린더스 헬스(Lindus Health)의 제품 책임자 닌자트 하산리(Nijat Hasanli) – 인터뷰 시리즈

닌자트 하산리(Nijat Hasanli), 린더스 헬스(Lindus Health)의 제품 책임자로서, 헬스텍과 기술 기반 조직에서 제품 기능을 구축하고 확장하는 데 집중한 트랙 레코드를 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 번역하는 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 시제품 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 시제품 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.

임상 시험에서 혁신은 종종 규모와 관련이 있습니다. 그러나 린더스 헬스의 초기 경험은 반대입니다. 린더스 헬스의 초기 경험에서 가장 중요한 순간이나 도전을 공유할 수 있나요?

임상 시험에서 혁신은 종종 규모와 관련이 있습니다. 그러나 우리의 초기 경험은 반대입니다.

우리가 첫 번째 시제품을 실행했을 때, 우리는 그것을 간단하게 유지하려고 노력했습니다. 이것은 우리가 안전하게 기술로 실행할 수 있는 것을 알았기 때문입니다. 이 제약은 우리가 시제품 설계를 단순화하고 우리가 완전히 제어하는 시스템에 의존하도록 강制했습니다. 이는 의존성과 비효율성을 더 가시적으로 만들었습니다. 대규모 및 복잡한 소프트웨어 스택은 시제품 전달에서 혁신을 위해 필요하지 않습니다. 시제품 전달의 혁신은 전체 시제품을 시작부터 끝까지 소유하는 것과 모든 것을 연결하는 일관된 데이터 파이프라인에 달려 있습니다. 이러한 가시성은 모든 것이 어떻게 맞물리는지 보여주며, 단편적인 운영 모델에서难로 식별할 수 있는 기회를 표면화합니다.

린더스 헬스의 AI 기반 플랫폼은 전통적인 모델과 비교하여 임상 시험 프로세스를 어떻게 개선합니까?

우리는 이것을 AI 기반 플랫폼으로 пози션하지 않습니다. 시트러스(Citrus)^TM은 AI 네이티브 시제품 운영 체제입니다. 우리는 AI 적용에 대한 분산 접근 방식을 사용합니다. 즉, 하나의 도메인에서 큰 베팅을 하지 않고, 우리의 엔지니어링 팀이 시스템 전반에 걸쳐 신뢰할 수 있는 컨텍스트 특정 응용 프로그램을 찾도록 합니다. 이것이 작동하는 이유는 우리가 전체 범위의 시제품을 실행하기 때문입니다. AI가 프로토콜 파싱을 가속화할 때, 효율성이 연구 설계로 흐릅니다. 연구 설계가 더 빠르면, 데이터 팀은 더 깨끗한 설정을 상속받습니다. 이러한 점진적인 개선은 각 단계가 더 구조화된 출력을 생성하고 하류 작업을 줄이기 때문에 합성됩니다.

두 가지 예가 이를 설명합니다. 우리는 데이터 분석 코드를 생성하기 위해 AI를 사용하며, 여기에는 출력을 검토하기 전에 명확한 메커니즘이 있습니다. 우리는 또한 프로토콜 문서를 연구 설계 도식으로 파싱하기 위해 AI를 사용합니다. 이는 첫 번째 변환에서 상당한 효율성 개선이지만, 빌드는 여전히 검토 및 승인 테스트를 위해 수주가 걸립니다.

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 여전히이 산업에서 AI와 동일한 검토를 받습니다. 그러나 기본적으로它们는 인간의 검토에 충분한 시간을 제공합니다. 임상 치료는 직접적인 환자 안전 영향이 있을 수 있는 순간적인 결정에서 다른 위험 프로파일입니다.

이것은 임상 연구 팀의 효율성에 주로 영향을 미칩니다. 우리의 스트리밍은 임상 연구 팀을 직접 지원합니다. 효율성은 합성됩니다. 우리는 임상 시험을 완료하기 위해 매주 몇 주를 절약할 때마다, 약물 개발 주기를 완료하기 위해 더 가까워집니다. 이는 타임라인 개선뿐만 아니라, 우리의 AI 응용 프로그램은 예측을 넘어섭니다.它们는 또한 데이터를 모니터링하여 비정상, 안전 신호, 및 위험 지표를 감지하여 연구 팀이 시제품을 효과적으로 감독할 수 있도록 합니다.

전통적인 모델에서 AI는 일반적으로 하나의 기능을 위한 하나의 도구로 적용됩니다. 우리의 종단 간 모델은 효율성 개선을 전체 시제품으로 흐르게 합니다. 이는 개별 함수를 최적화하는 것과 전체 시제품 실행 성능을 개선하는 것之间의 차이를 반영합니다.

