Nijat Hasanli, Lindus Healthin tuotejohtaja – Haastattelusarja

Nijat Hasanli, Lindus Healthin tuotejohtaja, tuo mukanaan keskittyneen kokemuksen tuoteiden rakentamisesta ja skaalauksesta terveydenhuolto- ja teknologiajohtaisissa organisaatioissa. Hän johtaa nykyään Lindusin tuotestrategiaa ja -toteutusta vuodesta 2022 lähtien, aiemmin työskennellessään OneCommercessa ja Downforce Technologiesissa. Hänen kokemuksensa kattaa useita tuote-ympäristöjä Isossa-Britanniassa, missä hän on ollut vastuussa tuotekehityksen ja liiketoimintatuloksien yhdistämisestä, innovaatioiden edistämisestä ja monimutkaisten teknisten mahdollisuuksien kääntämisestä skaalattaviin, käyttäjälähtöisiin ratkaisuihin nopeasti muuttuvissa aloissa.

Lindus Health on AI-käyttöinen kliininen kokeiluyritys, joka toimii “vastuullisena tutkimusorganisaationa”, joka antaa bioteknologia- ja lääketeollisuusyrityksille suuremman valvonnan, nopeuden ja luotettavuuden kliinisten tutkimusten suorittamisessa. Yritys korvaa perinteiset sopimus tutkimusmallit täysin integroidulla, teknologiajohtaisella alustalla, joka hallinnoi kaikkea kokeilun suunnittelusta ja potilaiden rekrytoinnista aina datan keräämiseen ja toteutukseen yhden järjestelmän puitteissa, usein suorittaen kokeilut merkittävästi nopeammin kuin teollisuuden normit. Sen omistama AI-käyttöinen käyttöjärjestelmä mahdollistaa reaaliaikaisen näkyvyyden kokeilun suorituskykyyn, luo kannustimia merkintäperusteisella hinnoittelulla ja hyödyntää laajamittaista terveydenhuollon dataa parantamaan rekrytoinnin ja tuloksien parantamista, laajemman tavoitteen ollessa nopeuttaa uusien hoitotoimenpiteiden toimittaminen potilaille.

Voitko jakaa määrittävän hetken tai varhaisen haasteen, joka on auttanut muotoilemaan Lindus Healthin tehtävän tai tuotteen suunnitelman?

Kliinisten kokeilujen innovaatioita usein liitetään suuruuteen: suuriin organisaatioihin, merkittäviin pääomiin ja vakiintuneeseen infrastruktuuriin. Mutta meidän määrittävä varhainen hetki opetti meille vastakkaisen.

Kun suorittimme ensimmäisen kokeilumme, olimme tietoisia siitä, että pidimme sen yksinkertaisena – jommallakin tavalla, jota tiesimme voivamme turvallisesti toteuttaa teknologiamme avulla. Tuo rajoitus pakotti meidät yksinkertaisemaan kokeilun suunnittelun ja turvautumaan järjestelmiin, joita hallitsimme täysin, mikä teki riippuvuuksista ja tehokkuudesta näkyvimmän. Suuret, monimutkaiset ohjelmistopinot eivät ole välttämättömiä innovaatioita kokeilujen toimittamisessa. Kokeilujen toimittamisen innovaatio riippuu kokeilun omistamisesta alusta loppuun, yhdenmukaisen datapiipun kautta, joka yhdistää kaiken. Tuo näkyvyys antaa nähdä, miten kaikki toimii yhdessä, mikä paljastaa mahdollisuuksia, jotka ovat vaikeita tunnistaa hajanaisissa toimintamalleissa.

Miten teidän AI-pohjainen alustanne sujuvoittaa kliinisen kokeilun prosessia verrattuna perinteisiin malleihin?

Emme esitä tätä AI-pohjaisena alustana. Citrus^TM on AI-käyttöinen kokeilujärjestelmä. Käytämme hajautettua lähestymistapaa AI-soveltamiseen – emme panosta suurta AI:ta yhdessä domaineissa, vaan pyydämme insinööritiimiämme löytämään luotettavia, kontekstisidonnaisia sovelluksia järjestelmiimme. Se, mikä tekee tämän toimivaksi, on se, että suoritamme kokeiluja täysin toteutettavalla suunnittelulla. Kun AI nopeuttaa protokollaparsia, tuo tehokkuus virtaa tutkimussuunnitelmaan. Kun tutkimussuunnitelma on nopeampi, datajoukkue perii puhtaamman asetelman. Nämä pienet parannukset kerryttävät, koska jokainen vaihe tuottaa enemmän rakennettua tulostetta ja vähentää jälkitoimien uudelleen työtä.

