ืจืืืื ืืช
Jay Ferro, ืจืืฉ ืืืืข, ืืื ืืืืืื ืืงืฆืื ืืืฆืจ, Clario – ืกืืจืช ืจืืืื ืืช
Jay Ferro הוא ראש מידע, טכנולוגיה וקצין מוצר ב-Clario, הוא הוא בעל מעל 25 שנות ניסיון בהובלת צוותי טכנולוגיה מידע ומוצרים, עם דגש חזק על הגנת נתונים ותשוקה ליצירת טכנולוגיות ומוצרים שיש להם השפעה משמעותית.
לפני שהצטרף ל-Clario, Jay החזיק בתפקידי הנהלה בכירים, כולל CIO, CTO, ו-CPO, בארגונים גלובליים כגון Quikrete Companies ואיגוד הסרטן האמריקאי. הוא גם חבר בדירקטוריון של Allata, LLC. הישגיו המקצועיים הוכרו מספר פעמים, כולל פרסים מ-Atlanta Technology Professionals כמנהיג בכיר של השנה ו-HMG Strategy כ-CIO של השנה בחברות בינוניות.
Clario היא מובילה בניהול ניסויים קליניים, המציעה טכנולוגיות נקודת קצה מקיפות להפיכת חיים דרך יצירת ראיות אמינות ומדויקות. המתמחה בניסויים באונקולוגיה, Clario מדגישה תוצאות דווחות על ידי המטופל (PROs) כדי לשפר את האפקטיביות, להבטיח בטיחות ולשפר את איכות החיים, תוך תמיכה ב-PROs אלקטרוניים כחלופה יותר יעילה מבחינה כלכלית לנייר. עם ניסיון החובק תחומים טרפוית והתאמה לרגולציה גלובלית, Clario תומכת בניסויים מרוחקים, היברידיים ובאתר ביותר מ-100 מדינות, תוך שימוש בטכנולוגיות מתקדמות כגון בינה מלאכותית והתקנים מחוברים. פתרונותיה מזרימים תהליכי ניסוי, באמצעות איכות ואבטחה, תמיכה ואימון משולבים עבור מטופלים וספונסרים כאחד.
Clario השתלבה ביותר מ-30 מודלים של בינה מלאכותית בשלבים שונים של ניסויים קליניים. האם תוכל לספק דוגמאות לגבי האופן שבו מודלים אלו משפרים את היבטים מסוימים של ניסויים, כגון אונקולוגיה או קרדיולוגיה?
אנו משתמשים במודלים שלנו לספק מהירות, איכות, דיוק ופרטיות ללקוחותינו ביותר מ-800 ניסויים קליניים. אני גאה שכלינו אינם רק חלק ממחזור ההיפה של AI – הם מספקים ערך אמיתי ללקוחותינו בניסויים אלו.
היום, מודלים שלנו בעיקר מחולקים לארבע קטגוריות: הגנת נתונים, סיוע בבקרת איכות, סיוע בקריאה וניתוח קריאה. למשל, יש לנו כלים בדימות רפואי שיכולים למחוק אוטומטית מידע זהה אישי (PII) בתמונות סטטיות, סרטונים או קבצי PDF. יש לנו גם כלים של AI שמספקים נתונים עם הערכות איכות מהירות בזמן העלאה – כך שיש הרבה ביטחון בנתונים. פיתחנו כלי שמפקח על נתוני ECG ברציפות לאיכות אות, ואחר שמאשר את זהות המטופל. פיתחנו כלי סיוע בקריאה שמאפשר חיזוי חתך, התפשטות לסיונים וגילוי מחלות. בנוסף, שיפרנו את ניתוח הקריאה על ידי אוטומציה וסטנדרטיזציה של פרשנות נתונים עם כלים כגון ציון קוליטיס אולסרטיבי Mayo.
אלו רק כמה דוגמאות לסוגים של מודלים AI שפיתחנו מאז 2018, ואף על פי שעשינו הרבה התקדמות, אנו רק מתחילים.
כיצד Clario מבטיחה שתובנות AI-נהוגות שומרות על דיוק ועקביות גבוהים בסביבות ניסוי מגוונות?
אנו מאמנים את מודלים ה-AI שלנו על כמויות עצומות של נתונים כדי להבין את ההבדל בין נתונים טובים לנתונים שאינם טובים או רלוונטיים. כתוצאה מכך, ניתוח הנתונים ה-AI-נהוג שלנו מגלה, מנתח מוקדם היסטוריות עשירות של נתונים, ובסופו של דבר מוביל לתוצאות איכותיות יותר עבור לקוחותינו.
