Nijat Hasanli, Kepala Produk di Lindus Health – Seri Wawancara

Nijat Hasanli, Kepala Produk di Lindus Health, memiliki catatan yang fokus dalam membangun dan menskala fungsi produk di seluruh organisasi healthtech dan teknologi, saat ini memimpin strategi dan eksekusi produk di Lindus sejak 2022 setelah sebelumnya bekerja di OneCommerce dan Downforce Technologies. Pengalamannya mencakup beberapa lingkungan produk di UK, di mana ia telah bertanggung jawab untuk memastikan pengembangan produk sesuai dengan hasil bisnis, mengarahkan inovasi, dan menerjemahkan kemampuan teknis yang kompleks menjadi solusi yang skalabel dan berfokus pada pengguna dalam industri yang bergerak cepat.

Lindus Health adalah perusahaan uji klinis yang didorong oleh AI, yang beroperasi sebagai “Organisasi Penelitian yang Bertanggung Jawab”, dirancang untuk memberikan perusahaan biotek dan farmasi lebih banyak kontrol, kecepatan, dan keandalan dalam menjalankan studi klinis. Perusahaan ini menggantikan model penelitian kontrak tradisional dengan platform teknologi yang terintegrasi penuh, yang mengelola semua hal dari desain uji coba dan perekrutan pasien hingga penangkapan data dan eksekusi dalam satu sistem, sering menyelesaikan uji coba secara signifikan lebih cepat daripada norma industri. Sistem operasi AI-asli mereka memungkinkan visibilitas waktu nyata ke kinerja uji coba, menyelaraskan insentif melalui harga berbasis milestone, dan memanfaatkan data kesehatan skala besar untuk meningkatkan pendaftaran dan hasil, dengan tujuan yang lebih luas untuk mempercepat pengiriman pengobatan baru kepada pasien.

Apakah Anda bisa berbagi tentang momen yang mendefinisikan atau tantangan awal yang membantu membentuk misi atau arah produk Lindus Health?

Inovasi dalam uji coba klinis sering kali dikaitkan dengan skala: organisasi besar, modal signifikan, dan infrastruktur yang mapan. Namun, momen awal kami mengajarkan kami hal yang sebaliknya.

Ketika kami menjalankan uji coba pertama kami, kami sengaja menjaga agar tetap sederhana – sesuatu yang kami tahu kami bisa lakukan dengan aman menggunakan teknologi kami. Batasan itu memaksa kami untuk menyederhanakan desain uji coba dan mengandalkan sistem yang kami kendalikan sepenuhnya, yang membuat ketergantungan dan inefisiensi lebih terlihat. Tumpukan perangkat lunak yang besar dan kompleks tidak diperlukan untuk berinovasi dalam pengiriman uji coba. Inovasi dalam pengiriman uji coba bergantung pada kepemilikan uji coba penuh, dari awal hingga akhir, dengan pipa data yang koheren yang menghubungkan semuanya. Visibilitas itu memungkinkan Anda untuk melihat bagaimana semuanya saling terkait, yang menyingkap peluang yang sulit untuk diidentifikasi dalam model operasional yang terfragmentasi.

Bagaimana platform AI Anda mempermudah proses uji coba klinis dibandingkan dengan model tradisional?

Kami tidak memposisikan ini sebagai platform yang didukung AI. Citrus^TM adalah sistem operasi uji coba AI-asli. Kami mengambil pendekatan yang terdistribusi untuk aplikasi AI – bukan bertaruh besar pada AI dalam satu domain, kami memanfaatkan tim insinyur untuk menemukan aplikasi yang dapat diandalkan dan spesifik konteks di seluruh sistem kami. Yang membuat ini berhasil adalah bahwa kami menjalankan uji coba dengan eksekusi penuh. Ketika AI mempercepat parsing protokol, efisiensi itu mengalir ke dalam desain studi. Ketika desain studi lebih cepat, tim data mewarisi pengaturan yang lebih bersih. Peningkatan inkremental ini berkompilasi karena setiap tahap menghasilkan output yang lebih terstruktur dan mengurangi pekerjaan ulang hilir.

