Patrick Leung, Faro Healthin CTO – Haastattelusarja

Patrick Leung, Faro Healthin CTO, johtaa yhtiön tekoälypohjaisen alustan kehittämistä, joka yksinkertaa ja nopeuttaa kliinisten tutkimusten protokollasuunnittelua. Faro Healthin työkalut parantavat tehokkuutta, standardisointia ja tarkkuutta tutkimussuunnittelussa, jolloin ne sisällyttävät dataohjattuja oivalluksia ja sujuvia prosesseja vähentämään tutkimusriskejä, kustannuksia ja potilasrasitusta.

Faro Health antaa kliinisen tutkimuksen tiimille mahdollisuuden kehittää optimoituja, standardoituja tutkimusprotokollia nopeammin, edistäen innovaatioita kliinisessä tutkimuksessa.

Milloin olit useita vuosia rakentamassa tekoälyä Googlella. Mitkä olivat jännittävimmät projektisi, joissa työskentelit Googlella, ja miten ne kokemukset vaikuttivat lähestymistapaasi tekoälyyn?

Olin tiimissä, joka rakensi Google (GOOGL ) Duplexin, keskustelutekoälyjärjestelmän, joka soitti ravintoloita ja muita yrityksiä käyttäjän puolesta. Tämä oli erittäin salainen projekti, jossa oli äärimmäisen lahjakkaita ihmisiä. Tiimi oli nopealiikkeinen, kokeili jatkuvasti uusia ideoita, ja jokaisella viikolla oli uusia demoja viimeisimmistä keksinnöistä. Se oli erittäin inspiroivaa olla sellaisessa tiimissä.

Yksi monista asioista, joita opin tässä tiimissä, on, että vaikka työskentelet viimeisimmän tekoälymallin kanssa, sinun on joskus silti oltava scrappy saadaksesi haluamasi käyttökokemuksen ja arvon. Jotta voit luoda hyperrealistisia puhekeskusteluja, tiimi yhdisti nauhoituksia väliaikaisilla sanailla kuten “um”, jotta keskustelu kuulostaisi luonnollisemmalta. Se oli niin hauskaa lukea, mitä lehdistö sanoi noista “um” -sanoista, kun lanseerasimme sen!

Ja sinä ja Faron toimitusjohtaja tulette molemmat suurista teknologiayhtiöistä. Miten teidän aiempi kokemus on vaikuttanut Faron kehitykseen ja strategiaan?

Useita kertoja urallani olen rakentanut yhtiöitä, jotka myyvät erilaisia tuotteita ja palveluita suurille yrityksille. Faro on myös kohdistamassa maailman suurimpiin lääketeollisuusyhtiöihin, joten siinä on paljon kokemusta siitä, mitä vaaditaan suurten yritysten voittamiseen ja kumppanuuden solmimiseen. Työskennellessäni Two Sigman, suuressa algoritmisessa hedge-rahastossa New Yorkissa, se vaikutti siihen, miten lähestyn data-tiedettä. Heillä on tiukka hypoteesipohjainen prosessi, jossa kaikki uudet ideat menevät tutkimussuunnitelmaan ja testataan perusteellisesti. Heillä on myös erittäin hyvin kehitetty data-insinöörien organisaatio uusien datatietojen ottamiseksi käyttöön ja piirteiden insinöörintiin. Kun Faro syventää tekoälyominaisuuksiaan ratkaisemaan enemmän ongelmia kliinisen tutkimuksen kehittämisessä, tämä lähestymistapa on erittäin relevantti ja sovellettavissa siihen, mitä teemme.

Faro Health on rakennettu yksinkertaaakseen kliinisten tutkimusten monimutkaisuutta tekoälyllä. Tulevaisuudesta ei-klginen tausta, mikä oli “aha”-hetki, joka auttoi ymmärtämään tarkalleen kohdattuja kipukohtia protokollasuunnittelussa, joita oli tarve ratkaista?

Ensimmäinen “aha”-hetki tapahtui, kun kohtasin “Eroomin lain” käsitteen. Eroom ei ole henkilö, se on vain “Moore” väärinpäin. Tämä ivallinen nimi on viittaus siihen, että viimeisten 50 vuoden aikana inflaatioon korjattujen kliinisten lääkekehityskustannusten ja aikataulujen on noin kaksinkertaistunut joka 9 vuosi. Tämä on vastoin koko tietotekniikan vallankumousta, ja se vain hämmästytti minua. Se myi minulle tosiasian, että siellä on valtava ongelma, jota on ratkaistava!