פתרונות הספירומטריה שלנו ממחישים יפה מדוע אנו עושים זאת. רופאים משתמשים בספירומטריה כדי לסייע באבחון ובמעקב אחר מצבי ריאה מסוימים על ידי מדידת כמות האוויר שחולה יכול לנשום החוצה בנשיפה אחת. יש מגוון שגיאות שיכולות להתרחש כאשר חולה משתמש בספירומטר. הם עלולים לבצע את המבחן באיטיות, להצטער במהלך הבדיקה, או לא להצליח ליצור חותם מלא סביב פי הספירומטר. כל אחת מאותן תופעות יכולה לגרום לשגיאה שעלולה לא להתגלות עד שבן אדם יוכל לנתח את התוצאות. האמנו מודלים של למידה עמוקה על יותר מ-50,000 דוגמאות כדי ללמוד את ההבדל בין קריאה טובה לקריאה רעה. עם התקנים ואלגוריתמים שלנו, רופאים יכולים לראות את ערך הנתונים בזמן אמיתי, תוך שימוש בנתונים בזמן אמיתי, ולא צריכים לחכות לניתוח אנושי. זה משמעותי בחלקו משום שחלק מהמטופלים עלולים להיווכח לנסוע מספר שעות כדי להשתתף בניסוי קליני. תארו לעצמכם לנסוע למרחק הזה מהאתר רק כדי ללמוד שתצטרכו לערוך בדיקת ספירומטריה נוספת בשבוע הבא, כיוון שהראשונה הראתה שגיאה. מודלים ה-AI שלנו מספקים קריאות מדויקות תוך כדי שהמטופל עדיין באתר. אם יש שגיאה, היא יכולה להיות מוסררת במקום.
האם תוכל להרחיב על האופן שבו מודלים AI של Clario מקצרים את זמני איסוף הנתונים מבלי לפשר את איכות הנתונים?
יצירת נתונים באיכות הגבוהה ביותר לניסויים קליניים היא תמיד המוקד שלנו, אך טבעם של אלגוריתמי ה-AI שלנו הוא שהלכידה והניתוח מואצים באופן דרמטי. כפי שציינתי, אלגוריתמים שלנו מאפשרים ביצוע ניתוח בקרת איכות מהר יותר וברמת דיוק גבוהה יותר מפרשנות אנושית. הם גם מאפשרים לנו לערוך בדיקות איכות בזמן שהנתונים נכנסים. זאת אומרת שאנו יכולים לזהות נתונים חסרים, שגויים או באיכות ירודה של המטופל בזמן שהמטופל עדיין באתר הניסוי, ולא לאפשר להם לדעת ימים או שבועות לאחר מכן.
כיצד Clario פותרת את האתגרים של ניסויים מרוחקים והיברידיים, במיוחד במונחים של פרטיות נתונים, מעורבות מטופלים ואיכות נתונים?
בימינו, ניסוי מרוחק הוא בעצם ניסוי עם רכיב היברידי. אני חושב שהמושג של אפשרות למשתתפים להשתמש בהתקנים מחוברים בביתם פותח את הדלת לאפשרויות רבות יותר בניסויים, במיוחד במונחים של נגישות. הפיכת ניסויים לקלים יותר להשתתפות היא מוקד המיפוי הטכנולוגי שלנו, שמטרתו לפתח פתרונות שישפרו את המגוון המטופל, יזרימו גיוס ואחזקה, יגדילו את הנוחות עבור המשתתפים, וירחיבו הזדמנויות לניסויים קליניים יותר כלל-אנושיים. אנו מציעים ספירומטריה ביתית, לחץ דם ביתי, eCOA, ופתרונות אחרים שמספקים את אותה שלמות נתונים כמו פתרונות מסורתיים יותר, ואנו עושים זאת בשיתוף פעולה עם פיקוח מומחים בנקודת הקצה ובתחום הטיפולי. התוצאה היא חווית מטופל טובה יותר עבור נתוני נקודת קצה טובים יותר.
מהן היתרונות הייחודיים שגישת Clario ה-AI-נהוגה מציעה לצמצום זמני ניסוי ועלויות עבור חברות תרופות, ביוטכנולוגיה וציוד רפואי?
פיתחנו כלים של AI מאז 2018, והם חדרו לכל מה שאנו עושים פנימית ובהחלט לאורך המגוון המוצרים שלנו. ומה שמעולם לא עזב אותנו הוא לוודא שאנו עושים זאת בדרך אחראית: שומרים אנושות בלופ, משתפים פעולה עם רגולטורים, משתפים פעולה עם לקוחותינו, וכוללים את צוותי המשפט, פרטיות ומדע שלנו כדי לוודא שאנו עושים הכל בצורה הנכונה.
