Nijat Hasanli, Head of Product bij Lindus Health – Interviewreeks

Nijat Hasanli, Head of Product bij Lindus Health, heeft een gefocust trackrecord in het opbouwen en schalen van productfuncties in gezondheidstechnologie en technologiegedreven organisaties, momenteel leidt hij de productstrategie en -uitvoering bij Lindus sinds 2022, na eerdere functies bij OneCommerce en Downforce Technologies. Zijn ervaring omvat meerdere productomgevingen in het VK, waar hij verantwoordelijk was voor het afstemmen van productontwikkeling op bedrijfsresultaten, innovatie stimuleren en complexe technische mogelijkheden vertalen in schaalbare, gebruikersgerichte oplossingen binnen snelle, bewegende industrieën.

Lindus Health is een klinische proefonderneming die werkt als een “Accountable Research Organization”, ontworpen om biotech- en farmaceutische bedrijven meer controle, snelheid en betrouwbaarheid te geven bij het uitvoeren van klinische studies. Het bedrijf vervangt traditionele contractonderzoeksmodellen door een volledig geïntegreerd, technologiegericht platform dat alles beheert, van proefontwerp en patiëntwerving tot gegevensverzameling en -uitvoering binnen één systeem, vaak proeven voltooit significant sneller dan de industrienormen. Het eigen AI-natieve besturingssysteem biedt real-time inzicht in proefprestaties, stimuleert prikkels via mijlpaalgebaseerde prijzen en benut grote hoeveelheden gezondheidsgegevens om inschrijving en resultaten te verbeteren, met als bredere doel het versnellen van de levering van nieuwe behandelingen aan patiënten.

Kunt u een bepalend moment of vroege uitdaging delen die heeft geholpen bij het vormgeven van de missie of productrichting van Lindus Health?

Bij klinische proeven wordt innovatie vaak geassocieerd met schaal: grote organisaties, aanzienlijk kapitaal en gevestigde infrastructuur. Maar ons bepalende vroege moment leerde ons het tegenovergestelde.

Toen we onze eerste proef uitvoerden, waren we bewust om het simpel te houden – iets dat we wisten dat we veilig konden uitvoeren met onze technologie. Die beperking dwong ons om het proefontwerp te vereenvoudigen en te vertrouwen op systemen die we volledig controleerden, waardoor afhankelijkheden en inefficiënties zichtbaarder werden. Grote, zeer complexe software-stacks zijn niet nodig om innovatie in proefuitvoering te bereiken. Innovatie in proefuitvoering hangt af van eigendom van de volledige proef, van begin tot einde, met een samenhangende gegevenspijplijn die alles verbindt. Die zichtbaarheid laat zien hoe alles in elkaar past, wat kansen naar boven brengt die moeilijk te identificeren zijn in gefragmenteerde operationele modellen.

Hoe stroomlijnt uw AI-gebaseerde platform het klinische proefproces in vergelijking met traditionele modellen?

We positioneren ons platform niet als AI-gebaseerd. Citrus^TM is een AI-natief proefbesturingssysteem. We nemen een gedistribueerde aanpak voor AI-toepassing – in plaats van te wedden op AI in één domein, vragen we ons engineersteam om betrouwbare, contextspecifieke toepassingen over onze systemen te vinden. Wat dit werkbaar maakt, is dat we proeven uitvoeren met volledige uitvoering. Wanneer AI het protocolparsen versnelt, stroomt die efficiëntie door naar studieontwerp. Wanneer studieontwerp sneller is, erft het datateam een schoner opzet. Deze incrementele verbeteringen zijn cumulatief omdat elke fase meer gestructureerde uitvoer produceert en downstream-herwerk vermindert.

Twee voorbeelden illustreren dit: we gebruiken AI om gegevensanalysecodes te genereren, waar we duidelijke mechanismen hebben om de uitvoer te controleren voordat deze iets aanraakt. We gebruiken AI ook om protocoldocumenten naar onze studieontwerpschema’s te parseren – aanzienlijke efficiëntiegewinnen op die eerste transformatie, maar de bouw gaat nog steeds door weken van controle en acceptatietests.

