Haastattelut
Nijat Hasanli, Lindus Healthin tuotejohtaja – Haastattelusarja

Keskeiset kohdatLindus Healthin tekoälyyn perustuva koejärjestelmä kasvattaa tehokkuutta kattavasti…
Näytä lisää
- Lindus Healthin tekoälyyn perustuva koejärjestelmä kasvattaa tehokkuutta kattavasti koko kokeen toteutusvaiheen ajan.
- Yhtiö välttää tekoälyn käyttöä potilashoidon työnkuluissa poistaakseen suorat potilasturvallisuusriskit.
- Perinteisten kokeiden rakenteellinen hajanaisuus aiheuttaa tarpeetonta tiedonkeruuta, jota tekoäly voi auttaa poistamaan varhaisessa vaiheessa.
Nijat Hasanli toimii Lindus Healthin tuotejohtajana. Hänellä on vahva kokemus tuotetoimintojen rakentamisesta ja kasvattamisesta terveysteknologian ja muiden teknologiavetoisten organisaatioiden parissa. Hän on johtanut Lindusin tuotestrategiaa ja sen toteutusta vuodesta 2022 työskenneltyään aiemmin OneCommercessa ja Downforce Technologiesissa. Hän on toiminut erilaisissa tuoteympäristöissä Isossa-Britanniassa, yhdistänyt tuotekehitystä liiketoiminnan tavoitteisiin, edistänyt innovaatioita ja muuntanut monimutkaisia teknisiä valmiuksia skaalautuviksi, käyttäjälähtöisiksi ratkaisuiksi nopeasti muuttuvilla toimialoilla.
Lindus Health on tekoälyvetoinen kliinisten tutkimusten yritys, joka toimii ”Accountable Research Organization” -mallilla eli kokonaisvastuullisena tutkimusorganisaationa. Sen tavoitteena on antaa bioteknologia- ja lääkeyrityksille enemmän hallintaa, nopeutta ja luotettavuutta kliinisten tutkimusten toteuttamiseen. Yritys korvaa perinteiset sopimustutkimusmallit täysin integroidulla, teknologiaa painottavalla alustalla. Se hallitsee yhdessä järjestelmässä kaiken tutkimussuunnittelusta ja potilasrekrytoinnista tiedonkeruuseen ja toteutukseen, ja tutkimukset valmistuvat usein huomattavasti alan tavanomaisia aikatauluja nopeammin. Yrityksen oma, alusta lähtien tekoälylle rakennettu käyttöjärjestelmä tarjoaa reaaliaikaisen näkymän tutkimuksen etenemiseen. Se yhdenmukaistaa kannustimet välitavoitteisiin perustuvalla hinnoittelulla ja hyödyntää laajoja terveystietoaineistoja rekrytoinnin ja tulosten parantamiseen. Laajempana tavoitteena on nopeuttaa uusien hoitojen saamista potilaiden käyttöön.
Voitko kertoa ratkaisevasta hetkestä tai alkuvaiheen haasteesta, joka auttoi muovaamaan Lindus Healthin tehtävää tai tuotteiden kehityssuuntaa?
Kliinisissä tutkimuksissa innovaatio yhdistetään usein suureen mittakaavaan: suuriin organisaatioihin, merkittävään pääomaan ja vakiintuneeseen infrastruktuuriin. Meille ratkaiseva alkuvaiheen kokemus opetti kuitenkin päinvastaista.
Kun toteutimme ensimmäisen tutkimuksemme, pidimme sen tarkoituksella yksinkertaisena: valitsimme jotain, minkä tiesimme voivamme toteuttaa turvallisesti teknologiallamme. Tämä rajoite pakotti meidät yksinkertaistamaan tutkimusasetelmaa ja tukeutumaan täysin hallitsemiimme järjestelmiin. Näin riippuvuudet ja tehottomuudet tulivat paremmin näkyviin. Tutkimusten toteutuksen uudistamiseen ei tarvita suuria ja erittäin monimutkaisia ohjelmistokokonaisuuksia. Innovointi edellyttää koko tutkimuksen hallintaa alusta loppuun sekä kaiken yhdistävää yhtenäistä dataputkea. Näkyvyys auttaa hahmottamaan kokonaisuuden ja paljastaa mahdollisuuksia, joita hajanaisissa toimintamalleissa on vaikea tunnistaa.