פיתוח ופריסה אחראית של AI אמורה להשפיע על לקוחותינו במספר דרכים חיוביות. היסוד לתוכנית ה-AI שלנו הוא בנוי על מה שאנו מאמינים להיות עקרונות השימוש האחראי הראשונים בתעשייה. כל מי שנוגע ב-AI ב-Clario עוקב אחר חמשת העקרונות. ביניהם, אנו נוטלים כל אמצעי כדי לוודא שאנו משתמשים בנתונים המגוונים ביותר הזמינים לאימון אלגוריתמים שלנו. אנו מפקחים ובודקים כדי לגלות ולמתן סיכונים, ואנו משתמשים רק בנתונים אנונימיים כדי לאמן מודלים ואלגוריתמים. כאשר אנו מיישמים סוגים כאלה של מדריכים בפיתוח כלי AI חדש, אנו מסוגלים לספק נתונים מדויקים – בקנה מידה – שמקטינים את הטיה, מגדילים את המגוון ומגינים על פרטיות המטופל. ככל שאנו יכולים לספק לספונסרים נתונים מדויקים יותר, כך יותר הוא משפיע על תחתית הרווח שלהם, ובסופו של דבר על תוצאות המטופל.
מודלים AI יכולים להציג לפעמים את הטיה הטמונה בנתונים. מהן האמצעים ש-Clario נוטלת כדי להבטיח ניתוח נתונים הוגן ולא מוטה בניסויים?
אנו יודעים שטיה מתרחשת כאשר סט הנתונים לאימון מוגבל מדי לשימושו המיועד. לראשונה, סט הנתונים עלול להיראות מספיק, אבל כאשר המשתמש הסופי מתחיל להשתמש בכלי ולדחוף את ה-AI מעבר למה שהוא הוכשר להגיב, זה יכול להוביל לשגיאות. קצין הרפואה הראשי של Clario, ד”ר טוד רודו, משתמש לפעמים בדוגמה זו: אנו יכולים לאמן מודל לקבוע מיקום עובר מתאים באלקטרוקרדיוגרמות (ECG) כך שרופאים יוכלו לומר אם טכנאים הציבו את העוברים במקומות הנכונים על גוף המטופל. יש לנו הרבה נתונים טובים כדי שנוכל לאמן את המודל על 100,000 ECG. אבל מה קורה אם אנו מאמנים את מודל ה-AI שלנו רק בנתונים מבדיקות של מבוגרים? כיצד המודל יגיב אם ECG נערכת על חולה בן 2? ברור שהוא עלול להחמיץ שגיאות שיש להן השפעה על הטיפול.
זהו הסיבות שב-Clario, צוותי המוצר, נתונים, מחקר ופיתוח ומדע שלנו עובדים בצמוד כדי לוודא שאנו משתמשים בנתונים המקיפים ביותר לאימון אלגוריתמים שמשולבים במוצרים שלנו. אנו משתמשים בנתונים המגוונים ביותר הזמינים כדי לאמן את האלגוריתמים. זהו גם הסיבה שאנו דורשים פיקוח אנושי כדי למתן סיכונים במהלך פיתוח ושימוש ב-AI.
כיצד תהליך הפיקוח והניטור האנושי של Clario משתלב עם פלטי AI כדי להבטיח התאמה רגולטורית וסטנדרטים אתיים?
פיקוח אנושי אומר שיש לנו צוותים של בני אדם שיודעים בדיוק כיצד מודלים שלנו מפותחים, מאומנים ומאומתים. הן בפיתוח והן לאחר שאנו משלבים מודל לתוך טכנולוגיה, המומחים שלנו מפקחים על פלטים כדי לגלות סיכונים פוטנציאליים ולוודא שהפלטים הם הוגנים ואמינים. אני מאמין ש-AI הוא על השלמת המדע והבריליאנטיות האנושית. AI נותן לבני אדם את היכולת להתמקד ברמה גבוהה יותר של אתגר. אנו טובים מאוד בפתרון בעיות ועדיין טובים יותר באינטואיציה וברמת עדינות ממכונות. ב-Clario, אנו משתמשים ב-AI כדי להסיר את הנטל מדברים חוזרים. אנו משתמשים בו כדי לנתח סטים נרחבים של נתונים, הן תמונות של מטופלים, הן ניסויים קודמים או כל דבר אחר שאנו רוצים לנתח. בדרך כלל, מכונות יכולות לעשות זאת מהר יותר, ובמקרים מסוימים, טוב יותר מאשר בני אדם. אבל הן לא יכולות להחליף את האינטואיציה האנושית ואת המדע והניסיון בעולם האמיתי שיש לאנשים הנפלאים בתעשייה שלנו.
כיצד אתה רואה את השפעת ה-AI על ניסויים קליניים במהלך השנים הבאות, במיוחד בתחומים כגון אונקולוגיה, קרדיולוגיה ומחקרי ריאות?