We passen AI niet toe in klinische zorgwerkstromen. We voelen een verantwoordelijkheid om ervoor te zorgen dat onze toepassingen geen risico van schade aan patiënten in onze proeven met zich meebrengen, omdat de infrastructuur die nodig is om passende railingen te ondersteunen, nog in ontwikkeling is. Dit vermijdt de regelgevings- en veiligheidsrisico’s die verbonden zijn aan AI in klinische zorgwerkstromen. Onze andere toepassingen staan nog steeds voor dezelfde controle als elke AI in deze industrie – maar fundamenteel bieden ze voldoende tijd voor menselijke controle. Klinische zorg is een ander risicoprofiel: in-het-moment-beslissingen waar fouten direct de patiëntveiligheid kunnen beïnvloeden.

De primaire impact is op de efficiëntie van het klinisch onderzoeksteam. Veel van onze stroomlijning dient het klinisch onderzoeksteam direct – efficiëntie die cumulatief is. Elke week die we van de proefuitvoering afsnijden, is een week dichter bij het voltooien van de geneesmiddelenontwikkelingscyclus, wat de totale tijdslijnen in het geneesmiddelenontwikkelingsproces kan verminderen. En behalve tijdwinst, doen onze AI-toepassingen meer dan alleen werving voorspellen. Ze controleren inkomende gegevens op anomalieën, veiligheidssignalen en risicoinindicatoren – waardoor het studieteam een duidelijker zicht heeft om proeven effectief te controleren.

In traditionele modellen wordt AI meestal toegepast als een oplossing voor één functie – één hulpmiddel voor één functie, geïsoleerd van het resterende proces. Ons eind-tot-eindmodel laat efficiëntiegewinnen door het hele proefproces stromen, waar elke verbetering op de vorige voortbouwt. Het weerspiegelt het verschil tussen het optimaliseren van individuele functies en het verbeteren van de prestaties over de volledige proefuitvoering.

Hoe gebruikt Lindus Health AI om onnodige gegevensverzameling te identificeren en te elimineren, zoals onderstreept in de Tufts-studie?

Wat de Tufts-studie beschrijft, is iets dat we zelf hebben gezien. In onze ervaring is de oorzaak structureel: wanneer proefuitvoering gefragmenteerd is over teams, is elk team gemotiveerd om alle bases te dekken. Dit gedrag is een structurele reactie op gefragmenteerde verantwoordelijkheid. Van contracten met leveranciers tot gegevensverzamelingsinstrumenten, elke overdracht voegt een extra laag van voorzichtigheid toe.

Door de tijd dat we bij de persoon zijn die de casusrapportageformulieren ontwerpt, zijn ze vaak ver verwijderd van de oorspronkelijke onderzoeksvraag. De onderzoeker kan vragen: “Hoe veranderde het gewicht over drie maanden met deze behandeling?” Maar de instrumentontwerper is gefocust op operationele zorgen – sitebetalingsuitlokkelijken, conformiteitsvinkjes, audittrailvereisten. Beide perspectieven zijn geldig en noodzakelijk. Het probleem is dat deze functies werken zonder gedeelde context. De operationele steigerwerk groeit, en de onderzoeksvraag wordt begraven.

Er is ook een eenvoudiger laag om aan te pakken voordat technische oplossingen worden overwogen. Onze onderzoeksteams hebben al toegang tot AI-gesprekstools, en ze gebruiken ze constant. Wanneer teams dozens van protocoldocumenten en PDF’s elke week ontvangen, kunnen ze deze invoeren in AI-geassisteerde tools en vragen stellen, wat verandert hoe ze met dat materiaal omgaan. Dit helpt teams dichter bij de onderzoeksvraag te blijven in plaats van te verdwalen in operationele details.

Ten eerste, proefontwerp. Het hebben van AI-hulpmiddelen ingebed in het ontwerp- en bouwproces biedt kansen om deze problemen vroeg te identificeren – voordat ze in het protocol worden opgesloten. We gebruiken AI om verfijnde studieplanningen te genereren en ontwerpers te leiden door het protocol, waarbij we aandacht geven voor waar het onderzoeksplan te ingewikkeld wordt, waar er duplicatie is of waar fouten zijn geslopen. Van daaruit kan de ontwerper een geïnformeerd besluit nemen om een gegevenspunt te verwijderen of de verzamelingsfrequentie te verminderen – met de redenering gedocumenteerd.

Ten tweede, gegevensanalyse. Zodra een proef loopt, is het veranderen van wat je van plan was te verzamelen een andere uitdaging. Maar AI kan teams helpen sneller door de ruis heen te komen – snellere aggregatie, patroondetectie en anomalievlagging betekent minder tijd voor handmatige verwerking. Dat is belangrijk hier, omdat het teams de flexibiliteit geeft om te identificeren of en waar onnodige gegevensverzameling daadwerkelijk de proef beïnvloedt. Met vertrouwen inzichten die sneller arriveren, kunnen ze aanpassingen maken, het probleem melden aan het onderzoeksteam of een zaak opbouwen voor een protocolamendement om verzameling te stroomlijnen terwijl er nog tijd is om te handelen.