Kun perehdyin tarkemmin tähän alaan ja aloin ymmärtää perusongelmia paremmin, oli monia muita oivalluksia tämän kaltaisia. Yksi perus- ja erittäin ilmeinen havainto on, että Word-dokumentit eivät ole hyvä muoto suunnitella ja tallentaa erittäin monimutkaisia kliinisiä tutkimuksia! Tämä on avainhavainto, joka perustuu toimitusjohtaja Scottin kliiniseen kokemukseen, ja Faro rakennettiin tämän perusteella. On myös havainto, että ajan myötä tutkimukset tulevat yhä monimutkaisemmiksi, kun kliiniset tutkimusryhmät kirjoittavat ja liittävät uusia arvioita kerätäkseen enemmän tietoa. Tarjoamalla käyttäjille mahdollisimman paljon arvokkaita oivalluksia mahdollisimman aikaisessa vaiheessa tutkimuksen suunnitteluprosessissa on tärkeä arvolupaus Farolle.

Mikä rooli tekoälyllä on Faron alustassa varmistamaan nopeampi ja tarkempi kliininen tutkimusprotokollan suunnittelu? Miten Faron “AI Co-Author” -työkalu eroaa muista generatiivisista tekoälyratkaisuista?

Se saattaa kuulostaa ilmeiseltä, mutta et voi vain pyytää ChatGPT:ltä generoimaan kliinisen tutkimusprotokolladokumentin. Ensinnäkin sinun on oltava erittäin tarkka, rakenteellinen tutkimustieto, kuten toimintojen aikataulu, jotta voit esittää oikean tiedon teknisissä osioissa protokolladokumentissa. Toiseksi on monia yksityiskohtia ja tiettyjä lauseita, jotka on oltava läsnä asiakirjassa tiettyjen tutkimusten tyyppien osalta, ja tietty tyyli ja yksityiskohtaisuuden taso, jota odotetaan lääketieteellisiltä kirjoittajilta ja tarkastajilta. Farossa kehittimme oman protokollan arviointijärjestelmän varmistamaan, että suuren kielen mallin (LLM) tuottama sisältö täyttää käyttäjien ja sääntelijöiden vaatimukset.

Kun harvinaisten sairauksien ja immuunioonkologian tutkimukset tulevat monimutkaisemmiksi, miten Faro varmistaa, että tekoäly pystyy täyttämään nämä erikoistuneet vaatimukset ilman tarkkuuden ja laadun uhraamista?

Malli on vain yhtä hyvä kuin data, jolla se on koulutettu. Kun modernin lääketieteen raja-alue laajenee, meidän on pysyttävä mukana kouluttamalla ja testaamalla mallejamme uusimpien kliinisten tutkimusten kanssa. Tämä vaatii, että jatkamme kliinisten tutkimusprotokollien digitoimisen kirjaston laajentamista – olemme erittäin ylpeitä siitä, että olemme jo tuoneet kirjastoomme valtavan määrän kliinisiä tutkimusprotokollia, ja priorisoimme aina tätä tietokannan kasvua. Se vaatii myös, että nojautumme voimakkaasti sisäisiin kliinisiin asiantuntijiimme, jotka jatkuvasti arvioivat mallin tuotoksen ja tarjoavat tarvittavat muutokset “arviointitarkistuslistoihin”, joita käytämme sen tarkkuuden ja laadun varmistamiseen.

Faron yhteistyö Veevan ja muiden johtavien yritysten kanssa integroi alustan laajempaan kliiniseen tutkimusekosysteemiin. Miten nämä yhteistyöt auttavat sujuvoittamaan koko tutkimusprosessia, alkaen protokollasuunnittelusta toimeenpanosta?

Kliinisen tutkimuksen ydin on protokolla, jota Faron Study Designer auttaa asiakkaitamme suunnittelemaan ja optimoimaan. Protokolla kertoo kaiken, mitä on alaspäin tutkimuksesta, mutta perinteisesti protokollat suunnitellaan ja tallennetaan Word-dokumenteihin. Näin ollen yksi suurista haasteista kliinisen kehityksen toiminnallistamisessa tänään on jatkuva transkriptio tai “käännös” tietoja protokollasta tai muista asiakirjoista muihin järjestelmiin tai jopa muihin asiakirjoihin. Kuten voit kuvitella, kun ihmiset kääntävät asiakirjatiedot käsin muihin järjestelmiin, se on erittäin tehokasta ja tarjoaa monia virhemahdollisuuksia matkan varrella.