Miten tekoälypohjainen alustanne sujuvoittaa kliinisen tutkimuksen prosessia perinteisiin malleihin verrattuna?
Emme kuvaa tätä tekoälypohjaiseksi alustaksi. CitrusTM on alusta lähtien tekoälylle rakennettu tutkimusten käyttöjärjestelmä. Sovellamme tekoälyä hajautetusti: emme panosta kaikkea yhteen käyttökohteeseen, vaan hyödynnämme ohjelmistokehitystiimiämme luotettavien, asiayhteyteen sopivien sovellusten löytämiseksi eri puolilta järjestelmiämme. Tämä toimii, koska vastaamme tutkimusten toteutuksesta kokonaisuudessaan. Kun tekoäly nopeuttaa tutkimussuunnitelman jäsentämistä, hyöty siirtyy tutkimusasetelman suunnitteluun. Nopeammasta suunnittelusta datatiimi saa selkeämmän lähtöasetelman. Pienet parannukset kertautuvat, koska jokainen vaihe tuottaa jäsennellympiä tuloksia ja vähentää myöhemmissä vaiheissa tarvittavaa korjaustyötä.
Kaksi esimerkkiä havainnollistaa tätä. Tuotamme tekoälyllä data-analyysikoodia, ja meillä on selkeät menettelyt tuotoksen tarkastamiseen ennen kuin sitä käytetään mihinkään. Käytämme tekoälyä myös tutkimussuunnitelma-asiakirjojen jäsentämiseen järjestelmämme tutkimusasetelman rakenteiksi. Ensimmäinen muunnos tehostuu merkittävästi, mutta toteutus käy silti läpi viikkojen tarkastukset ja hyväksymistestauksen.
Emme sovella tekoälyä potilaiden kliinisen hoidon työnkulkuihin. Koemme velvollisuudeksemme varmistaa, etteivät sovelluksemme aiheuta vahingon riskiä tutkimustemme potilaille, sillä asianmukaisia suojatoimia tukeva infrastruktuuri on vielä kehittymässä. Näin vältämme tekoälyn kliiniseen hoitokäyttöön liittyvät sääntely- ja turvallisuusriskit. Muihin sovelluksiimme kohdistuu sama tarkka arviointi kuin muuhunkin tekoälyyn tällä alalla, mutta niissä on lähtökohtaisesti runsaasti aikaa ihmisen tekemälle tarkastukselle. Kliinisen hoidon riskiprofiili on erilainen: päätökset tehdään tilanteen aikana, ja virheet voivat vaikuttaa suoraan potilasturvallisuuteen.
Päävaikutus kohdistuu kliinisten tutkimustiimien tehokkuuteen. Suuri osa prosessien sujuvoittamisesta palvelee suoraan tutkimustiimiä, ja hyödyt kertautuvat. Jokainen tutkimuksen toteutuksesta säästetty viikko vie viikon lähemmäksi lääkekehityssyklin valmistumista ja voi lyhentää lääkekehityksen kokonaisaikataulua. Aikahyötyjen lisäksi tekoälysovelluksemme tekevät muutakin kuin ennustavat rekrytointia: ne seuraavat saapuvaa dataa poikkeamien, turvallisuussignaalien ja riski-indikaattorien varalta ja antavat tutkimustiimille paremman näkyvyyden tutkimusten tehokkaaseen valvontaan.