Kaksi esimerkkiä havainnollistaa tätä: Käytämme AI:ta datan analyysikoodin generointiin, missä meillä on selkeät mekanismit tarkastella tulostetta ennen kuin se koskee mitään. Käytämme myös AI:ta protokollidokumenttien parsiimiseen tutkimussuunnitelman skeemoihimme – merkittäviä tehokkuuden parannuksia tuossa ensimmäisessä muunnoksessa, mutta rakennus kuitenkin kulkee useiden viikkojen katselun ja hyväksymisen läpi.

Emme sovella AI:ta kliinisiin hoitotyön prosesseihin. Koemme vastuun varmistaa, että sovelluksemme eivät aiheuta vaaraa potilaille kokeiluissamme, koska infrastruktuuri, joka tukee asianmukaisia varotoimia, on edelleen kehittymässä. Tämä välttää sääntely- ja turvallisuusriskit, jotka liittyvät AI:hin kliinisen hoitotyön prosesseissa. Muiden sovellusten on kuitenkin käytävä läpi sama tarkastelu kuin minkä tahansa AI:n tässä alalla – mutta perimmältään ne tarjoavat runsaasti aikaa ihmisen tarkastelulle. Kliininen hoito on erilainen riskiprofiili: silmänräpäyksessä tehtävät päätökset, joissa virheet voivat vaikuttaa suoraan potilasturvallisuuteen.

Pääasiallinen vaikutus on kliinisen tutkimustiimin tehokkuudella. Suurin osa sujuvoittamisesta palvelee suoraan kliinistä tutkimustiimia – tehokkuus, joka kerryttää. Jokainen viikko, jonka leikkaamme kokeilun toimittamisesta, on viikko lähempänä lääkekehitysprosessin valmistumista, mikä voi vähentää koko lääkekehitysprosessin aikaa. Ja lisäksi aikatauluparannuksista, AI-sovelluksemme tekevät enemmän kuin ennustavat rekrytoinnin. Ne seuraavat tulevaa dataa poikkeamista, turvallisuusmerkkejä ja riskiindikaattoreita – antaen tutkimusjoukkueelle selkeämmän näkyvyyden valvoa kokeiluja tehokkaasti.

Perinteisissä malleissa AI sovelletaan yleensä pistekohtaisena ratkaisuna – yksi työkalu yhdelle toiminnolle, erillään prosessin lopusta. Meidän loppupään malli antaa tehokkuuden voittaa koko kokeilun, jokainen parannus rakentuu edelliselle. Se heijastaa eroa yksittäisten funktioiden optimoinnissa ja suorituskyvyn parantamisessa kokeilun toteutuksen koko laajuudessa.

Tufts-tutkimus korostaa, että lähes kolmannes kliinisen kokeilun dataa on tarpeetonta. Miten Lindus Health käyttää AI:ta tunnistamaan ja poistamaan tarpeettoman datan keräämisen?

Se, mitä Tufts-tutkimus kuvailee, on jotain, mitä olemme nähneet omakohtaisesti. Kokemuksessamme syy on rakenteellinen: kun kokeilun toimittaminen on hajanainen useiden tiimien kesken, jokainen tiimi on kannustettu katmaan kaikki perussääntönsä. Tämä käyttäytyminen on rakenteellinen vastaus hajanaisuuteen.

Kun pääsemme kokeilun suunnitteluun, olemme tietoisia siitä, että tutkijat saattavat kysyä: “Miten paino muuttui kolmen kuukauden aikana tässä hoidossa?” Mutta instrumentin suunnittelija on keskittynyt operatiivisiin huolenaiheisiin – sivumaksujen laukaiseviin, yhdenmukaisuusruutuihin, auditin jäljitysvaatimuksiin. Molemmat näkökulmat ovat päteviä ja välttämättömiä. Ongelma on, että nämä toiminnot toimivat jaettujen asiayhteyksien kanssa. Tutkimuskysymys haudataan operatiivisen tukirakenteen alle, ja se kasvaa, ja tutkimuskysymys häviää.