Mitkä ovat joitain tärkeimpiä haasteita, joita tekoäly kohtaa kliinisten tutkimusten yksinkertaisessa muodossa, ja miten Faro voittaa nämä haasteet, erityisesti varmistamalla avoimuuden ja välttämällä ongelmia, kuten tekoälyn harhaa tai hallusinaatiota?

On paljon korkeampi baari kliinisten tutkimusdokumenteille kuin useimmissa muissa aloissa. Nämä asiakirjat vaikuttavat oikeiden ihmisten elämään, ja ne menevät läpi erittäin tarkkaa sääntelyarviointiprosessia. Kun aloimme generoimalla kliinisiä asiakirjoja LLM:llä, oli selvää, että valmiiden mallien kanssa tuotos ei ollut lähelläkään odotuksia. Yllättäen sävy, yksityiskohtaisuuden taso, muotoilu – kaikki – oli väärä, ja se oli enemmän suunnattu yleispäteviin liiketoimintatiedotteisiin kuin asiantuntijoiden kliinisiin asiakirjoihin. Jotta voimme kehittää generatiivisen tekoälyratkaisun, joka voisi täyttää korkean vaatimuksen alan spesifisyydelle ja laadulle, jota käyttäjämme odottavat, meidän oli vietävä paljon aikaa yhteistyössä kliinisten asiantuntijoiden kanssa kehittääksemme ohjeita ja arviointitarkistuslistoja, jotka varmistaisivat, että tuotoksemme ei harhaa tai jättäisi tärkeitä yksityiskohtia puuttumaan. Meidän myös piti tarjota käyttäjille mahdollisuus antaa ohjeita ja korjauksia tuotokseen, koska eri asiakkailla on erilaiset mallineet ja standardit, jotka ohjaavat heidän asiakirjojen kirjoittamisprosessiaan.

Miten näet tekoälyn kehittyvän kliinisten tutkimusten kontekstissa? Minkälainen rooli Faro tulee pelaamaan tämän alan digitaalisen muutoksen aikana seuraavan kymmenen vuoden aikana?

Ajan myötä tekoäly auttaa parantamaan ja optimoimaan yhä useampia päätöksiä ja prosesseja koko kliinisen kehitysprosessin aikana. Voimme ennustaa tärkeitä tuloksia protokollasuunnittelun syötteiden perusteella, kuten sitä, odotetaanko rekrytointiongelmia tai vaaditaanko tutkimukselle muutos toiminnallisten haasteiden vuoksi. Tällaisella ennustettavalla näkyvyydellä voimme auttaa optimoimaan tutkimuksen operaatioita, varmistamaan, että sekä tutkimuspaikat että potilaat ovat parhaassa mahdollisessa asemassa, ja että tutkimuksen toiminnallinen menestys on mahdollisimman suuri. Lisäksi näiden mahdollisuuksien tutkimiseen Faro aikoo jatkaa erilaisten kliinisten asiakirjojen generoimista, jotta kaikki tutkimuksen tiedonkeruun ja kirjaamisen prosessit ovat tehokkaita ja vähemmän alttiita virheille. Ja me näemme maailman, jossa tekoäly mahdollistaa alustamme kehittymisen todelliseksi suunnittelukumppaniksi, joka osallistuu kliinisiä tutkijoita generatiiviseen vuoropuheluun auttaakseen heitä suunnittelemaan tutkimuksia, jotka tekevät oikeat kompromissit potilasrasituksen, tutkimuspaikkojen rasituksen, ajan, kustannusten ja monimutkaisuuden välillä.

Miten Faron painopiste potilaskeskeisessä suunnittelussa vaikuttaa kliinisten tutkimusten tehokkuuteen ja menestykseen, erityisesti potilasrasitteen vähentämisessä ja tutkimuksen saatavuuden parantamisessa?