Perinteisissä malleissa tekoäly on yleensä erillisratkaisu: yksi työkalu yhteen toimintoon, irrallaan muusta prosessista. Koko tutkimuksen kattavassa mallissamme tehokkuushyödyt siirtyvät läpi tutkimuksen ja jokainen parannus rakentuu edellisen varaan. Kyse on erosta yksittäisten toimintojen optimoinnin ja tutkimuksen koko toteutuksen suorituskyvyn parantamisen välillä.
Tuftsin tutkimuksen mukaan lähes kolmannes kliinisten tutkimusten datasta on tarpeetonta. Miten Lindus Health tunnistaa ja poistaa tarpeetonta tiedonkeruuta tekoälyn avulla?
Tuftsin tutkimuksen kuvaama ilmiö on meille tuttu omasta kokemuksesta. Näemme perussyyn rakenteissa: kun tutkimuksen toteutus jakautuu eri tiimeille, jokaisella on kannustin varmistella kaikki mahdolliset asiat. Tämä on rakenteellinen reaktio hajautuneeseen vastuuseen. Aina toimittajasopimuksista tiedonkeruuvälineisiin jokainen vastuun siirtyminen lisää uuden varmistelukerroksen.
Tutkimusten tiedonkeruulomakkeiden suunnittelija on usein jo kaukana alkuperäisestä tutkimuskysymyksestä. Tutkija voi kysyä: ”Miten paino muuttui kolmen kuukauden aikana tällä hoidolla?” Tiedonkeruuvälineen suunnittelija puolestaan keskittyy operatiivisiin kysymyksiin, kuten tutkimuskeskuksille maksettavien korvausten ehtoihin, vaatimustenmukaisuuden tarkistuskohtiin ja auditointijäljen vaatimuksiin. Molemmat näkökulmat ovat perusteltuja ja tarpeellisia. Ongelma on, ettei toiminnoilla ole yhteistä asiayhteyttä. Operatiivinen tukirakenne kasvaa, ja tutkimuskysymys hautautuu sen alle.
Ennen teknisiä ratkaisuja on myös yksinkertaisempi taso käsiteltävänä. Tutkimustiimeillämme on jo pääsy tekoälypohjaisiin keskustelutyökaluihin, ja niitä käytetään jatkuvasti. Kun tiimit saavat viikoittain kymmeniä tutkimussuunnitelmia ja PDF-tiedostoja, mahdollisuus syöttää ne tekoälyavusteisiin työkaluihin ja esittää kysymyksiä muuttaa aineiston käsittelyä. Näin tiimit pysyvät lähempänä tutkimuskysymystä eivätkä huku operatiivisiin yksityiskohtiin.
Ensimmäinen vaihe on tutkimuksen suunnittelu. Tekoälytyökalujen sisällyttäminen suunnittelu- ja toteutusprosessiin auttaa havaitsemaan ongelmat ennen kuin ne lukitaan tutkimussuunnitelmaan. Tuotamme tekoälyllä tarkennettuja tutkimusaikatauluja ja opastamme suunnittelijoita tutkimussuunnitelman läpi. Se merkitsee kohdat, joissa suunnitelma monimutkaistuu liikaa, joissa on päällekkäisyyksiä tai joihin on päässyt virheitä. Suunnittelija voi sen perusteella päättää harkitusti yksittäisen tiedon poistamisesta tai keruutiheyden vähentämisestä ja dokumentoida perustelut.
Toinen vaihe on data-analyysi. Tutkimuksen jo käynnistyttyä suunnitellun tiedonkeruun muuttaminen on erilainen haaste. Tekoäly auttaa kuitenkin erottamaan olennaisen nopeammin: aineiston nopeampi yhdistäminen, kuvioiden tunnistaminen ja poikkeamien merkitseminen vähentävät käsityötä. Näin tiimit voivat ketterämmin selvittää, vaikuttaako tarpeeton tiedonkeruu tutkimukseen ja missä se vaikuttaa. Kun luotettavia havaintoja saadaan aiemmin, voidaan tehdä muutoksia, nostaa ongelma tutkimustiimin käsittelyyn tai perustella tutkimussuunnitelman muutos tiedonkeruun sujuvoittamiseksi silloin, kun vielä ehditään toimia.