On myös yksinkertaisempi kerros, jota voidaan käsitellä ennen teknisiä ratkaisuja. Tutkimusjoukkueillamme on jo pääsy AI-keskustelutyökaluihin, ja he käyttävät niitä jatkuvasti. Kun tiimit vastaanottavat kymmeniä protokolladokumentteja ja PDF-tiedostoja joka viikko, heidän on mahdollista syöttää niitä AI-tukeviin työkaluihin ja kysyä kysymyksiä, mikä muuttaa sitä, miten he käsittelevät materiaalia. Tämä auttaa joukkueita pysymään lähempänä tutkimuskysymystä eikä häviä operatiivisiin yksityiskohtiin.

Ensinnäkin, kokeilun suunnittelu. AI-työkalujen upottaminen suunnittelun ja rakennusprosessiin avaa mahdollisuuksia havaita nämä ongelmat aikaisin – ennen kuin ne lukkiutuvat protokollaan. Käytämme AI:ta jalostamaan tutkimusaikatauluja ja opastamaan suunnittelijoita protokollan kautta, merkitsemällä, missä tutkimussuunnitelma on liian monimutkainen, missä on toistoja tai missä virheitä on tullut. Suunnittelija voi tehdä perustellun päätöksen poistaa datapisteen tai vähentää keräämisen tiheyttä – ja perustelut on dokumentoitu.

Toiseksi, data-analyysi. Kun kokeilu on käynnissä, muuttaa sitä, mitä oli suunniteltu kerätä, on toinen haaste. Mutta AI voi auttaa joukkueita leikatamään melun nopeammin – nopeampi aggregaatio, mallintaminen ja poikkeamien merkintä tarkoittaa vähemmän aikaa manuaaliselle prosessoinnille. Se on tärkeää, koska se antaa joukkueille joustavuuden tunnistaa, onko tarpeetonta datan keräämistä vaikuttanut kokeiluun. Kun luotettavat näkymät saapuvat aikaisemmin, he voivat tehdä sopeutumia, merkitä ongelman tutkimusjoukkueelle tai rakentaa tapausta kokeilun sujuvoittamiseksi, kun on vielä aikaa toimia.

Tämä on rakenteellinen ongelma, jota käsitellään kahdessa vaiheessa: suunnittelussa, jotta voidaan poistaa monimutkaisuus ennen kuin se lukkiutuu, ja analyysissä, jotta voidaan antaa joukkueille nopeus tunnistaa ongelmat ja toimia niiden mukaan, kun kokeilu on edelleen käynnissä.

Mitkä ovat suurimmat väärinkäsitykset AI:n käytöstä kliinisen kokeilun yhteydessä, ja miten te käsittelette niitä sponsoreiden ja sääntelijöiden kanssa?

Suurin väärinkäsitys on epäröinti – oletus, että sponsoreiden ja sääntelijöiden vastustaisi AI:ta kliinisen kokeilun yhteydessä. Tämä ei heijasta kokemuksiamme.

Sääntelijöiden puolella varhaiset keskustelumme ovat osoittaneet, että vaikka sääntelijät ovat oikeutetusti varovaisia julkaisemasta ohjeita, sääntelijöiden henkilöstö on avoin keskustelemaan AI:sta kliinisen kokeilun yhteydessä. On yleinen tunnustus, että AI voi parantaa tuottavuutta, tehokkuutta ja laatua – ja tietäminen, kuinka paljon redundanssia on tässä alalla.

Sponsoreiden puolella olemme saaneet sponsoreita kysymään meiltä AI:sta ennen kuin se esiteltiin keskusteluissa. He etsivät aktiivisesti ratkaisuja, joita voisimme toteuttaa. Tämä johtuu kahdesta tekijästä: ensinnäkin, sponsorit käyttävät jo näitä työkaluja itse, joten he ymmärtävät potentiaalin. Toiseksi, he tunnistavat, että AI-vetovoimaiset tehokkuudet voivat leikata kokeilun kestoa, vähentää kustannuksia ja estää ongelmia, jotka muuten olisivat jääneet huomaamatta. Olemme kuulleet useilta sponsoreilta, että heidän organisaatioissaan on sisäinen paine osoittaa AI:n käyttö tehokkuuden parantamiseksi.

