätöksenteossa. Mainittakoon muutamia esimerkkejä:

Kun puhumme agenteista AI, työskentelemme jo keinojen kehittämiseksi sääntelyloogikan upottamiseksi erilliseen päättelymoottoriin, joka voi arvioida ja korjata vuorovaikutuksia reaaliajassa. Tällaiset sisäiset valvontajärjestelmät tulisi muodostua standardiksi kaikissa potilaslähtöisissä sovelluksissa. Validointoprotokollat myös tarvitsevat muotoilua, mukaan lukien benchmark-testaus ja jatkuva suoritusarviointi.

Ennen kaikkea nämä standardit tulisi integroida tuotekehitysprosessiin eikä kiinnittää niitä myöhemmin. Tällainen tiukkuus on olennainen potilasturvallisuuden ylläpitämiseksi, sääntelyluottamuksen saavuttamiseksi ja AI:n vastuullisen skaalauttamiseksi globaaleissa kliinisissä tutkimuksissa.

AI-mallit usein nojaavat historiallisiin tietokantoihin, jotka voivat heijastaa järjestelmällisiä terveydenhuollon taustoja. Miten lähestyt AI:n reiluutta ja monimuotoisuutta potilasrekrytoinnissa, erityisesti aliedustettujen ryhmien osalta?

Ei ole AI:n puute, joka on hidastanut monimuotoisuutta kliinisessä tutkimuksessa – se on se, ettei ole ollut todellista suunnitelmaa. Ja AI voi olla voimakas työkalu, joka auttaa meitä tavoittamaan aliedustettuja ryhmiä tehokkaammin, mutta vain jos olemme tarkoituksenmukaisia. Trialbeessa laajennamme dataa, jota mallimme käyttävät, rakennamme yhteisöjä ja seuraamme jatkuvasti rekrytointituloksia varmistaaksemme, ettei kukaan ryhmä jää jälkeen.

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

Trialbee on innovaatiokulttuuri, ja AI on kasvava osa sitä. Tänä vuonna yksin Honey-alustamme esitteli uudet sivujen työnkulut, rahoittajakohtaisen potilasrekisterin ja käyttötapauksia tukevia tutkimuslöytöjen verkkosivuja maailmanlaajuisille biolääketieteellisille tuotemerkeille, kuten BMSClinicalTrials.com. AI:n osalta näet uusia ominaisuuksia ja parannuksia julkaistavaksi seuraavien 3, 6, 12 kuukauden aikana ja sen jälkeen. Kehitämme chatboteja, älykkäitä työkaluja ja enemmän Honeyyn, samalla arvioimme uusia tapoja tehostaa prosesseja asiakkaidemme kannalta. Sisäisesti käytämme sitä tullaksemme kohdennetummaksi, tarkoituksenmukaisemmaksi, monipuolisemmaksi ja tehokkaammaksi kaikessa, mitä teemme – kokeneen tiimijäsenen ohjatessa jokaista AI-mallia, jonka käytämme.

Näkemys viiden vuoden päähän, miten Trialbeen rooli kehittyy, kun AI:sta tulee syvemmästi upotettu kliiniseen tutkimukseen? Minkälaisen roolin näet yrityksesi näyttelevän muotoilemassa eettisemmän, tehokkaamman ja maailmanlaajuisesti harmonisoituneemman tulevaisuuden potilasrekrytoinnille?

Viiden vuoden kuluttua näen Trialbeen johtavana AI-käyttöön perustuvana palveluntarjoajana kliinisen tutkimuksen potilasrekrytoinnissa. Olemme jo integroimassa generatiivista AI:ta jokaiseen rekrytointityönkulkuun, jossa se voi kiihdyttää nopeutta, parantaa tarkkuutta tai lisätä potilaiden valinnanvaraa. Kuten mainitsin aiemmin, arvioimme työkaluja, jotka antavat potilaille valinnan vuorovaikuttaa joko elävän lääkärin tai esimerkiksi AI-välin kanssa, riippuen heidän mieltymyksistään ja AI:n suhteen mukavuudesta. Uskon, että antamalla ihmisille tämä valinnanvapaus on avain kasvattaa luottamusta ja osallistumista ajan myötä.

Etiikan kannalta olemme sitoutuneita varmistamaan, että AI toteutetaan sääntelyyn perustuvalla järjestelmällä ja läpinäkyvyydellä. Se tarkoittaa upottamista itse teknologiaan ja avoimuutta siitä, miten järjestelmämme toimivat. Rakennamme myös AI:ta 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 alalla. Jos teemme sen oikein, voimme auttaa muotoilemaan tulevaisuutta, jossa tutkimukset ovat nopeampia, monipuolisempia ja helpompia potilaiden käytettävissä, riippumatta siitä, missä he asuvat tai mitä kieltä he puhuvat.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Trialbeessa.