인터뷰
니자트 하산리, 린더스 헬스 제품 책임자 – 인터뷰 시리즈

핵심 포인트Lindus Health의 AI 기반 시험 운영 시스템은 전체 시험 실행 범위에서 효율성 향상을 누적 확대합니다.
더 보기
- Lindus Health의 AI 기반 시험 운영 시스템은 전체 시험 실행 범위에서 효율성 향상을 누적 확대합니다.
- 해당 기업은 직접적인 환자 안전 위험을 제거하기 위해 임상 치료 워크플로우에는 AI를 도입하지 않습니다.
- 전통적 시험의 구조적 분절성은 AI가 초기 단계에서 제거할 수 있는 불필요한 데이터 수집을 발생시킵니다.
니자트 하산리(Nijat Hasanli), 린더스 헬스(Lindus Health)의 제품 책임자로서, 헬스텍과 기술 기반 조직에서 제품 기능을 구축하고 확장하는 데 집중한 경력을 보유하고 있습니다. 그는 현재 2022년부터 린더스 헬스에서 제품 전략 및 실행을 이끌고 있으며, 이전에는 OneCommerce와 Downforce Technologies에서 근무했습니다. 그의 경험은 영국의 여러 제품 환경을 아우르며, 그는 제품 개발을 비즈니스 결과와 일치시키는 책임을 맡았으며, 혁신을 주도하고, 빠르게 움직이는 산업에서 복잡한 기술 능력을 확장 가능하고 사용자 중심의 솔루션으로 바꾸는 역할을 수행했습니다.
린더스 헬스(Lindus Health)는 AI를 기반으로 하는 임상 시험 회사로, “책임 있는 연구 조직”으로 운영되며, 바이오테크와 제약 회사에 더 큰 제어, 속도, 및 신뢰성을 제공하여 임상 연구를 수행할 수 있도록 설계되었습니다. 이 회사는 전통적인 계약 연구 모델을 대체하여 임상시험 설계 및 환자 모집에서 데이터 캡처 및 실행까지 모든 것을 하나의 시스템에서 관리하는 완전히 통합된 기술 우선 플랫폼을 제공하며, 이는 종종 산업 표준보다 임상 시험을 훨씬 더 빠르게 완료할 수 있습니다. 이 회사의 독점적인 AI 네이티브 운영 체제는 실시간으로 임상시험 성능에 대한 가시성을 제공하며, 마일스톤 기반 가격 설정을 통해 인센티브를 일치시키고, 대규모 건강 데이터를 활용하여 등록 및 결과를 개선합니다. 이러한 목표는 새로운 치료법을 환자에게 더 빠르게 전달하는 것입니다.
린더스 헬스의 사명이나 제품 방향을 형성하는 데 도움이 된 결정적인 순간이나 초기 과제를 소개해 주시겠습니까?
임상시험의 혁신은 흔히 큰 규모와 연결됩니다. 대형 조직, 상당한 자본, 확립된 인프라가 필요하다는 생각입니다. 그러나 우리의 결정적인 초기 경험은 그 반대를 가르쳐 주었습니다.
첫 임상시험에서는 우리 기술로 안전하게 수행할 수 있도록 의도적으로 단순한 방식을 택했습니다. 이 제약 때문에 시험 설계를 간소화하고 완전히 통제하는 시스템에 의존하게 되었고, 의존 관계와 비효율이 더 잘 드러났습니다. 시험 수행을 혁신하는 데 크고 매우 복잡한 소프트웨어 스택이 꼭 필요한 것은 아닙니다. 처음부터 끝까지 시험 전체를 책임지고 모든 단계를 일관된 데이터 파이프라인으로 연결하는 것이 중요합니다. 이러한 가시성은 전체 연결 관계를 보여 주며, 분절된 운영 모델에서는 찾기 어려운 기회를 드러냅니다.
린더스 헬스의 AI 기반 플랫폼은 전통적인 모델과 비교하여 임상 시험 프로세스를 어떻게 개선합니까?