Suhteessa AI:han ja dataan, joita käytetään mallien kouluttamiseen, teollisuus on edennyt tässä suhteessa. Mallien tarjoajat ovat yhä selkeämpiä siitä, miten heidän käyttösuunnitelmansa toimivat. Olemme varovaisia siitä, että AI-työkalut, joita käytämme, eivät ruoki dataa perusmallien koulutukseen. Olemme yhtä varovaisia siitä, että koulutamme omia mallejamme tai menetelmiämme – ja missä tahansa, missä tämä tehdään, on oltava selkeästi määritelty työn kuvaus asiakkaan ja tarjoajan välillä. Selkeä asiakirjatieto datan käytöstä ja mallin käyttäytymisestä on vaadittavaa.

Näin ollen väärinkäsitykset ovat todellisia, mutta ne osoittavat vastuun: ole selkeä siitä, missä AI:ta käytetään, miten dataa käsitellään ja mitkä varotoimet on otettu. Asianmukainen kysymys sponsoreille ei ole se, pitäisikö heidän käyttää AI:ta kokeiluissaan – vaan onko heidän tarjoajallaan ajateltu nämä ongelmat läpi ja onko heillä halua olla avoimia siitä.

Miten te tasapainotatte automaation ja ihmisen valvonnan, jotta varmistatte sekä nopeuden että laadun kokeilun toteutuksessa?

Olemme varovaisia siitä, että käytämme AI:ta siellä, missä ei ole mahdollisuutta ihmisen tarkastelulle. Tämä heijastuu laadun dokumentaatiossa ja AI-käytäntössä.

Esimerkiksi: on olemassa tarjoajia, jotka tarjoavat chatbottia, jotka arvioivat potilaiden oikeutusta osallistua kokeiluun keskustelemalla. Tällainen automaatio vaatii paljon tarkempaa harkintaa kuin useimmat sovellukset. Parhaassa tapauksessa AI virheellisesti sulkee potilaan kokeilusta, joka olisi voinut auttaa. Huonossa tapauksessa se kelpuuttaa heidät, antaa tutkimusjoukkueelle signaalin, että he ovat läpäisseet seulonnan, ja tuo riskin rekrytoinniin, jota ei pitäisi olla.

Ihmisen valvonta ei auta tässä – kun ihminen tarkastelee tulostetta, AI on jo toiminut korkean riskin prosessissa. Vertaa tätä siihen, jos datan kerääminen menee pieleen: voit sopeuttaa instrumenttia tai hylätä datan. Mutta jos AI kertoo potilaalle tai tutkimuspaikalle ryhtyä toimeen, potentiaalinen vahinko on suurempi – sekä vakavuudessa että verrattuna muihin paikkoihin, missä AI voi mennä pieleen kokeilussa.

Tämä tasapaino on saavutettavissa keskittymällä sovelluksiin, joissa ihmisen tarkastelu on integroitu ja riskit ovat hallittavissa. AI on tehokkainta prosesseissa, joissa ihmisen tarkastelu on upotettu ja virheet ovat korjattavissa.

Mitkä teknologiat tai suunnitteluperiaatteet ovat tehokkaimpia vähentämään potilaan taakkaa ja parantamaan pidättävyyttä?

Potilaan taakka ja pidättävyys tulee pienistä, tietoisista askelista, jotta voidaan varmistaa hyvä kokemus. Yksittäinen interventio ei ratkaise tätä itsenään.

Kaksi suunnitteluperiaatetta ovat tärkeimmät.

Ensinnäkin, potilaiden näkökulmasta näkyvän sisällön ja käyttöliittymien laatu. Potilasohje, suostumuslomake, sovellus, jota he käyttävät kokeilun aikana – kaikki nämä muokkaavat kokemusta. Teksti pitäisi olla selkeää ja yksinkertaista. Käyttöliittymät pitäisi olla yksinkertaisia: intuitiivista navigaatiota, vähän kitkaa, ei piilotettuja asiakirjoja. Potilasjärjestöjen konsultointi voi auttaa jalostamaan näitä materiaaleja ennen kuin ne tavoittavat osallistujat. Hyvä käyttöliittymän suunnittelu on yhtä tärkeää tässä kuin missä tahansa, etenkin kliinisissä kokeiluissa, joissa ette ole tekemisissä miljoonien käyttäjien kanssa, jotka lopulta sopeutuvat.

