インタビュー

Nijat Hasanli、Lindus Healthの製品責任者 ― インタビューシリーズ

Antoine Tardif
Unite.AI を Google の優先ソースに追加
要点リンダス・ヘルスのAIネイティブな治験オペレーティングシステムは、治験実施の全範囲にわたって効率性向上を複合的に実現します。
もっと見る
  • リンダス・ヘルスのAIネイティブな治験オペレーティングシステムは、治験実施の全範囲にわたって効率性向上を複合的に実現します。
  • 同社は、患者安全への直接的なリスクを排除するため、臨床ケアのワークフローにはAIを導入していません。
  • 従来の治験における構造的な分断は不必要なデータ収集を生み出しており、AIはこれを早期に解消するのに役立ちます。

ニジャット・ハサンリ氏は、リンダスヘルスの製品責任者であり、ヘルステックとテクノロジー駆動型組織での製品部門の構築と拡大において豊富な経験を持っています。現在は、2022年からリンダスヘルスで製品戦略と実行を担当しており、以前はOneCommerceとDownforce Technologiesで勤務していました。英国のさまざまな製品開発環境で、事業成果に結び付く製品開発、イノベーションの推進、複雑な技術を拡張性のある利用者本位のソリューションに変えることを担い、変化の速い業界で経験を積んできました。

リンダスヘルスは、AI駆動型の臨床試験会社であり、「Accountable Research Organization」として運営されています。バイオテックと製薬会社が臨床試験を実施する際に、より大きなコントロール、スピード、信頼性を提供することを目的としています。同社は、従来の契約研究モデルを、試験設計、患者募集、データ収集、実施までを一つのシステムで管理する完全に統合された、テクノロジー第一のプラットフォームに置き換え、業界の標準よりも大幅に短い期間で試験を完了することがよくあります。独自のAIネイティブオペレーティングシステムにより、リアルタイムで試験のパフォーマンスを可視化し、マイルストーンに基づく価格設定によって関係者の利害を一致させ、大規模なヘルスデータを活用して登録と成果を改善します。目標は、新しい治療法を患者に届けることを加速させることです。

リンダスヘルスの使命や製品方向を形作った決定的な瞬間や初期の課題についてお話しください。

臨床試験におけるイノベーションは、通常、大規模な組織、多大な資本、既存のインフラストラクチャと関連付けられます。しかし、私たちの初期の経験は、逆のことを教えてくれました。

最初の試験では、意図的にシンプルな設計にしました。自分たちの技術で安全に実施できると分かっている内容に絞ったのです。この制約により、試験設計を簡素化し、完全に管理できるシステムに頼る必要が生じ、依存関係や非効率な点が見えやすくなりました。試験の実施方法を革新するために、大規模で極めて複雑なソフトウェア群は必要ありません。必要なのは、試験全体を最初から最後まで自ら管理し、すべてを一貫したデータパイプラインでつなぐことです。その可視性により全体の関係が分かり、分断された運用モデルでは見つけにくい改善の機会が浮かび上がります。

リンダスヘルスのAI駆動型プラットフォームは、従来のモデルと比較して臨床試験プロセスをどのように簡素化していますか。

私たちはこれをAI駆動型プラットフォームとは位置付けていません。CitrusTMはAIネイティブの試験運用システムです。AIの適用には分散型のアプローチを取っています。一つの領域に大きく賭けるのではなく、エンジニアリングチームの力を生かし、システム全体から信頼できる、文脈に合った用途を見つけます。これが機能するのは、私たちが試験の実施全体を担っているからです。AIがプロトコルの解析を速めれば、その効率化は試験設計にも波及します。設計が速くなれば、データチームはより整った設定を引き継げます。各段階がより構造化された成果物を生み、後工程の手戻りを減らすため、小さな改善が積み重なります。

二つの例があります。一つはAIによるデータ分析コードの生成です。生成したコードを何かに適用する前に、出力を確認する明確な仕組みを設けています。もう一つは、プロトコル文書を試験設計のスキーマに解析する用途です。最初の変換で大きな効率化が得られますが、その後の構築物も数週間のレビューと受け入れテストを通過する必要があります。

臨床ケアワークフローでは、AIを適用しません。私たちは、AIの適用が患者に危害を及ぼさないようにする責任を感じています。適切なガードレールをサポートするために必要なインフラストラクチャはまだ成熟していません。このアプローチにより、臨床ケアのワークフローにAIを用いることに伴う規制・安全性リスクを回避できます。私たちの他のアプリケーションは、同業界のAIと同じ厳格な審査を受けますが、基本的に、人間のレビューに十分な時間が与えられます。臨床ケアは、瞬間的な決定が患者の安全性に直接影響を与える可能性があるため、異なるリスクプロファイルです。