우리는 이것을 AI 기반 플랫폼으로 규정하지 않습니다. 시트러스(Citrus)TM는 AI 네이티브 임상시험 운영 체제입니다. 우리는 AI 적용에 대한 분산 접근 방식을 사용합니다. 즉, 한 분야에 크게 베팅하는 대신, 우리의 엔지니어링 팀이 시스템 전반에 걸쳐 신뢰할 수 있는 컨텍스트 특정 응용 프로그램을 찾도록 합니다. 이것이 작동하는 이유는 우리가 전체 범위의 임상시험을 실행하기 때문입니다. AI가 프로토콜 파싱을 가속화할 때, 효율성이 연구 설계로 흐릅니다. 연구 설계가 더 빠르면, 데이터 팀은 더 잘 정리된 설정을 전달받습니다. 이러한 점진적인 개선은 각 단계가 더 구조화된 출력을 생성하고 후속 재작업을 줄이기 때문에 누적됩니다.
두 가지 예를 들겠습니다. AI로 데이터 분석 코드를 생성하며, 코드가 어디에든 사용되기 전에 결과를 검토하는 명확한 절차를 갖추고 있습니다. 또한 AI로 프로토콜 문서를 연구 설계 도식으로 변환합니다. 첫 변환에서 상당한 효율을 얻지만, 만들어진 시스템은 여전히 수주 동안 검토와 인수 테스트를 거칩니다.
우리는 임상 치료 워크플로에서 AI를 적용하지 않습니다. 우리는 우리의 응용 프로그램이 환자에게 해를 끼칠 수 있는 위험이 없도록 보장할 책임을 느끼기 때문입니다. 임상 치료 워크플로에서 적절한 가드레일을 지원하는 인프라가 여전히 성숙하고 있기 때문입니다. 이는 임상 치료 워크플로에서 AI와 관련된 규제 및 안전 위험을 피합니다. 우리의 다른 응용 프로그램은 여전히 이 산업에서 AI와 동일한 검토를 받습니다. 그러나 근본적으로 이러한 활용은 인간의 검토에 충분한 시간을 제공합니다. 임상 치료는 직접적인 환자 안전 영향이 있을 수 있는 순간적인 결정에서 다른 위험 프로파일입니다.
주된 효과는 임상연구팀의 효율 향상입니다. 우리의 간소화 작업 중 많은 부분이 연구팀을 직접 돕고 그 효과가 축적됩니다. 시험 수행에서 일주일을 줄일 때마다 약물 개발 주기의 완료도 일주일 가까워지며, 전체 개발 기간을 단축할 수 있습니다. 시간 절약 외에도 AI는 모집 예측을 넘어, 들어오는 데이터의 이상, 안전 신호와 위험 지표를 감시하여 연구팀이 시험을 효과적으로 감독하도록 더 명확한 정보를 제공합니다.
전통적인 모델에서는 AI가 나머지 과정과 분리된 특정 기능용 도구로 적용되는 경우가 많습니다. 우리의 전체 과정 통합 모델에서는 효율 개선이 시험 전체로 이어지고 각 개선이 이전 개선에 기반합니다. 개별 기능의 최적화와 시험 수행 전체의 성과 향상은 다릅니다.
투츠 연구는 거의 3분의 1의 임상 시험 데이터가 불필요하다고 강조합니다. 린더스 헬스는 불필요한 데이터 수집을 식별하고 제거하기 위해 AI를 어떻게 사용합니까?
투츠 연구에서 설명한 것은 우리가 직접적으로 본 것입니다. 우리의 경험에 따르면, 근본 원인은 구조적입니다. 즉, 임상시험 전달이 팀으로 분할될 때, 각 팀은 모든 경우에 대비하도록 동기를 부여받습니다. 이 행동은 분할된 책임에 대한 구조적인 반응입니다. 벤더 계약에서 데이터 수집 기구에 이르기까지, 각 핸드오프마다 또 다른 예방 조치의 계층이 추가됩니다.
