Matt Walz, CEO van Trialbee – Interviewreeks

Matt Walz is de CEO van Trialbee, een wereldleider in technologie-gedreven patiëntrecruitment. Hij brengt meer dan 20 jaar software- en leiderschapservaring in de life sciences-industrie met zich mee. Matt begon zijn carrière als ontwikkelaar en had verschillende technische en leiderschapsrollen bij Rollins Corporation, PSCI, Microsoft (MSFT ), Morgan Lewis en Datalabs. In 2006 richtte Matt NextDocs op, dat uitgroeide tot een wereldleider in klinische, kwaliteits- en regelgevingsdocumentbeheer, waar hij 9 jaar lang als CTO, CSO en bestuurslid werkte. Voordat hij bij Trialbee kwam, werkte Matt 5 jaar als algemeen manager voor Life Sciences en VP Strategic Accounts voor Aurea Software, dat NextDocs had overgenomen.

Trialbee is een healthcare-technologiebedrijf dat patiëntrecruitment voor klinische trials stroomlijnt. Door het gebruik van data-analyse, digitale outreach en real-world evidence, matcht, engageert en pre-kwalificeert het patiënten om inschrijving te versnellen. Het platform biedt transparantie over bronnen en partners, waardoor sponsors, CRO’s en trial-sites de recruitment-pipeline efficiënter kunnen beheren en de belasting op sites kunnen verminderen.

U hebt gewerkt aan zowel health-tech startups als grote klinische onderzoeksplatforms. Welke persoonlijke ervaringen of momenten in uw carrière hebben u doen inzien in het potentieel – en de valkuilen – van AI in patiëntrecruitment?

AI is de snelst bewegende technologie-trend die ik in meer dan twee decennia werk in klinische ontwikkeling heb gezien – sneller zelfs dan de vroege dagen van cloud-adoptie. Wat me het meest heeft getroffen, is hoe AI van conceptueel naar operationeel is gegaan in een industrie die normaal gesproken langzaam is in het adopteren van nieuwe technologie – en nu prioriteit krijgt bij regelgevende instanties zoals de FDA. Voor klinische proefpatiëntrecruitment specifiek, zijn we nog steeds in de vroege fasen van het leren waar het het beste past. Leveranciers en sponsors onderzoeken allemaal AI voor protocollenontwikkeling, persona’s en targeting, data-verrijking, localisaties en communicatie en engagement – die allemaal grote wrijvingspunten zijn voor onderzoeksteams.

Met dat gezegd, is er nog steeds enig risico dat samenkomt met dat potentieel. Ik heb met leiders van grote farmaceutische bedrijven gesproken die benadrukken dat, terwijl AI in meer punten van de workflow opduikt, het niet ongecontroleerd kan worden gelaten. Menselijke toezicht is fundamenteel.

Dit is om kwaliteits- en veiligheidsredenen, evenals omdat bedrijven zoals Trialbee op hun core verbonden zijn met patiënten en families die op zoek zijn naar hoop – een zeer menselijke en empathische ervaring die niet op een betekenisvolle manier kan worden vervangen door AI voor de patiënten die we allemaal dienen.

Klinische proefpatiëntrecruitment heeft historisch gezien problemen met diversiteit, snelheid en nauwkeurigheid. Hoe helpt AI bij het aanpakken van deze uitdagingen – en waar schiet het nog steeds tekort?

AI helpt bij het stroomlijnen van enkele van de langzaamste en meest resource-intensieve delen van het recruitmentproces. Bijvoorbeeld, dingen die vroeger weken duurden – zoals het vertalen van studiemateriaal in tientallen talen – worden nu samengeperst tot uren. Dat betekent dat we sneller kunnen beginnen met rekruteren in meer mondiale markten.

Wanneer het gaat om nauwkeurigheid, beginnen AI-gestuurde agenten ons te helpen om consistentere, criteria-georiënteerde interacties te leveren, van de materialen die we creëren tot voorafscreening tot chatbots. Deze tools zijn vooral nuttig voor het verminderen van drop-off punten die het recruitmentproces vertragen.