Dit is een structureel probleem dat wordt aangepakt in twee fasen: in ontwerp, om complexiteit te vangen en te verwijderen voordat deze wordt opgesloten, en in analyse, om teams de snelheid te geven om problemen te identificeren en te handelen terwijl de proef loopt.

Wat zijn de grootste misverstanden over het gebruik van AI in klinische proeven, en hoe gaat u hiermee om met sponsors en regulators?

Het grootste misverstand is aarzeling – de aanname dat sponsors en regulators AI in klinische proeven zouden weerstaan. Dit wordt niet weerspiegeld in onze ervaring.

Aan de regelgevingszijde hebben onze vroege gesprekken aangetoond dat, hoewel regulators terecht voorzichtig zijn over het publiceren van richtlijnen, de personen in deze organisaties openstaan voor discussies over AI in klinische proeven. Er is een algemene erkenning dat AI productiviteit, efficiëntie en kwaliteit kan verbeteren – en een bewustzijn van hoeveel redundantie er in deze industrie bestaat.

Aan de sponsorszijde hebben we sponsors gehad die ons vroegen naar AI voordat het in discussies werd geïntroduceerd. Ze zochten actief naar ons om deze oplossingen te vinden en te implementeren. Dit wordt gedreven door twee factoren: ten eerste gebruiken sponsors al enkele van deze tools zelf, dus ze begrijpen het potentieel. Ten tweede erkennen ze dat AI-gedreven efficiëntie proefduur, kosten en problemen die anders onopgemerkt zouden blijven, kan verminderen. We hebben van meerdere sponsors gehoord dat er intern druk is om AI-gebruik voor efficiëntie te demonstreren.

Een verwant probleem is dat van AI en gegevens die worden gebruikt om modellen te trainen. De industrie komt hierop – modelaanbieders zijn steeds duidelijker over hoe hun gebruiksplannen werken. We zijn zorgvuldig om ervoor te zorgen dat de AI-hulpmiddelen die we gebruiken geen gegevens voeden voor foundation modeltraining. We zijn even zorgvuldig over het trainen van onze eigen modellen of -methodologieën – en waar iemand dit doet, moeten ze dit expliciet verklaren in de verklaring van het werk tussen klant en aanbieder. Duidelijke documentatie van gegevensgebruik en modelgedrag is vereist.

Dus de misverstanden zijn echt, maar ze wijzen op een verantwoordelijkheidsplicht: wees duidelijk over waar AI wordt gebruikt, hoe gegevens worden behandeld en welke waarborgen zijn ingesteld. De relevante vraag voor sponsors is niet of ze AI in proeven moeten gebruiken – het is of hun aanbieder deze kwesties heeft doordacht en bereid is om transparant te zijn over het gebruik ervan.

Hoe balanceert u automatisering en menselijke toezicht om zowel snelheid als kwaliteit in proefuitvoering te garanderen?

We zijn voorzichtig met het gebruik van AI waar geen mogelijkheid is voor menselijke controle. Dit wordt weerspiegeld in onze kwaliteitsdocumentatie en AI-beleid.

Om dit te illustreren: er zijn aanbieders die chatbots aanbieden die patiëntkwalificatie beoordelen via conversatie. Deze soort automatisering vereist veel zorgvuldigere overweging dan de meeste toepassingen. In het beste geval kwalificeert de AI iemand ten onrechte voor een proef die had kunnen helpen. In het slechtste geval kwalificeert het iemand, signaleert aan het studieteam dat ze zijn geslaagd voor de screening en introduceert risico in de inschrijving dat er niet had moeten zijn.

Menselijke controle helpt hier niet – op het moment dat een mens de uitvoer controleert, heeft de AI al gehandeld in een high-stakes-werkstroom. Vergelijk dit met een fout in een casusrapport: als gegevensverzameling misgaat, kunt u het instrument aanpassen of de gegevens verwijderen. Maar als AI een patiënt of een onderzoekslocatie vertelt om een actie te ondernemen, is het potentieel voor onomkeerbaar letsel groter – zowel in ernst als in vergelijking met andere plaatsen waar AI in een proef fout kan gaan.