主な効果は臨床研究チームの効率化です。私たちの業務改善の多くはチームを直接支援し、その効果が積み重なります。試験の実施期間を一週間短縮するごとに、医薬品開発サイクルの完了に一週間近づき、開発全体の期間を短縮できる可能性があります。AIの用途は時間短縮や募集予測だけではありません。入ってくるデータを監視して異常、安全性シグナル、リスク指標を捉え、研究チームが効果的に試験を監督できるよう、より明確な可視性を提供します。

従来のモデルでは、AIは通常、1つの機能に対して1つのツールとして適用され、プロセスの残りの部分から分離されています。私たちのエンドツーエンドモデルでは、効率性の向上が全体の試験に流れ込み、各改善が前の改善を土台として積み重なります。これは、個々の機能を最適化することと、全体の試験実施のパフォーマンスを改善することの違いを反映しています。

タフツ大学の研究によると、臨床試験のデータの3分の1近くは非必須であることが示されています。リンダスヘルスは、AIを使用して不要なデータ収集を特定して排除するために何をしていますか。

タフツ大学の研究で説明されていることは、私たちも実際に経験したことです。私たちの経験では、根本的な原因は構造的なものです。試験の提供がチーム間で断片化されている場合、各チームはあらゆる可能性に備えるように動機付けられます。この行動は、断片化された説明責任に対する構造的な反応です。ベンダー契約からデータ収集ツールに至るまで、引き継ぎのたびに予防的な対応が一層ずつ加わります。

症例報告書を設計する担当者に届くころには、元の研究課題との距離が大きくなっていることがよくあります。研究者が「この治療で三か月間に体重はどう変わったか」と問う一方、収集様式の設計者は実施施設への支払い条件、コンプライアンスのチェック項目、監査証跡など運用上の問題に注目しています。どちらの視点も妥当で必要です。問題は、共通の文脈を持たずに各機能が動いていることです。運用上の仕組みが膨らみ、研究課題が埋もれてしまいます。

技術的な解決策の前に、もっと単純な段階もあります。研究チームはすでにAIチャットツールを使える環境にあり、日常的に利用しています。毎週数十件のプロトコル文書やPDFを受け取る中、それらをAI支援ツールに入力して質問できることは、資料との向き合い方を変えます。運用の細部に迷い込まず、研究課題に意識を向け続ける助けになります。

第一は試験設計です。設計・構築の全工程にAIツールを組み込むことで、問題がプロトコルに固定される前に見つけられます。AIで精緻化した研究スケジュールを作成し、設計者がプロトコルを確認するのを支援します。研究計画が複雑になり過ぎた箇所、重複、入り込んだ誤りを示します。それを基に設計者は、根拠を記録したうえで、データ項目の削除や収集頻度の低減を判断できます。

第二はデータ分析です。試験開始後に収集予定のデータを変えるのは別の課題です。それでも、集計、パターン検出、異常の指摘を速めることで、AIは手作業を減らし、重要な情報を早く見つける助けになります。不要なデータ収集が実際に試験に影響しているか、どこに影響しているかを素早く把握できる点が重要です。確かな知見が早く得られれば、対応可能なうちに調整し、研究チームに問題を伝え、収集を合理化するプロトコル改訂の根拠をまとめられます。

この構造的な問題には二段階で対処します。設計時には複雑さが固定される前に発見して取り除き、分析時には試験が進行している間に問題を見つけて対応できる速さをチームに与えます。

臨床試験でAIを使用することについての最大の誤解は何ですか。スポンサーや規制当局に対して、どのように誤解に対処していますか。

最大の誤解は、スポンサーと規制当局が臨床試験でのAIの使用に抵抗するというものです。これは、私たちの経験と一致しません。

規制当局の側では、ガイダンスの公開について慎重であることは理解していますが、規制当局の個人は、臨床試験でのAIについて話し合うことに興味があります。業界の重複作業の多さを認識し、AIが生産性、効率性、品質を向上させることができることも認識しています。

スポンサーからは、こちらがAIを話題にする前に質問されたことがあります。彼らは私たちがこうした解決策を見つけ、導入することを積極的に求めていました。理由は二つです。すでに自ら一部のツールを使い、可能性を理解していること。そして、AIによる効率化が試験期間やコストを減らし、気付かれないままだったかもしれない問題を防げると認識していることです。複数のスポンサーから、効率化のためのAI利用を示すよう組織内で求められていると聞いています。

関連する懸念は、AIとデータがモデルをトレーニングするために使用されることです。業界はここで進歩しています。モデル提供者は、利用プランの仕組みについてますます明確になっています。私たちは、AIツールがファウンデーションモデルトレーニングにデータを供給しないように注意しています。私たちのモデルや方法論をトレーニングする場合も同様です。誰かがこれを行う場合、顧客と提供者の間の業務範囲を定める合意文書に明示的に記載する必要があります。データの使用とモデルの動作についての明確な文書化が必要です。