Rakenteelliseen ongelmaan puututaan siis kahdessa vaiheessa: suunnittelussa havaitaan ja poistetaan monimutkaisuus ennen sen lukitsemista, ja analyysissä tiimeille annetaan nopeutta tunnistaa ongelmat ja reagoida niihin tutkimuksen ollessa käynnissä.
Mitkä ovat suurimmat väärinkäsitykset tekoälyn käytöstä kliinisissä tutkimuksissa, ja miten käsittelette niitä toimeksiantajien ja viranomaisten kanssa?
Suurin väärinkäsitys koskee epäröintiä: oletetaan, että toimeksiantajat ja viranomaiset vastustaisivat tekoälyä kliinisissä tutkimuksissa. Kokemuksemme ei tue tätä.
Varhaiset viranomaiskeskustelumme osoittavat, että vaikka viranomaiset ovat asianmukaisen varovaisia ohjeiden julkaisemisessa, organisaatioissa työskentelevät ihmiset keskustelevat avoimesti tekoälystä kliinisissä tutkimuksissa. Yleisesti tunnistetaan tekoälyn mahdollisuudet parantaa tuottavuutta, tehokkuutta ja laatua sekä tiedostetaan alan suuri päällekkäisen työn määrä.
Toimeksiantajat ovat kysyneet meiltä tekoälystä jo ennen kuin itse otimme sen puheeksi. He ovat aktiivisesti halunneet meidän löytävän ja toteuttavan näitä ratkaisuja. Syitä on kaksi. He käyttävät jo joitakin työkaluja itse ja ymmärtävät mahdollisuudet. Lisäksi he näkevät, että tekoälyn tuomat tehokkuushyödyt voivat lyhentää tutkimuksia, alentaa kustannuksia ja ehkäistä muuten huomaamatta jääviä ongelmia. Useat ovat kertoneet organisaatioidensa sisäisestä paineesta osoittaa tekoälyn käyttöä tehokkuuden parantamiseen.
Tähän liittyy myös huoli datan käyttämisestä tekoälymallien kouluttamiseen. Ala kehittyy tässä, ja mallitoimittajat selventävät yhä paremmin käyttöpakettiensa toimintaa. Varmistamme huolellisesti, etteivät käyttämämme tekoälytyökalut syötä dataa perusmallien koulutukseen. Olemme yhtä huolellisia omien malliemme tai menetelmiemme kouluttamisessa. Jos joku tekee näin, siitä on kerrottava nimenomaisesti asiakkaan ja toimittajan välisessä työn sisältöä määrittävässä sopimusasiakirjassa. Datan käyttö ja mallin toiminta on dokumentoitava selkeästi.
Väärinkäsityksiä siis on, mutta ne korostavat vastuuta: on kerrottava selkeästi, missä tekoälyä käytetään, miten dataa käsitellään ja mitä suojatoimia on käytössä. Toimeksiantajalle olennainen kysymys ei ole, pitäisikö tutkimuksissa käyttää tekoälyä, vaan onko palveluntarjoaja miettinyt nämä kysymykset läpi ja onko se valmis avoimuuteen.
Miten tasapainotatte automaation ja ihmisen valvonnan varmistaaksenne sekä tutkimusten toteutuksen nopeuden että laadun?
Suhtaudumme varovaisesti tekoälyn käyttöön tilanteissa, joissa ihmisen tarkastus ei ole mahdollinen. Tämä näkyy laatudokumentaatiossamme ja tekoälylinjauksessamme.