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, 시제품 전달이 팀으로 분할될 때, 각 팀은 자신의 모든 기반을 다 커버하도록 동기화됩니다. 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, 사이트 지불 트리거, 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.

또한 기술적 해결책을 해결하기 전에 해결할 수 있는 더 간단한 계층이 있습니다. 우리의 연구 팀은 이미 AI 채팅 도구에 액세스할 수 있으며, 그들은 그것을不断적으로 사용합니다. 팀이 매주 수십 개의 프로토콜 문서와 PDF를 받을 때, 그것들을 AI 지원 도구에 입력하여 질문할 수 있는 기능이 변경됩니다. 이것은 팀이 운영 세부 정보에迷失되지 않고 연구 질문에 더 가까이 유지하는 데 도움이 됩니다.

첫째, 시제품 설계입니다. 시제품 설계 및 구축 프로세스 전반에 걸쳐 AI 도구를 내장하면 초기에 이러한 문제를 포착하는 기회가 열립니다. 우리는 연구 일정 및 설계자를 통해 프로토콜을 안내하는 데 AI를 사용합니다. 여기에는 연구 계획이 너무 복잡해지는 곳, 중복된 곳, 오류가 발생한 곳을 표시하는 기능이 있습니다. 설계자는 이유를 문서화하면서 데이터 포인트를 제거하거나 수집 빈도를 줄이는 결정에 대한 정보를 얻을 수 있습니다.

둘째, 데이터 분석입니다. 시제품이 실행 중일 때, 계획한 대로 수집할 데이터를 변경하는 것은 다른 도전입니다. 그러나 AI는 팀이 더 빠르게 소음에 대한 통찰력을 얻도록 도와줍니다. 더 빠른 집계, 패턴 감지 및 비정상성 플래그는 수동 처리에 대한 시간을 줄입니다. 이는 여기서 중요합니다. 왜냐하면 팀이 불필요한 데이터 수집이 실제로 시제품에 영향을 미치는지 여부를 식별할 수 있는 민첩성을 제공하기 때문입니다. 자신감 있는 통찰력이 더 빨리 도착하면, 그들은 조정을 만들 수 있습니다. 연구 팀에 문제를 알릴 수 있습니다. 또는 수집을 스트리밍하기 위해 아직 시간이 있을 때 프로토콜 수정을 제안할 수 있습니다.

이것은 두 단계에서 구조적인 문제를 해결하는 것입니다. 설계에서, 복잡성을 시제품에 잠기기 전에 포착하고 제거하기 위해, 그리고 분석에서, 팀이 문제를 식별하고 실행 중인 시제품에서 조치할 수 있는 속도를 제공하기 위해.

임상 시험에서 AI를 사용하는 것에 대한 가장 큰 오해는 무엇이며, 스폰서와 규제 기관과 어떻게 해결합니까?

가장 큰 오해는 주저함입니다. 즉, 스폰서와 규제 기관이 임상 시험에서 AI를抵制할 것이라는 가정입니다. 이것은 우리의 경험과 반대입니다.

규제 측면에서, 우리의 초기 대화는 규제 기관이 적절하게 AI에 대한 지침을 발행하는 것에 주저하고 있지만, 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.

스폰서 측면에서, 우리는 스폰서로부터 AI에 대한 질문을 받았습니다. 그들은 이미 이러한 도구를 사용하고 있었기 때문에, 그들은 이러한 솔루션을 찾고 있었습니다. 이것은 두 가지 요인에 의해 추진됩니다. 첫째, 스폰서들은 이미 이러한 도구를 자신들이 사용하고 있기 때문에, 그들은 그 잠재력을 이해합니다. 둘째, 그들은 AI 驅動 효율성이 시제품 기간을 단축하고 비용을 줄이고, 그렇지 않으면 무시되었을 수 있는 문제를 방지할 수 있다는 것을認識합니다. 우리는 몇몇 스폰서로부터, 그들의 조직 내에서 효율성을 위한 AI 사용을 보여주는 내부 압력이 있다는 말을 들었습니다.

관련된 우려 사항은 AI와 데이터가 모델 훈련에 사용되는 것입니다. 이 산업은 여기에서 발전하고 있으며, 모델 제공업체는 그들의 사용 계획이 어떻게 작동하는지에 대해 점점 더 명확해지고 있습니다. 우리는 AI 도구를 사용할 때 데이터를 모델 훈련에 피드하지 않는다는 것을 주의합니다. 우리는 또한 우리 자신의 모델이나 방법론을 훈련하는 것에 대해 주의합니다. 데이터 사용 및 모델 동작에 대한 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 시제품에서 사용할 것인지 여부가 아니라, 제공자가 이러한 문제를 생각해 냈는지, 그리고 그것에 대해 투명한지 여부입니다.