Toiseksi, miten tutkimusjoukkueet pysyvät yhteydessä potilaisiin. Tämä tarkoittaa viestintätyökaluja – muistutuksia, kutsuja, ilmoituksia – ja seurantainfrastruktuuria, joka paljastaa potilaan tilan, noudattamisen ja turvallisuusmerkit. Automaattiset valvontaskriptit auttavat tässä, merkitsemällä, mitä vaatii huomiota, jotta joukkueet voivat reagoida nopeasti. Konenoppiminen voi havaita kuviota noudattamisen datasta – varhaiset merkit irtautumisesta ennen kuin potilas jättää kokeilun – mahdollistaen proaktiivisen intervention reaktiivisen seuraamisen sijaan. Tavoitteena on oikea tieto oikeille ihmisille oikeaan aikaan, ilman melua, joka vähentää sitä, mitä on tärkeää.

Nämä parannukset eivät riipu uudesta teknologiasta, mutta ne eivät tule myöskään valmiista ratkaisuista – ei ole tuotetta, jota voisi lisätä kokeiluun ja odottaa, että se toimisi. Se vaatii huomiota: ymmärtämistä siitä, missä potilaat kohtaavat kitkaa ja ratkaisemista sitä tietoisesti. Mitä moderni AI-työkalu tarjoaa, on tapa tehdä tämä nopeammin – jalostaa tekstiä, tarkastella sävyä, automatisoida seurantaskriptejä. Teknologia on kypsää. Ero on siinä, ratkaiseeko kokeilun vai potilaan.

Miten Lindus Health kerää ja integroi potilaan palautetta kokeilun suunnitteluun, samalla pitäen prosessin suppeana ja tehokkaana?

Yksityisyys- ja vaatimustenmukaisuusvaatimukset muotoilevat, miten potilaan palautetta voidaan kerätä – lähestymistavan on toimittava näiden rajoitusten puitteissa. Perussuojaus kaappailee palvelun käytettävyyden, de-identifioitujen käyttödatan (laite, sovelluksen käyttäytyminen), mukaan lukien noudattamisen kuviot – kuinka johdonmukaisesti osallistujat suorittavat suunnitellut arviot. Kun tämä data paljastaa kitkaa, se ruokkii suunnittelupäätöksiä tuleviin kokeiluihin.

Suoremman integraation tarjoavat tutkimusjoukkueet. Koordinaattorit ovat rohkaistuja osallistumaan osallistujiin ja keräämään signaaleja heidän kokemuksistaan, ja sitten ruokkimaan tätä tietoa laajempaan joukkueeseen. Tämä vahvistetaan kulttuurisesti – potilaan kokemuspalautetta julkaistaan jaettuihin kanaviin ja korostetaan yrityksen kaikissa kokouksissa.

On myös rakenteellinen etu. Toisin kuin perinteinen malli, jossa uusi tutkimusjoukkue kootaan jokaisen tutkimuksen kohdalla, Lindus suorittaa kokeilut samalla teknologialla, jonka tiimijäsenet ovat työskennelleet useissa tutkimuksissa. Tämä jatkuvuus mahdollistaa oppimisen – sekä koodatun että älykkään – virrata yhdestä kokeilusta seuraavaan. Kun koordinaattori kohtaa kitkaa yhdessä tutkimuksessa, se voi vaikuttaa siihen, miten seuraava tutkimus suunnitellaan.

Potilasjärjestöt laajentavat tätä edelleen, paljastaen näkökulmia, joita ei tulisi sisäisistä kanavista – erityisesti siitä, miten tutkimusmateriaalit ja -prosessit vaikuttavat eri potilasväestöihin.

Prosessi pysyy suppeana, koska palautetta virtaa olemassa olevien rakenteiden kautta eikä edellytä erillistä soittimeksi kokeilua kohden.

Mitkä ovat suurimmat muutokset, jotka tarvitaan teollisuudelle, jotta kliininen tutkimus voisi tulla nopeammaksi ja luotettavammaksi?

Teollisuudella on rakenteellinen inertia, joka vaatii toimijoita toimimaan eri tavoin ja osoittamaan vaihtoehtoisia lähestymistapoja käytännössä. Yritysten innovaatio-ohjelmat ja johtajan määräykset ovat rajallisia vaikutuksia operatiivisiin muutoksiin – mitä tarvitaan, ovat toimijat, jotka todella tekevät asioita eri tavoin ja osoittavat, että se toimii.