Dua contoh mengilustrasikan ini: kami menggunakan AI untuk menghasilkan kode analisis data, di mana kami memiliki mekanisme yang jelas untuk meninjau output sebelum itu menyentuh apa pun. Kami juga menggunakan AI untuk menganalisis dokumen protokol ke dalam skema desain studi kami – peningkatan efisiensi yang signifikan pada transformasi pertama, tetapi bangunan masih melalui minggu-minggu pengujian dan penerimaan.

Kami tidak menerapkan AI dalam alur kerja perawatan klinis. Kami merasa bertanggung jawab untuk memastikan aplikasi kami tidak menimbulkan risiko bahaya pada pasien dalam uji coba kami karena infrastruktur yang diperlukan untuk mendukung penghalang yang sesuai masih matang. Ini menghindari risiko regulasi dan keamanan yang terkait dengan AI dalam alur kerja perawatan klinis. Aplikasi kami lainnya masih menghadapi skrutini yang sama seperti AI lainnya dalam industri ini – tetapi pada dasarnya, mereka menawarkan waktu yang cukup untuk tinjauan manusia. Perawatan klinis memiliki profil risiko yang berbeda: keputusan dalam-waktu di mana kesalahan dapat langsung mempengaruhi keamanan pasien.

Dampak utama adalah pada efisiensi tim penelitian klinis. Sebagian besar pempermudahan kami melayani tim penelitian klinis secara langsung – efisiensi yang berkompilasi. Setiap minggu yang kami potong dari pengiriman uji coba adalah minggu yang lebih dekat untuk menyelesaikan siklus pengembangan obat, yang dapat mengurangi waktu secara keseluruhan dalam proses pengembangan obat. Dan di luar keuntungan waktu, aplikasi AI kami melakukan lebih dari sekedar memperkirakan perekrutan. Mereka memantau data masuk untuk anomali, sinyal keamanan, dan indikator risiko – memberikan tim studi visibilitas yang lebih jelas untuk mengawasi uji coba secara efektif.

Di model tradisional, AI biasanya diterapkan sebagai solusi titik – satu alat untuk satu fungsi, terisolasi dari proses lainnya. Model ujung-ke-ujung kami memungkinkan keuntungan efisiensi mengalir melalui seluruh uji coba, dengan setiap perbaikan membangun pada yang terakhir. Ini mencerminkan perbedaan antara mengoptimalkan fungsi individual dan meningkatkan kinerja di seluruh ruang lingkup eksekusi uji coba.

Studi Tufts menyoroti bahwa hampir sepertiga data uji coba klinis tidak penting. Bagaimana Lindus Health menggunakan AI untuk mengidentifikasi dan menghilangkan pengumpulan data yang tidak perlu?

Apa yang studi Tufts deskripsikan adalah sesuatu yang kami lihat secara langsung. Dalam pengalaman kami, penyebab akar adalah struktural: ketika pengiriman uji coba terfragmentasi di seluruh tim, setiap tim terdorong untuk menutupi semua dasar mereka. Perilaku ini adalah respons struktural terhadap akuntabilitas yang terfragmentasi.

Setiap kali Anda mencapai orang yang merancang formulir laporan kasus, mereka sering kali jauh dari pertanyaan penelitian asli. Investigator mungkin bertanya, “Bagaimana perubahan berat selama tiga bulan pada pengobatan ini?” Tetapi perancang instrumen fokus pada kekhawatiran operasional – pemicu pembayaran situs, kotak centang kepatuhan, persyaratan jejak audit. Kedua perspektif ini valid dan diperlukan. Masalahnya adalah bahwa fungsi-fungsi ini beroperasi tanpa konteks yang dibagikan. Scaffolding operasional tumbuh, dan pertanyaan penelitian terkubur.