사례 보고서 양식 설계자에 도달할 때까지, 그들은 원래 연구 질문에서 멀리 떨어져 있습니다. 조사자는 “이 치료법에서 3개월 동안 체중이 어떻게 변경되었는지”를 묻고 있을 수 있지만, 기구 설계자는 운영 상의 우려에 집중합니다. 즉, 연구기관 지급 조건, 준수 체크박스, 감사 추적 요구 사항과 같은 것들입니다. 두 관점은 모두 유효하고 필요합니다. 문제는 이러한 기능이 공유된 컨텍스트 없이 작동한다는 것입니다. 운영 스캐폴딩이 성장하고, 연구 질문이 묻혀 있습니다.
기술적 해결책에 앞서 더 간단한 단계도 있습니다. 연구팀은 이미 AI 채팅 도구에 접근하여 지속적으로 활용합니다. 매주 수십 건의 프로토콜과 PDF를 받는 상황에서 이를 AI 도구에 넣고 질문하면 자료를 다루는 방식이 달라집니다. 운영 세부 사항에 매몰되지 않고 연구 질문에 더 가까이 머물도록 돕습니다.
첫째는 시험 설계입니다. 설계와 구축 전 과정에 AI를 내장하면 문제가 프로토콜에 고정되기 전에 일찍 찾아낼 수 있습니다. AI로 정교한 연구 일정을 만들고 설계자가 프로토콜을 검토하도록 돕습니다. 연구 계획이 지나치게 복잡하거나 중복 또는 오류가 있는 부분을 표시합니다. 설계자는 근거를 기록하면서 데이터 항목을 없애거나 수집 빈도를 낮출지 충분한 정보를 바탕으로 결정할 수 있습니다.
둘째는 데이터 분석입니다. 시험이 시작된 뒤 계획한 수집 내용을 바꾸는 것은 또 다른 과제입니다. AI는 집계, 패턴 감지와 이상 표시를 앞당겨 수작업을 줄이고 중요한 정보를 더 빨리 가려냅니다. 연구팀은 불필요한 수집이 시험에 실제로 영향을 주는지, 어디에서 영향을 주는지 민첩하게 파악할 수 있습니다. 신뢰할 만한 통찰을 일찍 얻으면 조정하거나 연구팀에 문제를 알리거나, 아직 대응할 시간이 있을 때 수집을 간소화할 프로토콜 변경의 근거를 마련할 수 있습니다.
따라서 구조적 문제를 두 단계에서 다룹니다. 설계에서는 복잡성이 고정되기 전에 찾아 제거하고, 분석에서는 시험이 진행되는 동안 문제를 찾아 행동할 수 있는 속도를 제공합니다.
임상 시험에서 AI를 사용하는 것에 대한 가장 큰 오해는 무엇이며, 스폰서와 규제 기관과 이를 어떻게 논의하고 해결합니까?
가장 큰 오해는 주저함입니다. 즉, 스폰서와 규제 기관이 임상 시험에서 AI에 저항할 것이라는 가정입니다. 이것은 우리의 경험과 반대입니다.
규제 측면에서, 우리의 초기 대화는 규제 기관이 지침 발행에는 적절히 신중하지만, 이러한 조직의 개인들은 임상 시험에서 AI에 대해 논의하는 것에 개방적이라는 것을 보여주었습니다. 생산성, 효율성, 품질을 개선할 수 있는 AI의 잠재력을 인식하고 있으며, 이 산업에서 중복이 얼마나 존재하는지 또한 인식하고 있습니다.