Kliiniset tutkimukset usein joutuvat kilpailevien tarpeiden väliin, kerätäkseen enemmän osallistujien tietoja – mikä tarkoittaa enemmän arvioita tai tutkimuksia potilaalle – ja hallitsemaan tutkimuksen toiminnallista toteutettavuutta, kuten sen kykyä rekrytoida ja ylläpitää osallistujia. Mutta potilasrekrytointi ja -ylläpito ovat yksi suurimmista haasteista kliinisen tutkimuksen onnistuneen toteuttamisen esteenä tänään – arvioiden mukaan jopa 20-30 % potilaista, jotka osallistuvat kliiniseen tutkimukseen, lopettavat lopulta osallistumisen rasituksen vuoksi, mukaan lukien useat käynnit, invasiiviset menetelmät ja monimutkaiset protokollat. Vaikka kliiniset tutkimusryhmät tietävät korkean rasituksen vaikutuksen potilaisiin, se on usein vaikeaa toteuttaa käytännössä. Uskomme, että yksi esteiden vähentämiseen on vaikeus mitata rasitetta – se on vaikea mitata vaikutusta potilaisiin, kun suunnittelusi on Word-dokumentissa tai pdf-tiedostossa.

Käyttämällä Faron Study Designeria kliiniset kehitystiimit voivat saada reaaliaikaisia oivalluksia siitä, miten heidän tietty protokollansa vaikuttaa potilasrasitukseen itse suunnitteluprosessin aikana. Rakentelemalla tutkimuksia ja tarjoamalla analyyttisiä oivalluksia niiden kustannuksista, potilasrasituksesta, monimutkaisuudesta varhaisessa tutkimuksen suunnitteluvaiheessa Faro tarjoaa kliinisen tutkimuksen tiimille erittäin tehokkaan tavan optimoida tutkimussuunnitelmia tasapainottaen näitä tekijöitä tieteellisten tarpeiden kanssa. Asiakkaamme rakastavat sitä, että annamme heille näkyvyyden potilasrasitukseen ja liittyviin metriikoihin vaiheessa, jossa muutokset ovat helppoja tehdä, ja he voivat tehdä perusteltuja kompromisseja, jos tarve vaatii. Lopulta olemme nähneet, että asiakkaamme säästävät tuhansia tunteja kollektiivista potilasaikaa, mikä on välittömästi myönteinen vaikutus tutkimusosallistujille, ja auttaa myös varmistamaan, että kliiniset tutkimukset voivat sekä aloittaa että päättyä ajallaan.

Mitkä neuvot antaisit aloille tai yrityksille, jotka haluavat integroida tekoälynsä kliinisiin tutkimusprosesseihin perustuen kokemuksiisi Googlella ja Farolla?

Tässä ovat pääasiat, joita voisin tarjota kokemuksistamme tekoälyn soveltamisesta tähän alaan:

1. Jaa ja arvioi tekoälykysymyksiäsi. Suuret kielimallit kuten GPT eivät ole suunniteltu tuottamaan kliinisen tason asiakirjoja. Jos aiot käyttää generatiivista tekoälyä automatisoimaan kliinisen tutkimusasiakirjojen kirjoittamista, sinun on oltava arviointikehys, joka varmistaa, että generoitu tuotos on tarkka, täydellinen, oikean tason yksityiskohtaisuuden ja sävyn omaava jne. Tämä vaatii paljon tarkkaa testausta mallia ohjaavien kliinisten asiantuntijoiden johdolla.
2. Käytä rakenteista edustusta tutkimuksesta. On olemassa tapa generoida vaadittuja data-analytiikkaa suunnitella optimaalista kliinistä tutkimusta ilman rakenteista tietovarastoa. Monet yritykset tänään käyttävät Word-dokumentteja – jopa Exceliä – mallintamaan kliinisiä tutkimuksia. Tämä on tehtävä rakenteellisella alanimallilla, joka edustaa tutkimuksen monimutkaisuutta – sen skeeman, tavoitteet ja päämäärät, arviointien aikataulu jne. Tämä vaatii paljon syötettä ja palautetta kliinisten asiantuntijoiden taholta.
3. Kliiniset asiantuntijat ovat olennaisia laadun kannalta. Kuten edellä mainittu, on erittäin tärkeää, että kliiniset asiantuntijat ovat suoraan mukana suunnittelemassa ja testaamassa mitä tahansa tekoälyyn perustuvaa kliinistä kehitysjärjestelmää. Tämä on paljon tärkeämpää kuin missään muussa alassa, jossa olen työskennellyt, yksinkertaisesti siksi, että tietäminen on niin erikoistunutta, yksityiskohtaista ja läpitunkevaa mihin tahansa tuotteeseen, jota yrität rakentaa tässä alassa.

Olemme jatkuvasti kokeilemassa uusia asioita ja jaamme säännöllisesti havaintojamme blogissamme auttaaksemme yrityksiä navigoimaan tässä alassa.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Faro Health -sivustolla.