Ada juga lapisan yang lebih sederhana untuk ditangani sebelum solusi teknis. Tim penelitian kami sudah memiliki akses ke alat obrolan AI, dan mereka menggunakannya secara konstan. Ketika tim menerima puluhan dokumen protokol dan PDF setiap minggu, dapat memasukkannya ke dalam alat yang dibantu AI dan mengajukan pertanyaan mengubah cara Anda berinteraksi dengan materi tersebut. Ini membantu tim tetap dekat dengan pertanyaan penelitian daripada tersesat dalam detail operasional.

Pertama, desain uji coba. Memiliki alat AI yang tertanam di seluruh proses desain dan bangunan membuka peluang untuk menangkap masalah ini lebih awal – sebelum mereka menjadi terkunci dalam protokol. Kami menggunakan AI untuk menghasilkan jadwal studi yang rapi dan memandu perancang melalui protokol, menandai di mana rencana penelitian menjadi terlalu rumit, di mana ada duplikasi, atau di mana kesalahan telah meresap. Dari sana, perancang dapat membuat keputusan yang terinformasi untuk menghapus titik data atau mengurangi frekuensi pengumpulan – dengan alasan yang didokumentasikan.

Kedua, analisis data. Setelah uji coba berjalan, mengubah apa yang direncanakan untuk dikumpulkan adalah tantangan yang berbeda. Tetapi AI dapat membantu tim memotong kebisingan lebih cepat – agregasi yang lebih cepat, deteksi pola, dan penandaan anomali berarti waktu yang lebih sedikit untuk pemrosesan manual. Yang penting di sini karena memberikan tim keluwesan untuk mengidentifikasi jika dan di mana pengumpulan data yang tidak perlu benar-benar mempengaruhi uji coba. Dengan wawasan yang percaya diri tiba lebih awal, mereka dapat membuat penyesuaian, menandai masalah kepada tim penelitian, atau membangun kasus untuk amendemen protokol untuk mengalirkan pengumpulan sambil masih ada waktu untuk bertindak.

Ini adalah masalah struktural yang ditangani pada dua tahap: dalam desain, untuk menangkap dan menghapus kompleksitas sebelum dikunci, dan dalam analisis, untuk memberikan tim kecepatan untuk mengidentifikasi masalah dan bertindak sementara uji coba berjalan.

Apa yang paling salah tentang menggunakan AI dalam uji coba klinis, dan bagaimana Anda menangani mereka dengan sponsor dan regulator?

Salah paham terbesar adalah keraguan – asumsi bahwa sponsor dan regulator akan menolak AI dalam uji coba klinis. Ini tidak tercermin dalam pengalaman kami.

Di sisi regulasi, percakapan awal kami menunjukkan bahwa meskipun regulator berhati-hati tentang menerbitkan pedoman, individu dalam organisasi ini terbuka untuk membahas AI dalam uji coba klinis. Ada pengakuan umum bahwa AI dapat meningkatkan produktivitas, efisiensi, dan kualitas – dan kesadaran tentang seberapa banyak redundansi yang ada dalam industri ini.

Di sisi sponsor, kami telah memiliki sponsor yang bertanya kepada kami tentang AI sebelum itu diperkenalkan dalam diskusi. Mereka secara aktif mencari kami untuk menemukan dan menerapkan solusi ini. Ini didorong oleh dua faktor: pertama, sponsor sudah menggunakan beberapa alat ini sendiri, sehingga mereka memahami potensi. Kedua, mereka mengakui bahwa efisiensi yang didorong AI dapat memotong durasi uji coba, mengurangi biaya, dan mencegah masalah yang mungkin tidak terlihat sebelumnya. Kami telah mendengar dari beberapa sponsor bahwa ada tekanan internal dalam organisasi mereka untuk menunjukkan penggunaan AI untuk efisiensi.

