Matt Walz, CEO di Trialbee – Seri Wawancara

Matt Walz adalah CEO dari Trialbee, pemimpin global dalam teknologi pengembangan pasien. Dia membawa lebih dari 20 tahun pengalaman perangkat lunak dan kepemimpinan di industri ilmu hayati. Matt memulai karirnya sebagai pengembang dan memegang berbagai peran teknis dan kepemimpinan di Rollins Corporation, PSCI, Microsoft, Morgan Lewis, dan Datalabs. Pada 2006, Matt menjadi co-pendiri NextDocs, yang tumbuh menjadi pemimpin global dalam pengelolaan dokumen klinis, kualitas, dan regulasi, di mana dia menjabat sebagai CTO, CSO, dan Direktur Dewan untuk 9 tahun. Sebelum bergabung dengan Trialbee, Matt menghabiskan 5 tahun sebagai General Manager untuk Ilmu Hayati dan VP Akun Strategis untuk Aurea Software, yang telah mengakuisisi NextDocs.

Trialbee adalah perusahaan teknologi kesehatan yang menyederhanakan perekrutan pasien untuk uji klinis. Dengan menggunakan analitik data, outreach digital, dan bukti dunia nyata, itu mencocokkan, menghubungkan, dan memprakualifikasi pasien untuk mempercepat pendaftaran. Platformnya menawarkan transparansi di seluruh sumber dan mitra, membantu sponsor, CRO, dan situs uji klinis mengelola pipa perekrutan dengan lebih efisien sambil mengurangi beban pada situs.

Anda telah bekerja di seluruh perusahaan rintisan teknologi kesehatan dan platform penelitian klinis skala besar. Pengalaman pribadi atau momen dalam karir Anda yang memimpin Anda untuk mengenali potensi—dan jebakan—AI dalam perekrutan pasien?

AI telah menjadi tren teknologi yang paling cepat bergerak yang saya lihat dalam lebih dari dua dekade bekerja dalam pengembangan klinis – lebih cepat bahkan daripada hari-hari awal adopsi cloud. Yang paling menonjol bagi saya adalah bagaimana AI telah bergerak dari konseptual ke operasional di seluruh industri yang biasanya lambat dalam mengadopsi teknologi baru – dan sedang diprioritaskan bahkan oleh otoritas regulasi seperti FDA. Untuk perekrutan pasien uji klinis secara khusus, kita masih dalam fase awal belajar di mana itu paling sesuai. Penyedia dan sponsor sama-sama menjelajahi AI untuk pengembangan protokol, persona dan targeting, pengayaan data, lokal, dan komunikasi dan keterlibatan – yang semuanya merupakan titik gesekan besar untuk tim penelitian.

Dengan itu dikatakan, masih ada beberapa risiko yang menyertainya. Saya telah berbicara dengan pemimpin di perusahaan farmasi besar yang memperkuat bahwa meskipun AI menunjukkan kemajuan di banyak titik alur kerja, itu tidak dapat berjalan tanpa pengawasan. Pengawasan manusia adalah fondasional.

Ini untuk alasan kualitas dan keamanan serta karena di intinya, perusahaan seperti Trialbee terhubung dengan pasien dan keluarga yang mencari harapan – pengalaman yang sangat manusiawi dan empatik yang tidak dapat digantikan oleh AI dengan cara yang bermakna bagi pasien yang kami layani.

Perekrutan uji klinis secara historis menghadapi masalah keanekaragaman, kecepatan, dan akurasi. Menurut Anda, bagaimana AI membantu mengatasi tantangan ini—dan di mana itu masih kurang?

AI membantu menyederhanakan beberapa bagian perekrutan yang paling lambat dan paling banyak sumber daya. Misalnya, hal-hal yang biasanya membutuhkan waktu minggu – seperti menerjemahkan bahan studi ke dalam puluhan bahasa – sekarang dikompresi menjadi jam. Ini berarti kita dapat memulai perekrutan lebih cepat di seluruh pasar global.

Ketika datang ke akurasi, agen AI yang ditenagai mulai membantu kita memberikan interaksi yang lebih konsisten, kriteria yang sesuai, dari bahan yang kita buat hingga pra-penyaringan hingga chatbot. Alat-alat ini sangat berguna untuk mengurangi titik jatuh yang memperlambat proses perekrutan.

Keanekaragaman masih menjadi tantangan, meskipun. AI hanya serepresentatif data yang dilatih, dan representasi juga dibentuk oleh faktor-faktor di luar teknologi – termasuk batasan regulasi negara demi negara yang membatasi bagaimana AI dapat digunakan dalam peran pasien. Membangun kepercayaan dengan peserta uji telah menjadi tantangan sepanjang sejarah penelitian klinis, dan keterlibatan dengan alat AI diterima dengan berbagai tingkat skeptisisme. Dengan itu, kami sangat mendukung pendekatan yang akan memberi orang pilihan untuk berinteraksi dengan profesional medis langsung atau, misalnya, agen AI. Ini dapat membantu mencapai peserta dengan berbagai tingkat kenyamanan sekitar AI sambil memastikan pengawasan yang kuat, terutama untuk AI agen, meskipun perisai seperti mesin pengambilan alasan terpisah harus diintegrasikan untuk membuatnya sukses.