Esimerkiksi jotkut toimittajat tarjoavat keskustelubotteja, jotka arvioivat potilaan soveltuvuutta tutkimukseen keskustelun perusteella. Tällainen automaatio vaatii paljon useimpia sovelluksia tarkempaa harkintaa. Parhaassa tapauksessa tekoäly sulkee jonkun virheellisesti pois tutkimuksesta, josta hän olisi voinut hyötyä. Pahimmassa tapauksessa se hyväksyy hänet, ilmoittaa tutkimustiimille seulonnan läpäisystä ja tuo rekrytointiin riskin, jota siinä ei pitäisi olla.
Ihmisen valvonta ei auta tässä: siinä vaiheessa, kun ihminen tarkastaa tuotoksen, tekoäly on jo toiminut korkean riskin työnkulussa. Vertailukohtana on tutkimuksen tiedonkeruulomakkeen virhe. Jos tiedonkeruu menee pieleen, välinettä voi muuttaa tai datan hylätä. Mutta jos tekoäly ohjaa potilasta tai tutkimuskeskusta toimimaan, peruuttamattoman vahingon mahdollisuus on suurempi, sekä vakavuudeltaan että verrattuna tutkimuksen muihin tekoälyvirheisiin.
Tasapaino saavutetaan keskittymällä sovelluksiin, joissa ihmisen tarkastus on osa prosessia ja riskit ovat hallittavissa. Tekoäly toimii parhaiten työnkuluissa, joihin ihmisen tarkastus on sisäänrakennettu ja joissa virheistä voidaan toipua.
Mitkä teknologiat tai suunnitteluperiaatteet vähentävät tehokkaimmin potilaiden kuormitusta ja auttavat heitä pysymään tutkimuksessa?
Potilaiden kuormituksen vähentäminen ja tutkimuksessa pysyminen rakentuvat pienistä, harkituista askelista, joilla varmistetaan hyvä kokemus. Mikään yksittäinen toimenpide ei ratkaise asiaa yksin.
Tärkeimpiä suunnitteluperiaatteita on kaksi.
Ensimmäinen on potilaille suunnatun sisällön ja käyttöliittymien laatu. Potilastiedote, suostumuslomake ja tutkimuksessa käytettävä sovellus muovaavat kaikki kokemusta. Tekstin pitää olla selkeää ja ytimekästä. Käyttöliittymien tulee olla yksinkertaisia: intuitiivinen navigointi, mahdollisimman vähän kitkaa eikä piiloon jääviä asiakirjoja. Potilaiden etuja edustavien tahojen kuuleminen voi auttaa hiomaan materiaaleja ennen niiden antamista osallistujille. Hyvä käyttökokemussuunnittelu on täällä yhtä tärkeää kuin muuallakin, erityisesti kliinisissä tutkimuksissa, joissa käyttäjiä ei ole miljoonia niin, että he lopulta mukautuisivat järjestelmään.
Toinen on tutkimustiimien yhteys potilaisiin. Siihen tarvitaan viestintävälineitä, kuten muistutuksia, kutsuja ja ilmoituksia, sekä seurantainfrastruktuuria, joka tuo esiin potilaiden tilan, tutkimusohjelman noudattamisen ja turvallisuussignaalit. Automaattiset valvontaskriptit merkitsevät huomiota vaativat asiat, jotta tiimit voivat reagoida nopeasti. Koneoppiminen voi tunnistaa noudattamista kuvaavasta datasta kuvioita, esimerkiksi varhaisia merkkejä sitoutumisen heikkenemisestä ennen keskeyttämistä. Se mahdollistaa ennakoivan puuttumisen jälkikäteisen seurannan sijaan. Tavoitteena on oikea tieto oikeille ihmisille oikeaan aikaan ilman olennaisen peittävää hälyä.