일부 의뢰자는 우리가 AI를 먼저 언급하기 전에 질문했습니다. 우리가 이러한 해결책을 찾아 도입하기를 적극적으로 원했습니다. 이유는 두 가지입니다. 이미 도구를 사용하므로 잠재력을 알고 있고, AI를 통한 효율 개선이 시험 기간과 비용을 줄이며 놓칠 문제를 예방할 수 있음을 이해하기 때문입니다. 여러 의뢰자에게서 조직 내부에 효율 향상을 위한 AI 활용을 입증하라는 압력이 있다는 이야기도 들었습니다.
관련 우려는 AI 모델 훈련에 쓰이는 데이터입니다. 업계가 발전하면서 모델 제공업체는 이용 플랜의 작동 방식을 더 명확하게 설명하고 있습니다. 우리는 사용하는 도구가 데이터를 기반 모델 훈련에 제공하지 않도록 주의합니다. 자체 모델이나 방법론을 훈련할 때도 마찬가지입니다. 누군가 그렇게 한다면 고객과 제공업체 사이의 업무 범위 명세서에 명시해야 합니다. 데이터 사용과 모델 동작에 관한 명확한 문서화가 필요합니다.
그러므로 오해는 실제로 존재하지만, 책임의 의무를 가리킵니다. 즉, AI가 어디에서 사용되는지, 데이터가 어떻게 처리되는지, 어떤 안전 장치가 있는지에 대해 명확해야 합니다. 관련된 질문은 스폰서가 AI를 임상시험에서 사용할 것인지 여부가 아니라, 제공자가 이러한 문제를 생각해 냈는지, 그리고 그것에 대해 투명한지 여부입니다.
임상시험 실행에서 자동화와 인간의 감독 사이에 어떻게 균형을 잡아 속도와 품질을 모두 보장합니까?
우리는 인간의 검토 기회가 없는 곳에서 AI를 사용하는 것에 대해 주의합니다. 이것은 우리의 품질 문서와 AI 정책에 반영됩니다.
예를 들어 대화로 환자의 참여 적격성을 평가하는 챗봇이 있습니다. 대부분의 다른 활용보다 훨씬 신중한 검토가 필요합니다. 가장 나은 경우에도 AI가 도움을 받을 수 있었던 사람을 시험에서 잘못 제외합니다. 최악의 경우에는 부적격자를 적격으로 판단하고 연구팀에 선별검사를 통과했다고 알려, 등록 과정에 없어야 할 위험을 만듭니다. 여기서는 인간의 감독도 도움이 되지 않습니다. 사람이 결과를 검토할 때는 AI가 이미 고위험 과정에서 행동했기 때문입니다. 증례기록서의 오류라면 도구를 수정하거나 데이터를 버릴 수 있습니다. 하지만 AI가 환자나 연구기관에 행동을 지시하면 돌이킬 수 없는 위해의 가능성이 더 큽니다. 심각성 면에서도, 시험의 다른 부분에서 발생하는 AI 오류와 비교해도 그렇습니다.
인간의 검토가 내장되고 위험을 관리할 수 있는 활용에 집중하면 균형을 맞출 수 있습니다. AI는 사람이 검토하고 오류를 바로잡을 수 있는 과정에서 가장 효과적입니다.
환자의 부담을 줄이고 시험 참여를 유지하는 데 가장 효과적인 기술이나 설계 원칙은 무엇입니까?
환자 부담과 참여 유지는 좋은 경험을 위한 작고 의도적인 조치에 달려 있습니다. 어느 한 가지 개입만으로 해결되지 않습니다.
두 가지 설계 원칙이 가장 중요합니다.
첫째는 환자용 콘텐츠와 인터페이스의 품질입니다. 환자 안내문, 동의서, 시험 중 사용하는 앱이 모두 경험을 형성합니다. 문구는 쉽고 간결해야 합니다. 직관적인 탐색, 최소한의 불편과 쉽게 찾는 문서가 필요합니다. 환자 권익단체와 상담하면 참여자에게 전달하기 전에 자료를 개선할 수 있습니다. 좋은 사용자 경험은 다른 곳에서만큼 중요하며, 특히 결국 적응할 수백만 명의 사용자를 상대하는 상황이 아닌 임상시험에서 그렇습니다.