באונקולוגיה, אני מתרגש מקידום השימוש ב-AI המופעל ברדיומיקה, שמוציאה מדדים כמותיים מתמונות רפואיות. רדיומיקה כוללת מספר שלבים, כולל רכישת תמונות של גידולים, עיבוד תמונות, ייצוא תכונות ופיתוח מודל, בעקבות אימות ויישום קליני. באמצעות AI מתקדם יותר ויותר, נוכל לחזות התנהגות של גידול, לכוון תגובה לטיפול ולחזות תוצאות של המטופלים על בסיס תמונות רפואיות לא פולשניות של גידולים. נוכל להשתמש בו כדי לגלות סימנים מוקדמים של מחלה וגילוי מוקדם של הישנות המחלה. ככל שכלים מתקדמים יותר של AI יהיו משולבים יותר ברדיומיקה ובזרימי עבודה קליניים, אנו הולכים לראות צעדים ענקיים באונקולוגיה ובטיפול במטופל.
אני מתרגש באותה מידה בנוגע לעתיד של מחקרי ריאות. השנה האחרונה, רכשנו את ArtiQ, חברה בלגית שבנתה מודלים של AI כדי לשפר את איסוף הנתונים הריאתיים בניסויים קליניים. מייסדה הוא כעת קצין ה-AI הראשי שלי, ואנו צריכים לצפות לדברים גדולים בפתרונות ריאות. הגישה שלנו ליישום אלגוריתמים הפכה לשינוי משחק, לא מעט בגלל שהיא מסייעת להפחית את הנטל על אתרים ומטופלים. כאשר נתוני השאיפה לא נבדקים בזמן אמיתי, ואנומליה מזוהה מאוחר יותר, זה כופה על המטופל לחזור לקליניקה לבדיקה נוספת. זה לא רק מוסיף לחץ על המטופל, אלא גם יכול ליצור עיכובים ועלויות נוספות עבור הספונסר, וזה מוביל לאתגרים מבצעיים שונים. התקני הספירומטריה החדשים שלנו מנצלים את מודלי ArtiQ כדי לטפל בנטל זה על ידי הצעת קריאות מעל מיידיות. זאת אומרת שאם יש בעיות, הן מזוהות ומתוקנות באופן מיידי בזמן שהמטופל עדיין בקליניקה.
לבסוף, אנו מפתחים כלים שישפיעו על תחומים טיפוליים. בקרוב, למשל, נראה AI מספק ערך הולך וגדל במדדים קליניים אלקטרוניים (eCOA). נראה מודלים AI שילכדו וימדדו שינויים עדינים שחווים המטופלים. טכנולוגיה זו תעזור למחקרים רבים, אבל למשל, חוקרי אלצהיימר יוכלו להבין היכן המטופל נמצא בשלב המחלה. עם סוג זה של ידע, תוך כדי שיפור האפקטיביות של התרופה, המטופלים והאומנים שלהם יוכלו להיות מוכנים טוב יותר לניהול המחלה.
מה תפקיד, לדעתך, AI ישחק בהרחבת המגוון בניסויים קליניים ושיפור השוויון הבריאותי בקרב אוכלוסיות מטופלים?
אם אתה מסתכל על AI רק דרך עדשה טכנולוגית, אני חושב שאתה מקבל בעיות. AI צריך להתייחס מכל הזוויות: טכנולוגיה, מדע, רגולציה וכו’. בתעשייה שלנו, מצוינות אמיתית מושגת רק דרך שיתוף פעולה אנושי, שמרחיב את היכולת לשאול את השאלות הנכונות, כגון: “האם אנו מאמנים מודלים שלוקחים בחשבון גיל, מין, מגדר, גזע ואתניות?” אם כולם בתעשייה שלנו שואלים סוגים כאלה של שאלות לפני פיתוח כלים, AI לא רק יאיץ את פיתוח התרופות, אלא יאיץ אותו עבור כל אוכלוסיות המטופלים.
האם תוכל לשתף את תוכניותיה או תחזיותיה של Clario לאבולוציה של AI בתעשיית ניסויים קליניים ב-2025 ואילך?
ב-2025, אנו הולכים לראות את התעשייה הפרמצבטית מנצלת AI וניתוחים בזמן אמיתי כמו מעולם. התקדמויות אלו יזרימו ניסויים קליניים וישפרו קבלת החלטות. על ידי האצת בניית לימודים ויישום ניטור סיכונים, נוכל לזרז זמנים, להקל על הנטל על המטופלים, ולאפשר לספונסרים לספק טיפולים מצילי חיים עם דיוק ויעילות רבה יותר. זהו זמן מרגש עבור כולנו, כאשר אנו עובדים יחדיו להפיכת השינוי בבריאות.
תודה על הראיון הנהדר, קוראים שרוצים ללמוד יותר צריכים לבקר ב-Clario.