Anda menyebutkan sebelumnya bahwa alat AI sedang diterapkan lebih cepat daripada inovasi sebelumnya dalam perekrutan pasien. Tapi dengan regulator global yang berjuang untuk mengikuti, apa yang paling mendesak kesenjangan pengawasan yang Anda lihat dalam kampanye uji klinis multinasional?

Kesenjangan terbesar adalah kurangnya keselarasan regulasi di seluruh geografi. Di AS, lembaga seperti FDA mengadopsi AI dengan kerangka baru dan proses tinjauan awal. Di Eropa, mereka bergerak lebih hati-hati, fokus pada berhati-hati dan menerapkan tinjauan regulasi yang lebih ketat.

Untuk perusahaan seperti kami yang beroperasi secara global, ini menciptakan tantangan: Apa yang diterima di satu negara mungkin tidak di negara lain. Dan variannya tidak hanya dalam regulasi, tetapi juga dalam bagaimana saluran atau platform media sosial seperti Facebook dapat digunakan untuk perekrutan, bagaimana data pribadi ditangani, atau bagaimana persetujuan pasien dikumpulkan. Ini adalah nuansa yang memerlukan kelenturan operasional dan pemahaman yang mendalam tentang standar etika dan kepatuhan regional.

Ini adalah tempat di mana sejarah inovasi dan budaya global bawaan kami menjadi aset besar saat kami menavigasi lanskap AI yang menarik namun sangat dinamis.

Bagaimana kurangnya keselarasan global dalam kerangka kerja regulasi dapat menggagalkan adopsi AI dalam uji klinis? Apakah Anda telah menyaksikan konsekuensi nyata dari ini?

Tentu. Strategi periklanan digital yang kami andalkan untuk perekrutan pasien adalah contoh yang baik di sini. Facebook adalah salah satu platform paling efektif secara global, tetapi bahkan di dalam negara-negara di mana itu diizinkan, tingkat target yang diizinkan dan data yang dapat digunakan bervariasi secara luas. Kami membangun keahlian internal untuk mengatasi perbedaan tersebut, dan kami berharap regulasi AI akan mengikuti jalur yang sama.

Dalam istilah praktis, keterbatasan yang dikenakan pada tim perekrutan oleh dilema ini dapat mengakibatkan peluncuran kampanye yang tertunda, siklus tambahan dengan komite etika, dan alur kerja kepatuhan yang lebih kompleks. Jika Anda tidak sangat menyadari bagaimana setiap negara menafsirkan penggunaan AI, terutama dalam aplikasi yang berhadapan dengan pasien, Anda berisiko memperlambat uji coba atau menghadapi hambatan persetujuan yang serius.

Trialbee beroperasi di persimpangan data, teknologi, dan keterlibatan pasien. Bagaimana Anda memastikan bahwa strategi perekrutan yang didorong AI tidak mengurangi pasien menjadi titik data, tetapi sebaliknya meningkatkan sisi manusia dari penelitian?

Pertanyaan yang sangat baik dan penting bagi kita semua. Seperti yang saya sebutkan sebelumnya, cara saya memandang AI adalah kemampuannya untuk memberdayakan manusia – tidak menggantikannya. Ini terutama benar dalam industri yang sangat pribadi yang kami kerjakan, di mana kami mencoba membantu generasi pasien hidup lebih sehat di seluruh dunia. Bisnis kami adalah bisnis yang hangat, tentang menghubungkan orang, dan manusia akan selalu berada di jantungnya.

Ketika datang ke operasional sehari-hari, AI terbaik yang dapat kami sediakan – misalnya, dalam Platform Honey kami – akan menganalisis data dan tren, dan memicu situs dan tim studi di mana tindakan mungkin diperlukan. Kami sudah melakukannya, dan akan terus menambahkan kemampuan untuk memastikan data berharga yang dikumpulkan digunakan segera untuk membuat perbedaan dalam uji coba. Ini bisa berarti memberikan wawasan harian tentang kemajuan perekrutan atau memicu tindakan lanjutan dengan pasien tertentu dengan pemodelan prediktif.

Secara internal, kami menggunakan AI di seluruh organisasi dengan cara sistematis dan kolaboratif. Beberapa contoh yang baik di sini bisa menjadi terjemahan bahan perekrutan dan penggunaan AI untuk menekan potensi data PII – ini akan selalu diawasi oleh seorang profesional berpengalaman. Jadi Anda akan melihat bagaimana kami menggunakan AI untuk membuat tim luar biasa kami lebih kuat, dan tidak sebaliknya.