Kepercayaan yang terkait adalah tentang AI dan data yang digunakan untuk melatih model. Industri ini berkembang di sini, dan penyedia model semakin jelas tentang bagaimana rencana penggunaan mereka bekerja. Kami berhati-hati untuk memastikan bahwa alat AI yang kami gunakan tidak memberi makan data ke pelatihan model dasar. Kami juga berhati-hati tentang melatih model atau metodologi kami sendiri – dan di mana saja orang melakukannya, mereka harus eksplisit tentang itu dalam pernyataan pekerjaan antara pelanggan dan penyedia. Dokumentasi yang jelas tentang penggunaan data dan perilaku model diperlukan.

Jadi, kesalahpahaman itu nyata, tetapi mereka menunjuk pada kewajiban tanggung jawab: jelas tentang di mana AI digunakan, bagaimana data ditangani, dan apa penghalang yang ada. Pertanyaan yang relevan untuk sponsor bukanlah apakah menggunakan AI dalam uji coba – itu adalah apakah penyedia mereka telah memikirkan masalah ini dan bersedia untuk transparan tentang itu.

Bagaimana Anda menjaga keseimbangan antara otomatisasi dan pengawasan manusia untuk memastikan kecepatan dan kualitas dalam eksekusi uji coba?

Kami berhati-hati tentang menggunakan AI di mana tidak ada kesempatan untuk tinjauan manusia. Ini tercermin dalam dokumentasi kualitas dan kebijakan AI kami.

Untuk mengilustrasikan: ada penyedia yang menawarkan chatbot yang menilai kelayakan pasien melalui percakapan. Otomatisasi semacam ini memerlukan pertimbangan yang lebih hati-hati daripada sebagian besar aplikasi. Kasus terbaik, AI salah mengeluarkan seseorang dari uji coba yang bisa membantu mereka. Kasus terburuk, itu memenuhi syarat mereka, menandai kepada tim studi bahwa mereka telah lulus penyaringan, dan memperkenalkan risiko ke dalam pendaftaran yang seharusnya tidak ada.

Pengawasan manusia tidak membantu di sini – pada saat manusia meninjau output, AI sudah bertindak dalam alur kerja yang berisiko tinggi. Bandingkan itu dengan kesalahan formulir laporan kasus: jika pengumpulan data salah, Anda dapat menyesuaikan instrumen atau membuang data. Tetapi jika AI memberi tahu pasien atau situs penelitian untuk mengambil tindakan, potensi untuk kerusakan yang tidak dapat diubah lebih besar – baik dalam tingkat keparahan maupun dibandingkan dengan tempat lain AI mungkin salah dalam uji coba.

Keseimbangan ini dapat dicapai dengan fokus pada aplikasi di mana tinjauan manusia terintegrasi dan risiko dapat dikelola. AI paling efektif dalam alur kerja di mana tinjauan manusia tertanam dan kesalahan dapat dipulihkan.

Apa teknologi atau prinsip desain yang paling efektif dalam mengurangi beban pasien dan meningkatkan retensi?

Beban pasien dan retensi berkaitan dengan langkah-langkah kecil dan sengaja untuk memastikan pengalaman yang baik. Tidak ada intervensi tunggal yang menangani ini secara independen.

Dua prinsip desain yang paling penting.

Pertama, kualitas konten dan antarmuka yang menghadap pasien. Lembar informasi pasien, formulir persetujuan, aplikasi yang digunakan selama uji coba – semua ini membentuk pengalaman. Salinan harus sederhana dan ringkas. Antarmuka harus sederhana: navigasi yang intuitif, gesekan minimal, tidak ada dokumen yang terkubur. Konsultasi advokasi pasien dapat membantu memperbarui materi ini sebelum mereka mencapai peserta. Desain pengalaman pengguna yang baik sangat penting di sini, terutama dalam uji coba klinis di mana Anda tidak berhadapan dengan jutaan pengguna yang akhirnya akan beradaptasi.