시제품 실행에서 자동화와 인간의 감독을 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, 환자 자격을 평가하는 채팅봇을 제공하는 제공업체가 있습니다. 이러한 자동화에는 더 신중한 고려가 필요합니다. 최선의 경우, AI는 누군가를 시제품에서 잘못 제외할 수 있습니다. 최악의 경우, 그것은 누군가를合格시킵니다. 연구 팀에 통과했다는 신호를 보내고, 그것이 거기에 있지 않아야 할 위험을 등록에 도입합니다. 인간의 감독은 여기서 도움이 되지 않습니다. AI가 이미 높은 위험 워크플로에서 행동했을 때, 인간은 출력을 검토할 수 있습니다. 비교적, 데이터 수집 오류의 경우, 데이터 수집을 조정하거나 데이터를 폐기할 수 있습니다. 그러나 AI가 환자나 연구 사이트에 행동을 취하라고 지시하면, 잠재적인 위험은 더 크고, 다른 곳에서 AI가 잘못된 경우보다 더 큽니다.

이 균형은 위험을 관리할 수 있는 응용 프로그램에 초점을 맞음으로써 달성됩니다. AI는 인간의 검토가 통합되고, 오류가 복구될 수 있는 워크플로에서 가장 효과적입니다.

환자 부담과 유지력을 개선하기 위해 가장 효과적인 기술이나 설계 원칙은 무엇입니까?

환자 부담과 유지력은 작은, 의도적인 단계에 달려 있습니다. 단일 개입은 독립적으로 해결할 수 없습니다.

두 가지 설계 원칙이 가장 중요합니다.

첫째, 환자용 콘텐츠와 인터페이스의 품질입니다. 환자 정보 시트, 동의서, 시제품 중에 사용하는 애플리케이션과 같은 모든 것들이 경험을 형성합니다. 복사는 간단하고 분명해야 합니다. 인터페이스는 간단해야 합니다. 즉, 직관적인 탐색, 최소한의 마찰, 숨겨진 문서가 없습니다. 환자 옹호자 상담은 이러한 자료를 参加者에게 도달하기 전에 정제하는 데 도움이 될 수 있습니다. 좋은 사용자 경험 설계는 임상 시험에서와 같이 수백만 명의 사용자가 적응할 수 있는 다른 곳에서와 마찬가지로 중요합니다.

둘째, 연구 팀이 환자와 어떻게 연결되는지입니다. 이것은 리마인더, 초대, 알림과 같은 통신 도구를 의미하며, 환자 상태, 순응도, 안전 신호를 표면화하는 모니터링 인프라를 의미합니다. 자동화된 감독 스크립트는 여기서 도움이 됩니다. 주의가 필요하다는 것을 플래그하여 팀이 신속하게 대응할 수 있도록 합니다. 기계 학습은 순응도 데이터에서 패턴을 감지하여 탈락 전에 조기 탈락의 초기 징후를 감지할 수 있습니다. 목표는 올바른 정보를 올바른 사람에게 올바른 시간에 제공하는 것입니다. 중요한 것은 무엇인지 희석시키지 않는 노이즈 없이.

이러한 개선 사항은 새로운 기술에 의존하지 않습니다. 그러나 오프-더-셸프 솔루션도 아닙니다. 그것은 주의를 필요로 합니다. 즉, 환자가 마찰을遭遇하는 곳을 이해하고, 그것을 의도적으로 해결하는 것입니다. 현대적인 AI 툴링은 이것을 더 빠르게 하는 방법을 제공합니다. 즉, 복사를 정제하고, 톤을 검토하고, 자동화된 모니터링 스크립트를 자동화하는 것입니다. 기술은 성숙했습니다. 차이점은 그것을 해결하는 것인지, 환자를 해결하는 것인지 여부입니다.

린더스 헬스는 어떻게 시제품 설계에 환자 피드백을 수집하고 통합하면서도 프로세스를 가벼우며 효율적으로 유지합니까?

개인 정보 및 규정 요구 사항은 환자 피드백을 수집하는 방법을 형성합니다. 접근 방식은 이러한 경계 내에서 작동해야 합니다. 기본적인 모니터링은 서비스 업타임,匿名 사용 데이터(장치 유형, 애플리케이션 동작) 및 순응도 패턴(예정된 평가를 얼마나 일관되게 완료하는지)을 캡처합니다. 이러한 데이터가 마찰 지점을 표면화하면, 그것은 미래의 시제품 설계에 대한 디자인 결정에 피드백합니다.

