Noah Nasser, CEO van datma – Interviewreeks

Noah Nasser is de CEO van datma (voorheen Omics Data Automation), een toonaangevende aanbieder van gefedereerde Real-World Data-platforms en aanverwante tools voor analyse en visualisatie. De missie van datma is om gezondheidsorganisaties in staat te stellen hun gegevensassets te optimaliseren, innovatie te stimuleren en patiëntresultaten te verbeteren door middel van geavanceerde gegevensopslag, AI-geactiveerde gegevensharmonisatie en gefedereerde query- en workflowtechnologieën. Met het hoofdkantoor in Oregon staat het bedrijf aan de vooravond van een transformatie van de manier waarop gezondheidsgegevens worden gedeeld, gemoneetiseerd en toegepast, waardoor een veilige samenwerking tussen gegevensbeheerders en gegevensconsumenten mogelijk wordt.

Kunt u uitleggen hoe datma.FED AI gebruikt om de deling en analyse van gezondheidsgegevens te revolutioneren?

datma.FED integreert AI-gestuurde analytische tools om veilige query-uitvoering over ons gefedereerde netwerk mogelijk te maken. De geavanceerde algoritmen faciliteren de extractie, aggregatie en levering van geanonimiseerde, deelbare datasets, waardoor gegevensconsumenten zoals farmaceutische bedrijven en onderzoeksorganisaties inzichten kunnen verwerven zonder afbreuk te doen aan de volledige naleving van de privacy- en beveiligingsnormen.

Door complexe gegevensquery’s te automatiseren, versnelt datma.FED de toegang tot hoge kwaliteit, gebruiksklare real-world data. Dit machtigt gegevensbeheerders zoals gezondheidsstelsels en moleculaire laboratoria om deel te nemen aan samenwerkingsonderzoek terwijl ze de volledige controle over hun gegevensassets behouden.

Welke sleuteluitdagingen lost datma op voor moleculaire laboratoria en gezondheidsstelsels?

datma.FED lost verschillende kritieke uitdagingen op voor moleculaire laboratoria en gezondheidsstelsels, waaronder:

• Gegevensmonetisatie: Maakt continue omzetting van onderbenutte gezondheidsgegevens mogelijk, waardoor gegevensbeheerders de volledige eigendom en controle behouden.
• Gegevensprivacy en -beveiliging: Houdt gevoelige gegevens veilig door ervoor te zorgen dat deze nooit het gegevensbeheerdersmilieu verlaten via een privacy-georiënteerd gefedereerd model.
• Gegevenscompliancerisico’s: Minimaleert de regelgevingsrisico’s met auditklare gegevenstoegangscontroles en volledige compliancetracking.
• Gegevensvoorbereiding en bedrijfsontwikkeling: datma neemt de inspanning van gegevensvoorbereiding op zich om gegevensklaarheid te garanderen en verbindt gegevensbeheerders met onderzoeks- en farmaceutische partners.

Hoe zorgt datma ervoor dat gegevensprivacy en -compliance worden gewaarborgd bij het mogelijk maken van veilige samenwerking tussen gegevensbeheerders en gegevensconsumenten?

datma.FED maakt gebruik van een gefedereerd netwerkmodel, dat gegevens veilig binnen elke beheerdersomgeving houdt, terwijl het tegelijkertijd privacy-georiënteerde samenwerking met gegevensconsumenten mogelijk maakt. De gegevens gaan door een meerdere stappen-proces: ze worden geanonimiseerd, gefilterd op toegankelijkheid en aangewezen als deelbaar op basis van beheerdersdefinities. Vervolgens verwerkt datma externe query’s zonder ruwe gegevens over te dragen, waarbij alleen goedgekeurde, geanonimiseerde gegevensvelden worden geaggregeerd. Celgroottebeperkingen voorkomen heridentificatie. Elke gegevensinteractie is auditbaar en voldoet aan regelgevingsnormen zoals HIPAA.