Parannukset eivät edellytä uutta teknologiaa, mutta niitä ei saa myöskään valmiista ratkaisuista: mitään tuotetta ei voi vain lisätä tutkimukseen ja odottaa sen toimivan. Tarvitaan huolellisuutta: on ymmärrettävä, missä potilaat kohtaavat kitkaa, ja puututtava siihen tarkoituksella. Modernit tekoälytyökalut nopeuttavat tätä työtä esimerkiksi tekstin hiomisessa, sävyn arvioinnissa ja seurantaskriptien automatisoinnissa. Teknologia on kypsää. Ratkaisevaa on, ratkaistaanko tutkimuksen vai potilaan ongelmia.
Miten Lindus Health kerää potilaspalautetta ja sisällyttää sen tutkimussuunnitteluun pitäen prosessin kevyenä ja tehokkaana?
Yksityisyys- ja vaatimustenmukaisuusvaatimukset määrittävät potilaspalautteen keruun rajat, ja menettelyjen on toimittava niiden sisällä. Perusseuranta tallentaa palvelun käytettävyysajan, tunnisteettoman käyttödatan, kuten laitetyypin ja sovelluksen toiminnan, sekä sen, kuinka johdonmukaisesti osallistujat suorittavat aikataulutetut arvioinnit. Kun data tuo esiin kitkakohtia, havainnot ohjaavat tulevien tutkimusten suunnittelua.
Suorempi yhteys syntyy tutkimushenkilöstön kautta. Koordinaattoreita kannustetaan keskustelemaan osallistujien kanssa, keräämään havaintoja heidän kokemuksistaan ja välittämään ne laajemmalle tiimille. Tätä vahvistetaan yrityskulttuurissa: potilaskokemuksista saatua palautetta julkaistaan yhteisissä kanavissa ja nostetaan esiin koko yrityksen henkilöstötilaisuuksissa.
Lisäksi meillä on rakenteellinen etu. Perinteisessä mallissa jokaista tutkimusta varten kootaan uusi tutkimustiimi. Lindus käyttää samaa teknologiaa ja tiimin jäseniä, jotka ovat työskennelleet useissa tutkimuksissa. Jatkuvuus antaa sekä dokumentoidun että hiljaisen tiedon siirtyä tutkimuksesta seuraavan suunnitteluun. Koordinaattorin yhdessä tutkimuksessa havaitsema kitka voi siten vaikuttaa seuraavan tutkimuksen toteutustapaan.
Potilasjärjestöt laajentavat näkökulmaa tuomalla esiin kokemuksia, jotka eivät välittyisi sisäisiä kanavia pitkin. Tämä koskee erityisesti sitä, miten eri potilasryhmät kokevat tutkimusmateriaalit ja prosessit.
Prosessi pysyy kevyenä, koska palaute kulkee olemassa olevien rakenteiden kautta eikä jokaista tutkimusta varten tarvita erillistä järjestelyä.
Mitä koko alalla pitää muuttua, jotta kliinisestä tutkimuksesta tulisi nopeampaa ja luotettavampaa?
Alan rakenteellinen hitaus edellyttää ammattilaisilta uudenlaisia toimintatapoja ja vaihtoehtoisten menetelmien osoittamista käytännössä. Yritysten innovaatio-ohjelmat ja johdon määräykset muuttavat toimintaa vain rajallisesti. Tarvitaan ammattilaisia, jotka todella toimivat eri tavalla ja osoittavat sen toimivan.
Tilastollinen ohjelmointi havainnollistaa tätä. Kliinisen datan muuntaminen biostatistista analyysia varten on vaativaa asiantuntijatyötä, jota tekevät alansa syvällisesti tuntevat ammattilaiset. Alalle on kuitenkin vaikea houkutella osaajia. Datatieteen tai insinööritieteiden taustan omaavat ammattilaiset valitsevat sen harvoin, vaikka osaamisessa on paljon yhteistä. Työ pysyy siiloutuneena, menetelmät ulkopuolisille vaikeaselkoisina ja osaajavirta rajallisena.