Deze balans is bereikbaar door te focussen op toepassingen waar menselijke controle is geïntegreerd en risico’s beheersbaar zijn. AI is het meest effectief in werkstromen waar menselijke controle is ingebed en fouten herstelbaar zijn.

Welke technologieën of ontwerpprincipes zijn het meest effectief in het verminderen van patiëntlast en het verbeteren van retentie?

Patiëntlast en retentie komen neer op kleine, bewuste stappen om een goede ervaring te garanderen. Geen enkele interventie lost dit onafhankelijk op.

Twee ontwerpprincipes zijn het belangrijkst.

Ten eerste, de kwaliteit van patiëntgerichte inhoud en interfaces. Het patiënteninformatieblad, het toestemmingsformulier, de applicatie die ze tijdens de proef gebruiken – al deze vormen de ervaring. Kopieën moeten eenvoudig en bondig zijn. Interfaces moeten eenvoudig zijn: intuïtieve navigatie, minimale wrijving, geen begraven documenten. Patiëntadviesconsulten kunnen helpen om deze materialen te verfijnen voordat ze bij deelnemers aankomen. Goede gebruikerservaringontwerp is hier net zo belangrijk als elders, vooral in klinische proeven waar u niet te maken heeft met miljoenen gebruikers die uiteindelijk zullen aanpassen.

Ten tweede, hoe onderzoeksteams in contact blijven met patiënten. Dit omvat communicatietools – herinneringen, uitnodigingen, meldingen – en monitoring-infrastructuur die patiëntstatus, naleving en veiligheidssignalen naar boven brengt. Geautomatiseerde toezichtscripts helpen hier, door aan te geven wat aandacht nodig heeft, zodat teams kunnen reageren. Machine learning kan patronen in nalevingsgegevens detecteren – vroege tekenen van desinteresse voordat een patiënt afhaakt – waardoor proactief ingrijpen mogelijk is in plaats van reactief follow-up. Het doel is de juiste informatie naar de juiste mensen op het juiste moment, zonder lawaai dat verwaterd wat er toe doet.

Deze verbeteringen zijn niet afhankelijk van nieuwe technologie, maar ze komen ook niet van standaardoplossingen. Het vereist aandacht: begrijpen waar patiënten tegen frictie aanlopen en dit opzettelijk aanpakken. Wat moderne AI-hulpmiddelen bieden, is een manier om dit sneller te doen – kopieën verfijnen, toon controleren, automatiseringscripts controleren. De technologie is volwassen. Het verschil is of u oplost voor de proef of oplost voor de patiënt.

Hoe verzamelt Lindus Health patiëntfeedback en integreert het in proefontwerp, terwijl het proces lean en efficiënt blijft?

Privacy- en compliance-eisen vormen hoe patiëntfeedback kan worden verzameld – de aanpak moet werken binnen deze grenzen. Basismonitoring vat service-uptime, geanonimiseerde gebruiksgegevens (apparaattype, applicatiegedrag) en nalevingspatronen samen – hoe consistent deelnemers geplande beoordelingen voltooien. Wanneer deze gegevens frictiepunten naar boven brengen, voeden ze ontwerpbeslissingen voor toekomstige proeven.

De meer directe integratie komt via onderzoekspersoneel. Coördinatoren worden aangemoedigd om met deelnemers te communiceren en signalen rond hun ervaring te verzamelen, en vervolgens deze informatie door te geven aan het bredere team. Dit wordt cultureel versterkt – patiëntervaringfeedback wordt gepubliceerd in gedeelde kanalen en aangeroepen op bedrijfsbrede bijeenkomsten.

Er is ook een structureel voordeel. In tegenstelling tot het traditionele model, waar een nieuw onderzoeksteam voor elke studie wordt samengesteld, voert Lindus proeven uit op dezelfde technologie met teamleden die hebben gewerkt aan meerdere studies. Deze continuïteit stelt ons in staat om kennis – zowel gecodificeerd als tacit – van de ene proef naar de volgende te laten stromen. Wanneer een coördinator frictie ondervindt in één studie, kan die inzicht de volgende studie informeren.

Patiëntadvocatiegroepen breiden dit verder uit, door perspectieven naar boven te brengen die niet via interne kanalen zouden komen – met name over hoe studiematerialen en -processen verschillende patiëntpopulaties treffen.

Het proces blijft lean omdat feedback door bestaande structuren stroomt in plaats van een apart apparaat voor elke studie te vereisen.