Diversiteit blijft een uitdaging. AI is alleen zo representatief als de data waarop het getraind is, en representatie wordt ook gevormd door factoren buiten de technologie – waaronder land-naar-land regelgevingsbeperkingen die beperken hoe AI kan worden gebruikt in patiënt-gerichte rollen. Het opbouwen van vertrouwen met proefpersonen is een uitdaging geweest in de hele geschiedenis van klinisch onderzoek, en betrokkenheid met AI-hulpmiddelen wordt ontmoet met verschillende gradaties van scepsis. Met dat in gedachten, ondersteunen we sterk een benadering die mensen de optie zou geven om te communiceren met een live medisch professional of, bijvoorbeeld, een AI-agent. Dit kan helpen om deelname te vergroten en vertrouwen op te bouwen over tijd.

U hebt eerder vermeld dat AI-hulpmiddelen sneller worden ingezet dan enige voorgaande innovatie in patiëntrecruitment. Maar met mondiale regulators die worstelen om bij te blijven, wat zijn de meest urgente toezichtsgaten die u ziet in multinationale klinische proefcampagnes?

Het grootste gat is het gebrek aan regelgevende alignering over geografische gebieden. In de VS zijn agentschappen zoals de FDA AI aan het omarmen met nieuwe kaders en vroege reviewprocessen. In Europa beweegt men meer voorzichtig, gefocust op het zorgvuldig treden en het toepassen van striktere regelgevingsbeoordelingen.

Voor bedrijven zoals het onze die wereldwijd opereren, creëert dit een uitdaging: wat acceptabel is in één land, is dat misschien niet in een ander. En de variatie is niet alleen in regelgeving, maar ook in hoe verschillende kanalen of sociale media-platforms zoals Facebook (META ) kunnen worden gebruikt voor recruitment, hoe persoonlijke gegevens worden afgehandeld, of hoe patiënttoestemming wordt verzameld. Deze zijn nuances die operationele flexibiliteit en een diep begrip van regionale ethiek en compliance-standaarden vereisen.

Dit is waar onze geschiedenis van innovatie en inherente mondiale cultuur grote activa zijn als we de spannende maar zeer dynamische AI-landschap navigeren.

Hoe kan dat gebrek aan mondiale alignering in regelgevende kaders de adoptie van AI in klinische proeven verstoren? Hebt u enige reële gevolgen van dit gezien?

Zeker. De digitale advertentiestrategieën waarop we voor patiëntrecruitment vertrouwen, zijn een goed voorbeeld hiervan. Facebook is één van de meest effectieve platforms wereldwijd, maar zelfs binnen de landen waar het is toegestaan, varieert het niveau van targeting dat u kunt doen, en welke gegevens u kunt gebruiken, enorm. We bouwen interne expertise op om die verschillen te overwinnen, en we verwachten dat AI-regulering een soortgelijk pad zal volgen.

In praktische zin kunnen de beperkingen die dit dilemma oplegt aan recruitment-teams resulteren in vertraagde campagne-lanceringen, extra cycli met ethische commissies en complexere compliance-workflows. Als u niet diep bewust bent van hoe elk land AI-gebruik interpreteert, vooral in patiënt-gerichte toepassingen, loopt u het risico om trials te vertragen of tegen serieuze goedkeuringsbarrières aan te lopen.

Trialbee opereert op het snijvlak van data, technologie en patiëntbetrokkenheid. Hoe zorgt u ervoor dat AI-gestuurde recruitmentstrategieën patiënten niet reduceren tot datapunten, maar in plaats daarvan de menselijke kant van onderzoek versterken?

Een uitstekende en belangrijke vraag voor ons allemaal. Zoals ik eerder vermeldde, zie ik AI als zijn vermogen om mensen te empoweren – niet te vervangen. Dit is vooral waar in de zeer persoonlijke industrie waarin we werken, waar we proberen om generaties van patiënten te helpen om gezonder te leven over de hele wereld. Ons bedrijf is een warm bedrijf, over het verbinden van mensen, en menselijke wezens zullen altijd het hart ervan zijn.

Wanneer het gaat om dagelijkse operaties, is de beste AI die we kunnen bieden – bijvoorbeeld binnen ons Honey Platform – het analyseren van data en trends, en het aangeven van sites en studieteams waar actie nodig is. We doen veel van dit al, en zullen blijven capaciteiten toevoegen om ervoor te zorgen dat de waardevolle data die wordt vastgelegd, meteen wordt gebruikt om een verschil te maken in de proef. Dit kan betekenen dat we dagelijkse inzichten bieden over recruitmentvooruitgang of het aangeven van follow-up met specifieke patiënten met predictief modeleren.