Tekoäly voisi avata tätä aluetta. Modernit työkalut pystyvät tekemään suuren osan muunnostyöstä, ja kaksoisohjelmoinnin vaatimukset, joissa kaksi ohjelmoijaa tuottaa tulokset toisistaan riippumatta, voidaan täyttää tekoälyn ja ihmisen pareilla kahden ihmisen sijaan. Pelkkä teknologia ei silti ratkaise rakenteellisia ongelmia. Tarvitaan ammattilaisia, jotka ottavat sen käyttöön harkiten ja osoittavat sen täyttävän sääntelyvaatimukset. Muuten kyvykkyys jää vajaakäyttöön.
Laajempi opetus on, että nopeammat ja luotettavammat tutkimukset vaativat muutakin kuin uusia työkaluja. Rekrytoinnissa, sääntelyn tulkinnassa ja organisaatiokulttuurissa on tehtävä tilaa ihmisille, jotka työskentelevät eri tavalla. Näin aikatauluja lyhennetään käytännössä.
Miten näet tekoälyn, datan ja tutkimussuunnittelun suhteen kehittyvän seuraavien viiden vuoden aikana?
Suhdetta muovaa rakenteellinen tosiasia: tekoälyn tehokkuutta rajoittaa sen saaman asiayhteyden laatu. Ilman rikasta ja täsmällistä tietoa datan alkuperästä, sille tehdyistä muunnoksista ja sen todellisesta merkityksestä vahvatkin mallit tuottavat epäluotettavia tuloksia.
Valtaosa kliinisten tutkimusten alasta on hajanaista. Sopimustutkimusorganisaatiot eli CRO:t näkevät vain osia tutkimuksen elinkaaresta. Toimeksiantajat työskentelevät useiden toimittajien kanssa, ja jokaisella on osa kokonaiskuvasta. Asiayhteyttä katoaa jokaisessa siirtymässä. Kun tekoälyä pyydetään päättelemään tutkimusdatasta tällaisessa ympäristössä, se toimii puutteellisen tiedon varassa, mikä tuottaa epäluotettavia tuloksia.
Tekoälystä hyötyvät eniten organisaatiot, joilla on jäljitettävyys alusta loppuun. Ne hallitsevat dataketjua tutkimussuunnitelmasta tiedonkeruuseen ja analyysiin. Ne eivät päättele asiayhteyttä vaan luovat sen itse: ne suunnittelevat lomakkeet, määrittelevät kentät ja kirjoittavat tietosanaston. Jokaisen datapisteen alkuperä tunnetaan, koska organisaatio on itse luonut tämän alkuperäketjun. Jäljitettävyys ei tarkoita vain toiminnan tehokkuutta, vaan se mahdollistaa perustellut päätökset, jotka vaikuttavat potilaisiin.
Seuraavien viiden vuoden aikana tämä rakenteellinen etu kertautuu. Koko ketjun näkevät organisaatiot käyttävät tekoälyä tehokkaammin: saapuvaan dataan reagoivista mukautuvista tutkimusasetelmista aiempien havaintojen perusteella optimoituihin tutkimussuunnitelmiin. Ne keräävät oppeja järjestelmiensä parantamiseen ja kasvattavat etumatkaansa. Hajanaisen datan kanssa työskenteleville tekoäly jää lupaavaksi mutta epäluotettavaksi: järjestelmät toimivat hallituissa oloissa hyvin, mutta eivät yleisty luotettavasti tuotantoympäristöihin.
Alalle kysymys ei ole siitä, onko tekoälyllä merkitystä, vaan siitä, onko olemassa datainfrastruktuuri, joka tekee siitä luotettavaa. Suurimmassa osassa alaa sitä ei vielä ole. Tämä työ on edessä.
Kiitos hyvästä haastattelusta. Lukijoiden, jotka haluavat tietää lisää alusta lähtien tekoälylle rakennetusta kliinisten tutkimusten toteutuksesta, datan hallinnasta alusta loppuun ja nopeammasta tutkimusten toteutuksesta, kannattaa tutustua Lindus Healthiin.