둘째는 연구팀과 환자의 연결입니다. 알림, 초대, 통지 같은 소통 도구와 환자 상태, 지침 준수 및 안전 신호를 보여 주는 모니터링 인프라가 필요합니다. 자동 감독 스크립트는 주의할 일을 표시하여 신속한 대응을 돕습니다. 머신러닝은 지침 준수 데이터에서 환자가 중도 이탈하기 전 참여 저하의 초기 징후를 찾아 사후 대응보다 선제적 개입을 가능하게 합니다. 목표는 중요한 신호를 희석하는 잡음 없이 올바른 정보를 올바른 사람에게 제때 전달하는 것입니다.
이러한 개선은 신기술에 의존하지 않지만 기성품 하나로 되는 것도 아닙니다. 시험에 제품을 넣기만 하면 작동하리라 기대할 수 없습니다. 환자가 겪는 불편을 이해하고 의도적으로 해결해야 합니다. 현대적인 AI 도구는 문구 개선, 어조 검토와 모니터링 스크립트 자동화로 이를 앞당깁니다. 기술은 성숙했습니다. 차이는 시험의 문제를 해결하는지, 환자의 문제를 해결하는지에 있습니다.
린더스 헬스는 어떻게 임상시험 설계에 환자 의견을 수집·통합하면서도 절차를 간결하고 효율적으로 유지합니까?
개인정보와 규정 준수 요구가 환자 의견 수집의 경계를 정하며, 접근 방식은 그 안에서 작동해야 합니다. 기본 모니터링은 서비스 가동 시간, 식별자를 제거한 이용 데이터인 기기 유형과 앱 동작, 예정된 평가를 얼마나 꾸준히 완료하는지 등의 준수 패턴을 기록합니다. 여기서 드러난 불편은 향후 시험 설계에 반영됩니다.
보다 직접적인 통합은 연구 직원을 통해 이루어집니다. 조정자는 참가자와 상호작용하고 경험에 대한 신호를 수집하여, 더 넓은 팀에 피드백합니다. 이것은 문화적으로 강화됩니다. 즉, 환자 경험 피드백은 공유 채널에 게시되고, 회사 전체 회의에서 강조됩니다.
구조적 이점도 있습니다. 시험마다 새 팀을 꾸리는 전통적 모델과 달리, 린더스는 여러 시험을 경험한 팀원들과 같은 기술을 사용합니다. 이 연속성은 명문화된 지식과 암묵적 지식 모두를 다음 시험의 설계로 이어 줍니다. 조정자가 한 시험에서 발견한 불편이 다음 시험의 설정에 영향을 줄 수 있습니다.
환자 권익단체는 내부 경로로는 얻지 못할 관점을 더합니다. 특히 서로 다른 환자 집단이 연구 자료와 절차를 어떻게 받아들이는지 알려 줍니다.
절차는 간결하게 유지됩니다. 즉, 피드백은 각 연구마다 별도의 장치를 필요로 하지 않고, 기존 구조를 통해 흐릅니다.
임상 연구가 더 빠르고 더 신뢰할 수 있게 되기 위해 산업 전반에서 무엇이 변경되어야 합니까?
업계의 구조적 관성을 바꾸려면 실무자들이 다르게 일하고 대안을 현장에서 입증해야 합니다. 기업 혁신 프로그램과 경영진 지시는 운영 변화에 제한적인 영향을 줍니다. 실제로 다르게 일하며 효과를 증명할 실무자가 필요합니다.
통계 프로그래밍이 그 예입니다. 임상 데이터를 생물통계 분석용으로 변환하는 숙련된 전문 업무이며 깊은 분야 지식이 필요합니다. 그러나 인재 유치가 어렵습니다. 데이터 과학이나 공학 배경의 전문가들은 기술이 상당히 겹치는데도 이 길을 드물게 선택합니다. 업무는 고립되어 있고 외부인은 방법을 알기 어려우며 새로운 인재 유입은 제한됩니다.