誤解は実在しますが、責任のある義務を示しています。AIの使用場所、データの取り扱い、セーフガードの存在について明確である必要があります。スポンサーの質問は、AIを試験で使用するかどうかではなく、提供者がこれらの問題を考慮し、透明性を保つ用意があるかどうかです。

試験の実施において、自動化と人間の監視をどのようにバランスさせて、スピードと品質の両方を確保していますか。

人間のレビューの機会がない場所でAIを使用することに慎重です。これは、品質の文書化とAIポリシーに反映されています。

例えば、会話を通じて患者の試験参加適格性を判定するチャットボットを提供する企業があります。この種の自動化は、ほとんどの用途よりはるかに慎重な検討が必要です。最善の場合でも、AIが、本来役立ったかもしれない試験から患者を誤って除外します。最悪の場合には、患者を適格と判断し、スクリーニングを通過したと研究チームに伝え、本来あるべきでないリスクを登録に持ち込みます。ここでは人間の監督が役に立ちません。人が出力を確認する時点では、AIはすでに重大な結果を伴う工程で行動しているからです。症例報告書の誤りなら、データ収集に問題が起きても様式を調整したりデータを捨てたりできます。しかしAIが患者や実施施設に行動を指示した場合、取り返しのつかない害の可能性は、深刻さの面でも、試験内の他のAIの失敗箇所と比べても大きくなります。

このバランスは、人間のレビューが統合され、リスクが管理可能なアプリケーションに焦点を当てることで達成できます。AIは、人間のレビューが組み込まれており、エラーが回復可能なワークフローで最も効果的です。

患者の負担を減らし、試験への参加継続を促すうえで、どの技術や設計原則が最も効果的ですか。

患者の負担軽減と参加継続は、良い体験を確保する小さな、意図的な改善の積み重ねにかかっています。一つの施策だけで解決するものではありません。

2つの設計原則が最も重要です。

まず、患者向けのコンテンツとインターフェイスの品質です。患者情報シート、同意書、試験中に使用するアプリケーションなど、すべてがエクスペリエンスを形作ります。コピーは平易で簡潔であるべきです。インターフェイスはシンプルで、直感的なナビゲーション、最小限のフリクション、埋もれた文書なしでなければなりません。患者支援コンサルテーションは、これらの資料を参加者に提示する前に改良するのに役立ちます。良いユーザーエクスペリエンス設計は、ここでも他の場所でも重要です。特に臨床試験では、いずれ慣れてくれる何百万人もの利用者を相手にしているわけではないため重要です。

2つ目は、研究チームが患者とどのようにつながるかです。これには、リマインダー、招待、通知などのコミュニケーションツールと、患者ステータス、順守、安全性シグナルを表面化する監視インフラストラクチャが必要です。自動化された監視スクリプトは、注意を必要とするものをフラグで示し、チームが迅速に反応できるように役立ちます。マシンラーニングは、参加者の脱落前に早期の兆候を検出するために、順守データのパターンを検出できます。積極的な介入を可能にし、反応的なフォローアップではなく、適切な情報を適切なタイミングで適切な人に提供することを目指します。重要な情報を薄めてしまうノイズを取り除く必要があります。

こうした改善は新しい技術に依存しませんが、既製のソリューションから得られるわけでもありません。試験に入れさえすれば機能する製品はないのです。患者がどこで不便を感じるかを理解し、意識的に解消する注意深さが必要です。現代のAIツールは、文章の改善、語調の確認、監視スクリプトの自動化などを速めます。技術は成熟しています。違いは、試験のための問題解決か、患者のための問題解決かにあります。

リンダスヘルスは、プロセスをスリムで効率的に保ちながら、試験設計に患者フィードバックをどのように集め、統合していますか。

プライバシーとコンプライアンスの要件は、患者フィードバックをどのように収集できるかを形作ります。アプローチはこれらの境界内で機能する必要があります。基本的な監視では、サービスアップタイム、個人を識別する情報を除いた利用データ(デバイスの種類、アプリケーションの動作)、順守パターン(スケジュールされた評価を参加者がどのくらい一貫して完了するか)がキャプチャされます。データがフリクションポイントを表面化すると、将来の試験の設計決定にフィードバックされます。

より直接的な統合は、研究スタッフを通じて行われます。コーディネーターは参加者と関わることを奨励され、経験についてのシグナルをフィードバックし、より広いチームに戻します。これは文化的に強化されています。患者エクスペリエンスのフィードバックは、共有チャネルで公開され、会社全体のミーティングで強調されています。