Apa keterampilan khusus yang paling kritis untuk tim penelitian klinis untuk memandu dan mengatur alat AI hari ini?

Keterampilan khusus yang paling kritis berada di persimpangan keahlian klinis, literasi AI, dan kelancaran regulasi. Tim perlu memahami bagaimana berinteraksi dengan platform AI secara efektif dengan memicu mereka dengan presisi dan meninjau output mereka secara kritis.

Ada juga kebutuhan yang semakin besar untuk wawasan regulasi. Seperti yang saya sebutkan sebelumnya, ini sangat diperlukan untuk area seperti AI agen, di mana kami membangun mesin pengambilan alasan terpisah untuk berfungsi sebagai pengaman dalam interaksi pasien. Tim juga harus dapat mengevaluasi konten yang diterjemahkan AI dan memverifikasi akurasi dan relevansi budaya sebelum bahan diserahkan ke komite etika.

Adopsi AI dipercepat. Apa saran yang akan Anda berikan kepada pemangku kepentingan uji klinis yang ragu-ragu atau terlalu kompleks untuk mengintegrasikan AI ke dalam alur kerja mereka?

Seseorang pernah mengatakan, ketika Anda mulai bekerja dengan AI, pastikan Anda menggunakan Kecerdasan Aktual. Pembelajaran mesin dapat memungkinkan hal-hal luar biasa – asalkan memiliki keahlian, konteks, dan pengaman dari ahli domain di belakangnya.

Saran saya adalah untuk memulai dari kecil dan tetap berpegang pada apa yang dapat Anda lakukan hari ini. Salah satu kesalahan terbesar yang saya lihat adalah perusahaan yang condong terlalu jauh ke dalam janji-janji AI yang samar tanpa mengartikulasikan bagaimana itu benar-benar bekerja atau kapan itu akan siap. Sementara janji-janji itu mungkin terdengar hebat pada saat itu, mereka dapat mengikis kepercayaan karena mereka tidak menunjukkan bukti rencana yang sebenarnya.

Jalan yang lebih baik adalah memecah adopsi menjadi langkah-langkah kecil yang didefinisikan dengan hasil yang jelas. Pilih satu atau dua area dampak tinggi di mana AI dapat menghilangkan gesekan dan pastikan itu didukung oleh pengawasan yang tepat. Jelaskan alat yang digunakan, bagaimana mereka disetel, dan yang paling penting, bagaimana Anda melindungi informasi sensitif. Ini adalah pendekatan yang kami ambil di Trialbee. Kami hanya berbicara dengan pemangku kepentingan tentang kemampuan yang kami bangun secara aktif, biasanya tidak lebih dari tiga bulan ke depan, karena kami ingin memastikan kami berkomunikasi tentang apa yang nyata.

Di Trialbee, kami saat ini meminta departemen atau tim yang berbeda setiap minggu untuk mempresentasikan kasus penggunaan yang telah berhasil untuk mereka. Kami membahas bagaimana serta mengapa untuk berbagi pembelajaran, tantangan, dan solusi sehingga yang lain dapat mengulangi keberhasilan AI mereka untuk meningkatkan efisiensi, pengiriman pelanggan, atau hasil perekrutan.

Kami juga menekankan transparansi tentang alat yang kami gunakan untuk membangun kemampuan tersebut. Jika kami menggunakan OpenAI’s ChatGPT atau Anthropic’s Claude, misalnya, kami menjelaskan setup kepada pemangku kepentingan, termasuk bagaimana kami mengisolasi informasi sensitif dan menerapkan pengawasan manusia. Setelah mereka melihat keuntungan dalam aksi, seperti penghematan waktu dalam alur kerja terjemahan atau peningkatan kecepatan dalam penyaringan pasien awal, mereka lebih mungkin untuk mendukung kasus AI berikutnya. Dan jadi, itu kurang tentang menjual visi besar dan lebih tentang membuktikan nilai langkah demi langkah.

FDA dan regulator lainnya mulai mengajukan pertanyaan yang lebih keras tentang model AI yang digunakan dalam pengembangan obat. Apa jenis standar transparansi, validasi, atau audit yang Anda percaya harus menjadi norma industri?

Industri perlu bergerak menuju transparansi penuh dan memastikan ada pengawasan manusia dalam setiap keputusan yang dibantu AI. Untuk menyebutkan beberapa contoh:

Ketika kami berbicara tentang AI agen, kami sudah bekerja pada cara untuk membenamkan logika regulasi ke dalam mesin pengambilan alasan terpisah yang dapat mengevaluasi dan memperbaiki percakapan secara waktu nyata. Sistem kontrol internal seperti itu harus menjadi standar dalam setiap aplikasi yang berhadapan dengan pasien. Protokol validasi juga perlu diformalisasi, termasuk pengujian benchmark dan evaluasi kinerja berkelanjutan.