Wat moet er industriebreed veranderen om klinisch onderzoek sneller en betrouwbaarder te maken?

De industrie heeft structurele inertie die praktijkmensen ertoe aanzet om anders te werken en alternatieve benaderingen in de praktijk te demonstreren. Corporate innovatieprogramma’s en uitvoerdersmandaat hebben beperkt effect op operationele verandering – wat nodig is, zijn praktijkmensen die werkelijk anders zullen doen en het zullen bewijzen.

Statistische programmering illustreert het patroon. Dit is gespecialiseerd werk – klinische gegevens transformeren voor biostatistische analyse – uitgevoerd door specialisten met diepe domeinkennis. Maar er zijn moeilijkheden om talent aan te trekken. Professionals met achtergronden in datascience of engineering kiezen zelden voor dit werk, hoewel de vaardigheden aanzienlijk overlappen. Het werk blijft geïsoleerd, de methoden zijn voor buitenstaanders ondoorzichtig en de talentenpijpleiding is beperkt.

AI kan dit openen – moderne tools kunnen veel van het transformatiewerk aan, en dubbele programmeringseisen (waar twee programmeurs onafhankelijk uitvoer produceren) kunnen worden vervuld met AI-menselijke paren in plaats van mens-mensparen. Maar technologie alleen lost structurele problemen niet op. U hebt praktijkmensen nodig die het zullen implementeren en aantonen dat het voldoet aan regelgevingsnormen. Zonder dat blijft de capaciteit onderbenut.

De bredere les: snellere, betrouwbaardere proeven vereisen meer dan nieuwe tools. Ze vereisen het creëren van ruimte – in werving, in regelgevingsinterpretatie, in organisatiecultuur – voor mensen die anders zullen werken. Dit is hoe tijdslijnen in de praktijk kunnen worden teruggebracht.

Hoe ziet u de relatie tussen AI, gegevens en proefontwerp evolueren in de komende vijf jaar?

De relatie zal worden gevormd door een structurele realiteit: AI’s effectiviteit is beperkt door de kwaliteit van de context die het ontvangt. Zonder rijke, nauwkeurige context – waar gegevens vandaan komen, welke transformaties ze hebben ondergaan, wat ze eigenlijk betekenen – produceren zelfs sterke modellen onbetrouwbare uitvoer.

Het grootste deel van de klinische proevenindustrie is gefragmenteerd. CRO’s zien fragmenten van de proeflevenscyclus. Sponsors werken met meerdere leveranciers, elk met een stukje van het plaatje. Context gaat verloren bij elke overdracht. Wanneer u een AI-systeem vraagt om over proefgegevens te redeneren in deze omgeving, werkt het met onvolledige informatie – en onvolledige informatie produceert onbetrouwbare uitvoer.

De organisaties die het meest zullen profiteren van AI zijn die met eind-tot-eindtraceerbaarheid werken. Ze controleren de gegevensketen van proefontwerp tot gegevensverzameling tot analyse. Ze veronderstellen geen context – ze genereren het. Ze ontwerpen de formulieren, definiëren de velden, schrijven de gegevenswoordenboek. Elk gegevenspunt heeft herkomst omdat de organisatie de herkomst heeft gemaakt. Die traceerbaarheid is niet alleen operationele efficiëntie – het is wat vertrouwenwekkende beslissingen mogelijk maakt die patiënten beïnvloeden.

In de komende vijf jaar zal dit structurele voordeel cumulatief zijn. Organisaties met eind-tot-eindzichtbaarheid zullen AI effectiever inzetten – van adaptieve proefontwerpen die reageren op inkomende gegevens tot protocoloptimalisaties die historische patronen informeren – en zullen leren – zowel gecodificeerd als tacit – van hun systemen, en de kloof vergroten. Die met gefragmenteerde gegevens zullen AI veelbelovend maar onbetrouwbaar vinden: systemen die goed presteren in gecontroleerde omgevingen maar niet betrouwbaar generaliseren in productieomgevingen.

De vraag voor de industrie is niet of AI ertoe zal doen. Het is of de gegevensinfrastructuur bestaat om AI betrouwbaar te maken. Voor het grootste deel van de industrie is dat nog niet het geval. Dat is de werkzaamheid die voor ons ligt.

Bedankt voor het geweldige interview, lezers die meer willen leren over AI-natieve klinische proefuitvoering, eind-tot-eindgegevenseigendom en snellere studiebezorging, moeten Lindus Health bezoeken.