AI는 이 분야를 열 수 있습니다. 현대 도구는 변환 작업의 상당 부분을 처리할 수 있고, 두 프로그래머가 독립된 결과를 만드는 이중 프로그래밍 요건은 두 사람 대신 AI와 사람의 조합으로 충족할 수 있습니다. 그러나 기술만으로 구조적 문제는 해결되지 않습니다. 신중하게 도입하고 규제 기준 충족을 입증할 실무자가 필요합니다. 그렇지 않으면 잠재력이 충분히 활용되지 못합니다.
더 넓은 교훈은 빠르고 신뢰할 수 있는 시험에 새로운 도구 이상의 것이 필요하다는 점입니다. 채용, 규정 해석과 조직 문화에서 다르게 일할 사람들을 위한 공간을 만들어야 합니다. 그래야 실제로 기간을 줄일 수 있습니다.
AI, 데이터, 및 임상시험 설계의 관계는 향후 5년 동안 어떻게 발전할 것으로 보입니까?
이 관계는 구조적인 현실에 의해 형성됩니다. 즉, AI의 효과는 받는 컨텍스트의 품질에 의해 제한됩니다. 컨텍스트가 부족하거나, 데이터가 어디에서 왔는지, 어떤 변환을 거쳤는지, 실제로 무엇을 의미하는지에 대한 정보가 없으면, 강력한 모델도 신뢰할 수 없는 출력을 생성합니다.
대부분의 임상 시험 산업은 단편적입니다. 즉, 계약 연구 조직(CRO)은 임상시험 수명 주기의 단편만을 볼 수 있습니다. 스폰서들은 여러 벤더와 함께 일하며, 각 벤더는 그림의 일부만을 보유하고 있습니다. 컨텍스트는 각 핸드오프마다 손실됩니다. AI 시스템에 임상시험 데이터에 대해 추론하라고 요청할 때, 시스템은 불완전한 정보로 작동하며, 불완전한 정보는 신뢰할 수 없는 출력을 생성합니다.
AI의 이점을 가장 많이 얻을 조직은 전체 과정의 추적 가능성을 갖춘 곳입니다. 프로토콜 설계부터 수집과 분석까지 데이터 사슬을 통제합니다. 맥락을 추정하는 대신 직접 만듭니다. 양식을 설계하고 필드를 정의하며 데이터 사전을 씁니다. 조직이 출처를 만들었기에 모든 데이터 항목의 유래가 확인됩니다. 이는 운영 효율뿐 아니라 환자에게 영향을 주는 결정을 확실한 근거와 자신감을 갖고 내릴 수 있게 합니다.
앞으로 5년 동안 이 구조적 이점은 축적됩니다. 전체 과정을 보는 조직은 유입 데이터에 반응하는 적응형 시험 설계부터 과거 패턴에 기반한 프로토콜 최적화까지 AI를 더 효과적으로 도입합니다. 학습을 시스템 개선에 반영하며 격차를 벌릴 것입니다. 분절된 데이터를 쓰는 조직에는 AI가 유망하지만 신뢰하기 어려울 것입니다. 통제된 환경에서는 잘 작동해도 실제 운영 환경으로 안정적으로 일반화되지 못하기 때문입니다.
산업의 질문은 AI가 중요할 것인지 여부가 아니라, AI를 신뢰할 수 있게 하는 데이터 인프라가 있는지 여부입니다. 대부분의 산업에서 아직은 그렇지 않습니다. 그것이 앞으로의 작업입니다.
이번 인터뷰에 감사드립니다. AI 네이티브 임상 시험 실행, 종단 간 데이터 소유권, 및 더 빠른 연구 전달에 대해 더 알고 싶은 독자는 린더스 헬스(Lindus Health)를 방문하시기 바랍니다.