Yang paling penting, standar-standar ini harus diintegrasikan ke dalam proses pengembangan produk dan tidak dipasang setelahnya. Tingkat ketat seperti itu akan sangat penting untuk mempertahankan keamanan pasien, memenangkan kepercayaan regulasi, dan menskala AI secara bertanggung jawab di seluruh kampanye penelitian klinis global.

Model AI sering mengandalkan dataset historis yang mungkin mencerminkan bias kesehatan sistemik. Bagaimana Anda mendekati memastikan keadilan dan keanekaragaman dalam perekrutan pasien, terutama untuk populasi yang kurang terwakili?

Tidak adanya AI tidaklah yang menghalangi keanekaragaman dalam penelitian klinis – tidak memprioritaskan rencana adalah. Dan AI tidak benar-benar dapat membantu dengan itu. Setelah ada komitmen yang nyata, AI dapat menjadi alat yang kuat yang pasti membantu kami mencapai kelompok yang kurang terwakili lebih efektif, tetapi hanya jika kami bersikap sengaja. Itulah mengapa di Trialbee kami memperluas data yang digunakan model kami, membangun kemitraan komunitas, dan terus memantau hasil perekrutan untuk memastikan tidak ada kelompok yang ditinggalkan.

Anda menyebutkan tim Anda sedang menggelar produk AI baru nanti tahun ini. Dapatkah Anda memberikan pratinjau tingkat tinggi tentang masalah yang Anda pecahkan—dan bagaimana inovasi ini mencerminkan filosofi Anda yang lebih luas tentang penggunaan AI yang bertanggung jawab?

Trialbee memiliki budaya inovasi dan AI adalah komponen besar dan tumbuh. Tahun ini saja, Platform Honey kami meluncurkan alur kerja situs baru, registri pasien sponsor-spesifik, dan kasus penggunaan yang mendukung situs web pencari uji klinis untuk merek biopharma global seperti BMSClinicalTrials.com. Dengan AI secara khusus, Anda akan melihat fitur dan peningkatan baru yang diluncurkan selama 3, 6, 12 bulan ke depan dan seterusnya. Kami mengembangkan chatbot, alat pintar, dan lebih banyak lagi di dalam Honey sambil juga mengevaluasi cara baru untuk menyederhanakan proses untuk pelanggan kami. Secara internal, kami menggunakan AI untuk menjadi lebih terarah, lebih sengaja, lebih inklusif, dan lebih efisien dalam semua yang kami lakukan – dengan anggota tim berpengalaman yang mengemudi setiap keputusan dan menafsirkan konteks untuk semua model AI yang kami gunakan.

Mempandang lima tahun ke depan, bagaimana Anda membayangkan peran Trialbee berkembang ketika AI menjadi lebih dalam tertanam dalam penelitian klinis? Apa bagian yang Anda lihat perusahaan Anda memainkan dalam membentuk masa depan yang lebih etis, efisien, dan harmonis global untuk perekrutan pasien?

Lima tahun dari sekarang, saya melihat Trialbee berdiri sebagai penyedia layanan terkemuka yang didorong AI untuk perekrutan pasien dalam penelitian klinis. Kami sudah mengintegrasikan AI generatif ke dalam setiap bagian alur kerja perekrutan di mana itu dapat mempercepat kecepatan, meningkatkan akurasi, atau meningkatkan pilihan pasien. Seperti yang saya sebutkan sebelumnya, kami secara aktif mengevaluasi alat yang akan memberi pasien pilihan untuk berinteraksi dengan profesional medis langsung atau agen AI, tergantung pada preferensi dan tingkat kenyamanan mereka. Kami percaya memberi orang pilihan itu adalah kunci untuk meningkatkan kepercayaan dan partisipasi dari waktu ke waktu.

Secara etis, kami berkomitmen untuk memastikan AI diimplementasikan dengan ketat dan transparansi regulasi. Ini berarti membenamkan mekanisme pengawasan ke dalam teknologi itu sendiri dan terbuka tentang bagaimana sistem kami bekerja. Kami juga membangun AI ke dalam budaya organisasi kami – setiap departemen dan setiap tim – sehingga kami siap untuk beradaptasi saat teknologi berkembang. Pada akhirnya, kami ingin menjadi perusahaan yang membantu mendefinisikan bagaimana AI digunakan secara bertanggung jawab di seluruh penelitian klinis. Jika kami melakukannya dengan benar, kami dapat membantu membentuk masa depan di mana uji coba lebih cepat, lebih inklusif, dan lebih mudah diakses oleh pasien tanpa memandang di mana mereka tinggal atau bahasa apa yang mereka gunakan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Trialbee.