構造的な利点もあります。従来のモデルとは異なり、各研究に新しい研究チームを組むのではなく、リンダスは同じテクノロジーで試験を実施し、複数の研究に携わったチームメンバーを擁しています。この継続性により、1つの試験から次の試験の設計に、学び(コード化されたものと暗黙のもの)が流れ込むことができます。コーディネーターが1つの研究でフリクションに遭遇すると、その洞察は、次の研究をどのように設定するかを情報に基づいて決定するのに役立ちます。

患者支援グループは、これをさらに拡大します。内部チャネルでは得られない、さまざまな患者集団に対する研究資料やプロセスの影響についての視点を表面化します。

プロセスを簡潔に保てるのは、研究ごとに別の仕組みを作るのではなく、既存の構造を通じてフィードバックが流れるからです。

臨床研究がより迅速で信頼性の高いものになるために、業界全体で何が変化する必要がありますか。

業界には、実践者が異なる方法で動作し、代替アプローチを実践で実証する必要がある構造的な慣性があります。企業のイノベーション・プログラムや経営陣の指令は、運用上の変更に限定された影響しかありません。実践者が実際に違うことを行い、それが機能することを証明する必要があります。

統計プログラミングは、このパターンを示しています。これは、臨床データをバイオ統計分析のために変換する専門的な仕事であり、深いドメインの専門知識を持つ専門家によって実行されます。しかし、才能を引き付けるのに苦労しています。データサイエンスやエンジニアリングの背景を持つ専門家は、スキルセットが大きく重なり合っているにもかかわらず、通常これを選択しません。仕事は依然として縦割りで、手法は部外者にとって分かりにくく、タレントのパイプラインが制限されています。

AIはこの状況を開く可能性があります。現代のツールは変換作業の多くを処理でき、二人のプログラマーが独立に結果を作成する二重プログラミングの要件も、人間同士ではなくAIと人間のペアで満たせます。しかし技術だけでは構造的な問題は解決しません。慎重に導入し、規制基準を満たすことを示す実務家が必要です。それがなければ、能力は十分に活用されません。

より広い教訓は、より迅速でより信頼性の高い試験には、新しいツール以外のものが必要です。人々が異なる方法で働くためのスペースを作る必要があります。雇用、規制の解釈、組織文化においてです。これが、実践でタイムラインを短縮する方法です。

AI、データ、試験設計の関係は、次の5年でどのように進化すると思いますか。

関係は、構造的な現実によって形作られます。AIの有効性は、受け取るコンテキストの品質によって制限されます。データがどこから来て、どのような変換を経て、実際に何を意味するかという豊かで正確な文脈がなければ、強力なモデルでも信頼性のない出力が生成されます。

臨床試験業界のほとんどは断片化されています。CROは試験ライフサイクルの断片しか見えません。スポンサーは、各々が絵の一部を持っている複数のベンダーと協力しています。コンテキストは、各ハンドオフで失われます。AIシステムに断片化された環境で試験データについて推論を求めると、不完全な情報で動作します。不完全な情報は、信頼性のない出力につながります。

AIから最も多く利益を得る組織は、エンドツーエンドのトレーサビリティを持つものです。彼らは、プロトコル設計からデータ収集、分析まで、データチェーンを制御します。コンテキストを推測しません。コンテキストを生成します。フォームを設計し、フィールドを定義し、データディクショナリを記述します。各データポイントには、組織が生成した出典があります。トレーサビリティは、単に運用上の効率性だけではありません。患者に影響を与える確かな根拠に基づく判断を可能にするものです。

今後五年間で、この構造的な優位性は積み重なります。全工程を見通せる組織は、入ってくるデータに応じる適応的な試験設計から、過去のパターンを基にしたプロトコルの最適化まで、AIをより効果的に導入します。得られた学びをシステム改善に取り込み、差を広げるでしょう。一方、分断されたデータを扱う組織にとって、AIは有望でも信頼しにくいものになります。管理された条件下では良く動いても、本番環境には安定して一般化できないシステムです。業界の問いはAIが重要になるかどうかではなく、信頼できるAIを支えるデータ基盤が存在するかどうかです。業界の大半では、まだ存在しません。それがこれからの仕事です。

素晴らしいインタビュー、ありがとうございます。AIネイティブの臨床試験実施、エンドツーエンドのデータ所有権、より迅速な研究提供についてさらに学びたい読者は、リンダスヘルスを訪問してください。

アントワーヌは、先見の明を持つリーダーであり、Unite.AIの創業パートナーです。AIとロボティクスの未来を形作り、その発展を促すことに揺るぎない情熱を注いでいます。複数の企業を立ち上げてきた起業家として、AIは電気と同じほど社会を大きく変えると考えており、革新的な技術や汎用人工知能(AGI)の可能性について熱く語ることがよくあります。

未来を展望するフューチャリストとして、こうした革新が世界をどのように形作るかを探究しています。また、未来を再定義し、業界全体を変革する最先端技術への投資に焦点を当てたプラットフォーム、Securities.ioの創設者でもあります。