Wat onderscheidt datma.FED van andere dataplatforms in termen van schaalbaarheid en gebruiksvriendelijkheid?

datma.FED is ontworpen om naadloos te schalen dankzij zijn gefedereerde architectuur en geautomatiseerde gegevensklaarheidsfuncties. De ontwerpkeuze maakt een naadloze integratie van multimodale gezondheidsgegevens vanuit meerdere bronnen mogelijk. De geautomatiseerde gegevensklaarheidsfuncties – waaronder gegevenslabeling en -standaardisatie – vereenvoudigen de gegevensvoorbereiding en reduceren de handmatige inspanning. Door ervoor te zorgen dat gegevens vanaf het begin queryklaar en compliant zijn, maakt datma.FED grote, privacy-georiënteerde gegevensdeling mogelijk, waardoor het een hoge mate van schaalbaarheid en intuïtieve bediening biedt voor onderzoek en real-world data-toepassingen.

Hoe faciliteert het datma.FED-platform de integratie van multimodale gezondheidsgegevens over silo’s heen?

datma.FED faciliteert de integratie van multimodale gezondheidsgegevens over silo’s heen via een van zijn componenten, datma.BASE. datma.BASE is een uitgebreid kader gebouwd op propriëtaire gegevensopslag, containers en API’s. Op grote schaal maken zijn geavanceerde capaciteiten de inname, aggregatie en harmonisatie van diverse gezondheidsgegevenstypen (EHR, Omics, Beelden en Pathologie) mogelijk. Door gegevenssilo’s af te breken, transformeert datma.BASE gefragmenteerde datasets in geïntegreerde, actiegerichte inzichten.

Hoe draagt datma’s technologie bij aan het overbruggen van gegevenslacunes in farmaceutisch onderzoek en geneesmiddelenontwikkeling?

datma.FED helpt bij het opvullen van kritieke gegevenslacunes voor farmaceutisch onderzoek en markttoegangsstrategieën. Door hoge kwaliteit, gebruiksklare real-world data (RWD) met granulariteit en longitudinale diepte te bieden, stelt datma.FED farmaceutische bedrijven in staat om meer gegevensgestuurde beslissingen te nemen. De beveiligde infrastructuur zorgt ervoor dat gegevens toegankelijk blijven zonder de privacy of beveiliging in gevaar te brengen, waardoor uitgebreide inzichten mogelijk worden gemaakt voor ontdekkingen.

Hoe machtigt datma gezondheidsorganisaties om hun gegevens te monitoren terwijl ze ethische en regelgevingsnormen handhaven?

datma machtigt gezondheidsorganisaties om hun gegevens te monitoren door een beveiligde gegevensdelingsecosysteem te creëren waarin gezondheidsorganisaties de volledige eigendom en controle behouden. Via het gefedereerde netwerk bepalen gegevensbeheerders welke gegevens toegankelijk en deelbaar zijn, terwijl ze gevoelige informatie veilig binnen hun eigen infrastructuur houden. Uitgebreide audit-trails, rolgebaseerde machtigingen en regelgevingsfuncties waarborgen dat alle gegevensdelingsactiviteiten voldoen aan ethische normen en privacynormen. Deze aanpak stelt gezondheidsorganisaties in staat om nieuwe inkomstenstromen te genereren terwijl ze patiëntgegevens beschermen en vertrouwen behouden.

Welke trends in AI en gezondheidsgegevens verwacht u het grootste impact te hebben in de komende vijf jaar?

AI in de gezondheidszorg wordt getemperd door zorgen over privacy, beveiliging en is alleen beperkt door gegevenskwaliteit. AI stelt ons nu al in staat om echt persoonlijke geneeskunde te bieden in de oncologie, maar heeft nog maar het oppervlak van wat mogelijk is aangeraakt. Door het analyseren van enorme hoeveelheden multimodale patiëntgegevens, waaronder genomics, beeldvorming en biomerkergegevens in de context van medische geschiedenis, demografische en levensstijlfactoren, kunnen we behandelingsplannen en therapieën afstemmen op individuele behoeften. Dit leidt tot verbeterde patiëntresultaten en uiteindelijk tot verlaagde gezondheidskosten. Het koppelen van deze instrumenten aan remote patient monitoring en patient-reported outcomes zal vroegtijdige ziekte-opsporing en verbeterde therapietrouw mogelijk maken. Echter, de kritieke schakel in al dit zijn diepe, contextuele gegevensbronnen die voldoende divers zijn.