Intern gebruiken we AI op een systematische en collaboratieve manier in onze hele organisatie. Een paar goede voorbeelden hiervan zijn de vertaling van recruitmentmateriaal en AI-gestuurde onderdrukking van potentiële PII-gegevens – deze worden altijd beoordeeld door een ervaren mens. U zult hopelijk zien hoe we AI gebruiken om ons geweldige team sterker te maken, en niet andersom.

Welke specifieke vaardigheden zijn het meest kritisch voor klinisch onderzoeksteams om AI-hulpmiddelen verantwoordelijk te leiden en te reguleren?

De meest kritische vaardigheden liggen op het snijvlak van klinische expertise, AI-geletterdheid en regelgevingsvaardigheid. Teams moeten weten hoe ze effectief met AI-platforms kunnen omgaan door ze met precisie te activeren en hun uitvoer kritisch te beoordelen.

Er is ook een groeiende behoefte aan regelgevingsinzicht. Zoals ik eerder vermeldde, is dit vooral nodig voor gebieden zoals agente AI, waar we separate redeneerengines bouwen om als guardrails in patiëntinteracties te dienen. Teams moeten ook in staat zijn om AI-vertaalde inhoud te evalueren en de nauwkeurigheid en culturele relevantie ervan te verifiëren voordat materialen worden ingediend bij ethische commissies.

AI-adoptie versnelt. Wat is uw advies aan klinisch onderzoekdeelnemers die aarzelen of overweldigd worden door de complexiteit van het integreren van AI in hun workflows?

Iemand zei ooit, wanneer u begint te werken met AI, zorg er dan voor dat u daadwerkelijke intelligentie gebruikt. Machine learning kan geweldige dingen mogelijk maken – mits het de expertise, context en guardrails van domeinexperts achter zich heeft.

Mijn advies is om klein te beginnen en geaard te blijven in wat u vandaag kunt leveren. Een van de grootste fouten die ik zie, is dat bedrijven te ver leunen in vage beloften over AI-transformatie zonder uit te leggen hoe het werkt of wanneer het klaar zal zijn. Terwijl die beloften misschien geweldig klinken op dat moment, kunnen ze vertrouwen ondermijnen omdat ze geen bewijs van een echte planning tonen.

De betere weg is om adoptie op te breken in kleine, gedefinieerde stappen met duidelijke resultaten. Kies één of twee hoge-impactgebieden waar AI wrijving kan verwijderen en zorg ervoor dat die worden ondersteund door het juiste toezicht. Wees specifiek over de tools die u gebruikt, hoe ze zijn ingesteld en, vooral, hoe u gevoelige informatie beschermt. Dit is de benadering die we bij Trialbee volgen. We praten alleen met stakeholders over capaciteiten die we actief aan het bouwen zijn, meestal niet meer dan drie maanden uit, omdat we ervoor willen zorgen dat we communiceren wat echt is.

Bij Trialbee vragen we momenteel elke week een andere afdeling of team om use cases te presenteren die voor hen hebben gewerkt. We bespreken het hoe en het waarom om kennis, uitdagingen en oplossingen te delen, zodat anderen hun AI-succesvolle resultaten kunnen repliceren om efficiency, klantlevering of recruitmentresultaten te verbeteren.

We benadrukken ook transparantie over de tools die we gebruiken om die capaciteiten op te bouwen. Als we OpenAI’s ChatGPT of Anthropic’s Claude gebruiken, beschrijven we de setup voor stakeholders, inclusief hoe we gevoelige informatie isoleren en menselijke toezicht toepassen. Zodra ze de voordelen in actie zien, zoals tijdwinst in vertaalworkflows of toegenomen snelheid in vroege patiëntselectie, zijn ze meer geneigd om aan boord te komen met de volgende AI-use case. En dus, is het minder over het verkopen van de grote visie en meer over het bewijzen van waarde stap voor stap.

De FDA en andere regulators beginnen moeilijkere vragen te stellen over AI-modellen die in geneesmiddelenontwikkeling worden gebruikt. Welke soorten transparantie, validatie of auditeerbaarheidsnormen denkt u dat industrienormen moeten worden?

De industrie moet naar volledige transparantie gaan en ervoor zorgen dat er menselijke toezicht is in elke AI-geassisteerde beslissing. Om een paar voorbeelden te noemen:

Wanneer we het over agente AI hebben, werken we al aan manieren om regelgevingslogica in een separate redeneerengine in te bouwen die conversaties in real-time kan evalueren en corrigeren. Dat soort interne controlesysteem zou standaard moeten worden in elke patiënt-gerichte toepassing. Validatieprotocollen moeten ook worden geformaliseerd, inclusief benchmarktesting en voortdurende prestatiebeoordelingen.