Tilastollinen ohjelmointi havainnollistaa mallin. Tämä on taitava työ – kliinisen datan muuntaminen biotilastolliseen analyysiin – suoritettuna erikoistuneiden ammattilaisten toimesta, jotka ovat syvällä alansa asiantuntijoita. Mutta ammattilaisten rekrytointi on haasteellista. Ammattilaiset, joilla on tausta data- tai insinööritieteissä, harvoin valitsevat tätä, vaikka taitojen profiilit ovat merkittävästi päällekkäisiä. Työ on edelleen eristynyt, menetelmät ulkopuolisille epäselviä, ja ammattilaisten virta on rajoitettu.

AI voisi avata tämän – modernit työkalut voivat käsitellä suurimman osan muunnos työstä, ja kaksinkertaiset ohjelmointivaatimukset (jossa kaksi ohjelmoijaa tuottaa riippumattomia tulosteita) voidaan täyttää AI-ihmisen pareilla eikä ihmisen-ihmisen pareilla. Mutta teknologia yksin ei ratkaise rakenteellisia ongelmia. Tarvitaan toimijoita, jotka ovat valmiit toteuttamaan sitä tarkoituksenmukaisesti ja osoittamaan, että se täyttää sääntelyvaatimukset. Ilman tätä kyky pysyy alikäytettynä.

Laajempi opetus on: nopeammat, luotettavammat kokeilut vaativat enemmän kuin uusia työkaluja. Ne vaativat tilan luomista – palkkaamisessa, sääntelyn tulkinnassa, organisaatiokulttuurissa – ihmisille, jotka työskentelevät eri tavoin. Tämä on, miten aikataulut voidaan vähentää käytännössä.

Miten te näette AI:n, datan ja kokeilun suunnittelun suhteen kehittyvän seuraavien viiden vuoden aikana?

Suhde muotoillaan rakenteellisella todellisuudella: AI:n tehokkuus on rajoitettu siitä kontekstista, jonka se saa. Ilman rikasta, tarkkaa kontekstia – mistä data tulee, minkälaisia muunnoksia se on kokenut, mitä se todella tarkoittaa – jopa vahvat mallit tuottavat epäluotettavia tulosteita.

Suurin osa kliinisen kokeilun teollisuudesta on hajanainen. CRO:t näkevät kokeilun elinkaaren fragmentteja. Sponsoreiden työskentelee useiden toimittajien kanssa, joilla kullakin on osa kuvaa. Konteksti häviää jokaisessa siirtymässä. Kun kysyt AI-järjestelmältä päättelyä kokeilun datasta tässä ympäristössä, se toimii epätäydellisellä tiedolla – ja epätäydellinen tieto tuottaa epäluotettavia tulosteita.

Organisaatiot, jotka hyötyvät eniten AI:sta, ovat niitä, joilla on loppupään jäljitettävyys. He hallitsevat dataketjun kokeilun suunnittelusta datan keräämiseen ja analyysiin. He eivät johda kontekstia – he luovat sen. He suunnittelevat lomakkeet, määrittelevät kentät, kirjoittavat datasanastikon. Jokainen datapisteen alkuperä on varmistettu, koska organisaatio loi sen. Tuo jäljitettävyys ei ole vain operatiivinen tehokkuus – se on se, mikä mahdollistaa luotettavat päätökset, jotka vaikuttavat potilaisiin.

Seuraavien viiden vuoden aikana tämä rakenteellinen etu kasvaa. Organisaatiot, joilla on loppupään näkyvyys, käyttävät AI:ta tehokkaammin – sopeutuvista kokeilusuunnitelman muutoksista, jotka reagoivat tulevaan dataan, kokeilun optimointiin, joka perustuu historiallisiin kuviin – kaappaavat oppimisen, joka parantaa heidän järjestelmiään, ja laajentaa aukkoa. Ne, jotka työskentelevät hajanaisen datan kanssa, löytävät AI:n lupaavan, mutta epäluotettavan: järjestelmät, jotka suorittavat hyvin hallitussa ympäristössä, mutta eivät yleisty luotettavasti tuotantoympäristössä.

Kysymys teollisuudelle ei ole se, onko AI tärkeää. Se on se, onko data-infrastruktuuri olemassa, jotta AI olisi luotettava. Useimmissa tapauksissa se ei ole vielä. Se on työ, joka on edessä.

Kiitos haastattelusta, lukijoille, jotka haluavat oppia lisää AI-käyttöisistä kliinisen kokeilun toteutuksista, loppupään datan omistamisesta ja nopeammasta tutkimuksen toimittamisesta, kannattaa vierailla Lindus Health-sivustolla.