보다 직접적인 통합은 연구 직원 통해 이루어집니다. 조정자는 参加者와 상호작용하고 경험에 대한 신호를 수집하여, 더 넓은 팀에 피드백합니다. 이것은 문화적으로 강화됩니다. 즉, 환자 경험 피드백은 공유 채널에 게시되고, 회사 전체 회의에서 호출됩니다.

구조적인 이점도 있습니다. 즉, 전통적인 모델과 달리, 새로운 연구 팀이 각 연구를 위해 조립되는 것이 아니라, 린더스 헬스는 동일한 기술로 시제품을 실행하며, 여러 연구에 걸쳐 일한 팀원들이 있습니다. 이 연속성은 한 시제품에서 다음 시제품 설계로 학습을 흐르게 합니다. 조정자가 한 연구에서 마찰을遭遇하면, 그것은 다음 연구를 설정하는 데 영향을 미칠 수 있습니다.

환자 옹호 그룹은 이것을 더욱 확장합니다. 즉, 내부 채널을 통해 나타나지 않는 다른 환자 집단에 대한 관점을 표면화합니다.

프로세스는 여전히 가볍습니다. 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?

산업에는 실무자들이 다르게 행동하고, 다른 접근 방식을 실제로 증명해야 하는 구조적인 관성으로 인해 운영 변경에 대한 기업 혁신 프로그램과 집행 명령이 제한된 영향을 미칩니다.

통계 프로그래밍은 이러한 패턴을 설명합니다. 이는 임상 데이터를 생물 통계 분석을 위해 변환하는 데 필요한 숙련된 작업입니다. 그러나 이 분야에서 재능을 끌어들이는 데에는 어려움이 있습니다. 데이터 과학 또는 엔지니어링 배경을 가진 전문가들은 거의 선택하지 않습니다. 이러한 기술은 상당히 중복되기 때문입니다. 작업은 여전히孤立되어 있으며, 방법은 외부인에게 불투명하며, 재능 파이프라인은 제한적입니다.

AI는 이것을 열어줄 수 있습니다. 즉, 현대적인 도구는 많은 변환 작업을 처리할 수 있으며, 프로그래밍 요구 사항(두 프로그래머가 독립적으로 출력을 생성하는 경우)은 인간-인간 쌍 대신 AI-인간 쌍으로 충족될 수 있습니다. 그러나 기술만이 구조적인 문제를 해결하지는 않습니다. 그것을 생각있게 구현하고, 규제 표준을 충족한다는 것을 증명할 의향이 있는 실무자가 필요합니다. 그렇지 않으면, 이러한 기능은 과소평가됩니다.

더 широк은 교훈입니다. 즉, 더 빠르고, 더 신뢰할 수 있는 시제품을 위해서는 새로운 도구 이상이 필요합니다. 즉, 다른 방식으로 일할 의향이 있는 사람들을 위한 공간을 만들기 위한 것입니다. 즉, 고용, 규제 해석, 조직 문화에서입니다. 이것이 어떻게 타임라인을 실제로 줄일 수 있는지입니다.

AI, 데이터, 및 시제품 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 시제품 수명 주기의 단편만을 볼 수 있습니다. 스폰서들은 여러 벤더와 함께 일하며, 각 벤더는 그림의 일부만을 보유하고 있습니다. 컨텍스트는 각 핸드오프마다 손실됩니다. AI 시스템에 시제품 데이터에 대해 추론하라고 요청할 때,それは 불완전한 정보로 작동하며, 불완전한 정보는 신뢰할 수 없는 출력을 생성합니다.

AI의 이점을 가장 많이 얻을 수 있는 조직은 종단 간 추적 가능성을 가진 조직입니다. 즉, 프로토콜 설계에서 데이터 캡처 및 분석에 이르기까지 데이터 체인을 제어합니다. 그들은 컨텍스트를 추론하지 않습니다. 즉, 컨텍스트를 생성합니다. 즉, 양식을 설계하고, 필드를 정의하며, 데이터 사전을 작성합니다. 각 데이터 포인트에는 출처가 있기 때문에, 조직이 출처를 생성하기 때문입니다. 이러한 추적 가능성은 운영 효율성뿐만 아니라, 환자에게 영향을 미치는 결정에 대한 확신을 가능하게 합니다.

향후 5년 동안, 이 구조적인 이점은 합성될 것입니다. 즉, 종단 간 가시성을 가진 조직은 AI를 더 효과적으로 배포할 것입니다. 즉, 적응형 시제품 설계, 역사적 패턴에 대한 프로토콜 최적화, 시스템을 개선하는 학습을 캡처하는 것입니다. 데이터가 단편화된 조직은 AI가 유망하지만, 신뢰할 수 없게 됩니다. 즉, 제어된 환경에서 잘 수행되지만, 생산 환경에서 신뢰할 수 있게 일반화되지 않습니다.

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.