Kedua, bagaimana tim penelitian tetap terhubung dengan pasien. Ini berarti alat komunikasi – pengingat, undangan, pemberitahuan – dan infrastruktur pemantauan yang menampilkan status pasien, kepatuhan, dan sinyal keamanan. Script pemantauan otomatis membantu di sini, menandai apa yang perlu perhatian sehingga tim dapat merespons dengan cepat. Pembelajaran mesin dapat mendeteksi pola dalam data kepatuhan – tanda awal penglibatan sebelum pasien keluar – memungkinkan intervensi proaktif daripada tindak lanjut reaktif. Tujuannya adalah informasi yang tepat kepada orang yang tepat pada waktu yang tepat, tanpa kebisingan yang mengencerkan apa yang penting.

Perbaikan ini tidak bergantung pada teknologi baru, tetapi mereka tidak datang dari solusi yang ada. Ini membutuhkan perhatian: memahami di mana pasien mengenai gesekan dan menanganinya secara sengaja. Apa yang ditawarkan oleh alat modern AI adalah cara untuk melakukannya lebih cepat – memperbarui salinan, meninjau nada, mengotomatisasi script pemantauan. Teknologi ini sudah matang. Perbedaannya adalah apakah Anda memecahkan uji coba atau memecahkan pasien.

Bagaimana Lindus Health mengumpulkan dan mengintegrasikan umpan balik pasien ke dalam desain uji coba sambil menjaga proses tetap ramping dan efisien?

Persyaratan privasi dan kepatuhan membentuk bagaimana umpan balik pasien dapat dikumpulkan – pendekatan harus bekerja dalam batasan tersebut. Pemantauan dasar menangkap waktu aktif layanan, data penggunaan yang tidak dapat diidentifikasi (jenis perangkat, perilaku aplikasi), dan pola kepatuhan – seberapa konsisten peserta menyelesaikan penilaian yang dijadwalkan. Ketika data ini menyingkapkan titik gesekan, itu memasuki keputusan desain untuk uji coba di masa depan.

Integrasi yang lebih langsung datang melalui staf penelitian. Koordinator didorong untuk berinteraksi dengan peserta dan mengumpulkan sinyal sekitar pengalaman mereka, kemudian memasukkannya kembali ke tim yang lebih luas. Ini diperkuat secara budaya – umpan balik pengalaman pasien dipublikasikan di saluran yang dibagikan dan disebutkan dalam pertemuan perusahaan secara keseluruhan.

Ada juga keuntungan struktural. Tidak seperti model tradisional, di mana tim penelitian baru disusun untuk setiap studi, Lindus menjalankan uji coba pada teknologi yang sama dengan anggota tim yang telah bekerja di seluruh studi. Kontinuitas ini memungkinkan pembelajaran – baik yang dikodifikasi maupun yang tidak terucap – mengalir dari satu uji coba ke desain uji coba berikutnya. Ketika koordinator mengalami gesekan dalam satu studi, wawasan itu dapat mempengaruhi bagaimana studi berikutnya disusun.

Grup advokasi pasien memperluas ini lebih lanjut, menyingkapkan perspektif yang tidak akan datang melalui saluran internal – terutama tentang bagaimana bahan studi dan proses mendarat dengan berbagai populasi pasien.

Prosesnya tetap ramping karena umpan balik mengalir melalui struktur yang ada daripada memerlukan aparatus terpisah untuk setiap studi.

Apa yang perlu berubah secara industri untuk penelitian klinis menjadi lebih cepat dan lebih andal?

Industri memiliki inersia struktural yang memerlukan praktisi untuk beroperasi secara berbeda dan menunjukkan pendekatan alternatif dalam praktik. Program inovasi perusahaan dan mandat eksekutif memiliki dampak terbatas pada perubahan operasional – apa yang dibutuhkan adalah praktisi yang akan melakukan hal-hal secara berbeda dan membuktikannya.