Het belangrijkste is dat deze normen moeten worden geïntegreerd in het productontwikkelingsproces en niet achteraf worden toegevoegd. Dat niveau van zorgvuldigheid zal essentieel zijn voor het behouden van patiëntveiligheid, het verdienen van regelgevingsvertrouwen en het schalen van AI op een verantwoorde manier over mondiale klinische onderzoeksprojecten.

AI-modellen vertrouwen vaak op historische datasets die systemische gezondheidsbias kunnen weerspiegelen. Hoe gaat u te werk om eerlijkheid en diversiteit in patiëntrecruitment te garanderen, vooral voor ondervertegenwoordigde populaties?

Niet hebben van AI is niet wat diversiteit in klinisch onderzoek heeft tegengehouden – niet prioriteit geven aan een plan is. En AI kan niet echt helpen met dat. Zodra er een echte toezegging is, kan AI een krachtig hulpmiddel zijn dat ons helpt om ondervertegenwoordigde groepen effectiever te bereiken, maar alleen als we intentioneel zijn. Daarom verbreden we bij Trialbee de data die onze modellen gebruiken, bouwen we gemeenschapspartnerschappen op en monitoren we constant recruitmentresultaten om ervoor te zorgen dat geen enkele groep achterblijft.

U hebt vermeld dat uw team nieuwe AI-gerelateerde producten later dit jaar zal lanceren. Kunt u een hoog niveau voorbeeld geven van de problemen die u oplost – en hoe deze innovaties uw bredere filosofie rond verantwoorde AI-gebruik weerspiegelen?

Trialbee heeft een cultuur van innovatie en AI is een belangrijk en groeiend onderdeel daarvan. Dit jaar alleen heeft ons Honey Platform nieuwe site-workflows, een sponsor-specifieke patiëntenregister en use cases ondersteund voor trial finder-websites voor mondiale biopharmabedrijven zoals BMSClinicalTrials.com. Met AI specifiek, zult u nieuwe functies en verbeteringen zien die de komende 3, 6, 12 maanden en daarna worden gelanceerd. We ontwikkelen chatbots, slimme tools en meer binnen Honey, en evalueren ook nieuwe manieren om processen voor onze klanten te stroomlijnen. Intern gebruiken we het om meer gericht, intentioneel, inclusief en efficiënt te worden in alles wat we doen – met een ervaren teamlid dat elke beslissing aandrijft en context interpreteert voor alle AI-modellen die we gebruiken.

Als we vijf jaar vooruitkijken, hoe ziet u de rol van Trialbee evolueren naarmate AI dieper wordt ingebed in klinisch onderzoek? Wat is de rol die u ziet voor uw bedrijf in het vormgeven van een meer ethisch, efficiënt en mondiaal geharmoniseerd toekomstbeeld voor patiëntrecruitment?

Over vijf jaar zie ik Trialbee staan als de toonaangevende AI-geactiveerde dienstverlener voor patiëntrecruitment in klinisch onderzoek. We integreren al generatieve AI in elke fase van het recruitmentproces waar het kan versnellen, verbeteren of patiëntopties verhogen. Zoals ik eerder vermeldde, evalueren we actief tools die patiënten de keuze zouden geven tussen communiceren met een live medisch professional of een AI-agent, afhankelijk van hun voorkeur en comfortniveau. We geloven dat het geven van mensen die keuze cruciaal is voor het vergroten van vertrouwen en deelname over tijd.

Ethisch gezien zijn we toegewijd om ervoor te zorgen dat AI op een manier wordt geïmplementeerd met regelgevingszorgvuldigheid en transparantie. Dat betekent het inbouwen van toezichtmechanismen in de technologie zelf en open zijn over hoe onze systemen werken. We bouwen AI ook in de cultuur van onze organisatie – elke afdeling en elk team – zodat we klaar zijn om aan te passen aan de evolutie van technologie. Uiteindelijk willen we een bedrijf zijn dat helpt bij het definiëren van hoe AI verantwoord wordt gebruikt in klinisch onderzoek. Als we dat goed doen, kunnen we helpen bij het vormgeven van een toekomst waarin trials sneller, inclusiever en gemakkelijker toegankelijk zijn voor patiënten, ongeacht waar ze wonen of welke taal ze spreken.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Trialbee bezoeken.