Daarnaast zal AI een sleutelrol spelen bij het bieden van toegang tot persoonlijke zorg. Ik zie een rol voor AI-modellen in het vereenvoudigen van verzekeraars- en facturatie-logistiek, het vereenvoudigen van tijdrovende papierwerk en het waarborgen van toegang en gelijkheid voor de hele bevolking. Momenteel hebben LLM’s enkele beperkingen in deze toepassing getoond; recente publicaties hebben hun tekortkomingen met betrekking tot medische codering benadrukt. Het is duidelijk dat deze barrières kunnen worden overwonnen met betere, diepere en volledigere trainingsgegevens.

Tenslotte zal AI de snelheid van medisch onderzoek blijven versnellen. AI kan nieuwe doelwitten voor geneesmiddelen identificeren door het analyseren van enorme datasets, die imaging, multi-omics en andere benaderingen omvatten, klinische proefontwerp optimaliseren en geneesmiddelontdekking versnellen. Gefedereerd leren, een techniek voor privacy-bewuste AI, stelt instellingen in staat om samen te werken aan onderzoek zonder gevoelige patiëntgegevens te delen, waardoor het potentieel van samenwerkend onderzoek wordt ontsloten. Recent ontwikkelde vooruitgang in causale inferentie en generatieve AI beloven aanzienlijke vooruitgang in de ontdekking, van basisbiologie tot toegepaste therapeutica.

Wat is uw langetermijnvisie voor de impact van datma op gezondheidsstelsels en de bredere industrie?

Bij datma zijn we gericht op het bouwen van een toekomst waarin betere gegevens persoonlijke, toegankelijke en efficiënte gezondheidszorg aandrijven. Door complexe datasets te verenigen via gefedereerd leren, empoweren we clinici en onderzoekers om complexe gezondheidsuitdagingen aan te pakken en nieuwe medische doorbraken te ontgrendelen. Ons gefedereerde, real-world data-marktplaats, datma.FED, is de eerste stap naar het realiseren van deze visie.

Stel uzelf een toekomst voor de gezondheidszorg voor waarin onderzoekers enorme hoeveelheden patiëntgegevens kunnen analyseren, van genomics, beeldvorming en medische geschiedenis tot levensstijlfactoren, om next-generation therapeutica met een scherpe patiëntfocus te creëren. Tegelijkertijd kunnen clinici AI gebruiken om de juiste zorg te bieden op het juiste moment met minimale administratieve last. De gefedereerde aanpak van datma versnelt deze visie door de kracht van complexe, beveiligde medische gegevens te ontsluiten. Door ons dataset continu uit te breiden en innovatieve instrumenten zoals datma.WHY en datma.360 te lanceren, drijven we vroegtijdige ziekte-opsporing, verbeterde therapieën en betere patiëntresultaten aan.

Onze visie gaat verder dan individuele patiënten. De toewijding van datma aan gefedereerd leren ontsluit de kracht van samenwerkend onderzoek, waardoor instellingen enorme datasets kunnen analyseren zonder patiëntgegevens in gevaar te brengen. Dit ontketent een golf van ontdekkingen, van het identificeren van nieuwe doelwitten voor geneesmiddelen tot het optimaliseren van klinische proeven. Door de analytische capaciteiten en causale inferentie van AI te benutten, kunnen we medisch onderzoek versnellen en levensreddende behandelingen sneller bij patiënten brengen. We zijn toegewijd om de weg te banen in het maken van deze toekomst tot werkelijkheid.

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