Pemrograman statistik menggambarkan pola ini. Ini adalah pekerjaan yang terampil – mengubah data klinis untuk analisis biostatistik – dilakukan oleh spesialis yang memiliki keahlian domain yang mendalam. Tetapi ada perjuangan untuk menarik bakat. Profesional dengan latar belakang ilmu data atau teknik jarang memilihnya, meskipun kumpulan keterampilan tumpang tindih secara signifikan. Pekerjaan ini tetap terisolasi, metode tidak transparan bagi orang luar, dan pipa bakat terbatas.

AI bisa membuka ini – alat modern dapat menangani sebagian besar pekerjaan transformasi, dan persyaratan pemrograman ganda (di mana dua programmer secara independen menghasilkan output) dapat dipenuhi dengan pasangan AI-manusia daripada pasangan manusia-manusia. Tetapi teknologi saja tidak menyelesaikan masalah struktural. Anda perlu praktisi yang mau menerapkan teknologi ini dengan bijak dan membuktikan bahwa itu memenuhi standar regulasi. Tanpa itu, kemampuan ini tetap tidak termanfaatkan.

Pelajaran yang lebih luas: uji coba yang lebih cepat dan lebih andal memerlukan lebih dari sekedar alat baru. Mereka memerlukan penciptaan ruang – dalam perekrutan, interpretasi regulasi, dan budaya organisasi – untuk orang-orang yang akan bekerja secara berbeda. Ini adalah bagaimana garis waktu dapat dikurangi dalam praktik.

Bagaimana Anda melihat hubungan antara AI, data, dan desain uji coba berkembang dalam lima tahun ke depan?

Hubungan ini akan dibentuk oleh kenyataan struktural: efektivitas AI terbatas oleh kualitas konteks yang diterimanya. Tanpa konteks yang kaya dan akurat – dari mana data berasal, apa transformasi yang dilakukan, apa yang sebenarnya dimaksud – bahkan model yang kuat menghasilkan output yang tidak dapat diandalkan.

Sebagian besar industri uji coba klinis terfragmentasi. CRO melihat fragmen dari siklus hidup uji coba. Sponsor bekerja dengan beberapa vendor, masing-masing memegang bagian dari gambaran. Konteks hilang pada setiap penyerahan. Ketika Anda meminta sistem AI untuk beralasan tentang data uji coba dalam lingkungan ini, itu bekerja dengan informasi yang tidak lengkap – dan informasi yang tidak lengkap menghasilkan output yang tidak dapat diandalkan.

Organisasi yang akan mendapat manfaat paling banyak dari AI adalah mereka yang memiliki jejak yang dapat dilacak dari ujung ke ujung. Mereka mengontrol rantai data dari desain protokol ke penangkapan data ke analisis. Mereka tidak menginfer konteks – mereka menghasilkannya. Mereka merancang formulir, mendefinisikan bidang, menulis kamus data. Setiap titik data memiliki provenance karena organisasi menciptakan provenance. Jejak yang dapat dilacak ini tidak hanya efisiensi operasional – itu memungkinkan keputusan yang percaya diri yang mempengaruhi pasien.

Di lima tahun ke depan, keuntungan struktural ini akan berkompilasi. Organisasi dengan visibilitas ujung-ke-ujung akan menerapkan AI lebih efektif – dari desain uji coba adaptif yang merespons data masuk, ke optimasi protokol yang diberitahu oleh pola sejarah – menangkap pembelajaran yang memperbaiki sistem mereka, dan memperlebar kesenjangan. Mereka yang bekerja dengan data yang terfragmentasi akan menemukan AI menjanjikan tetapi tidak dapat diandalkan: sistem yang berkinerja baik dalam pengaturan yang dikendalikan tetapi tidak umum dengan andal dalam lingkungan produksi.

Pertanyaan untuk industri bukanlah apakah AI akan penting. Ini adalah apakah infrastruktur data ada untuk membuat AI dapat dipercaya. Untuk sebagian besar industri, itu belum ada. Itu adalah pekerjaan yang akan datang.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut tentang eksekusi uji coba klinis AI-asli, kepemilikan data ujung-ke-ujung, dan pengiriman studi yang lebih cepat harus mengunjungi Lindus Health.