Jay Ferro, Chief Information, Technology and Product Officer, Clario – Intervju-serie

Jay Ferro er Chief Information, Technology and Product Officer i Clario, og han har over 25 års erfaring med å lede informasjonsteknologi- og produktteam, med sterkt fokus på datavern og en lidenskap for å skape teknologier og produkter som har en meningfull innvirkning.

Før han begynte i Clario, hadde Jay ledende stillinger, inkludert CIO, CTO og CPO, i globale organisasjoner som Quikrete Companies og American Cancer Society. Han er også medlem av styret i Allata, LLC. Hans profesjonelle prestasjoner har blitt anerkjent flere ganger, inkludert priser fra Atlanta Technology Professionals som Executive Leader of the Year og HMG Strategy som Mid-Cap CIO of the Year.

Clario er en ledende aktør innen kliniske studier, og tilbyr omfattende teknologier for å transformere liv gjennom pålitelig og presis datainnsamling. Spesialisert på onkologiske studier, legger Clario vekt på pasient-rapporterte resultater (PRO) for å forbedre effikasitet, sikkerhet og kvalitet på livet, og fremmer elektroniske PRO som en mer kostnadseffektiv alternativ til papir. Med ekspertise innen terapeutiske områder og global regulatorisk overholdelse, støtter Clario desentraliserte, hybride og sted-baserte studier i over 100 land, og utnytter avanserte teknologier som kunstig intelligens og tilkoblede enheter. Deres løsninger strømlinjeformer studieprosesser, sikrer overholdelse og gjennomføring gjennom integrert støtte og opplæring for pasienter og sponsorer.

Clario har integrert over 30 AI-modeller over ulike faser av kliniske studier. Kan du gi eksempler på hvordan disse modellene forbedrer bestemte aspekter av studier, som onkologi eller kardiologi?

Vi bruker våre AI-modeller til å levere hastighet, kvalitet, presisjon og personvern til våre kunder i over 800 kliniske studier. Jeg er stolt over at våre verktøy ikke bare er en del av AI-hype-syklusen – de leverer virkelig verdi til våre kunder i disse studiene.

I dag faller våre AI-modeller hovedsakelig inn i fire kategorier: datavern, kvalitetskontrollhjelp, lesehjelp og leseanalyse. For eksempel har vi verktøy i medisinsk bildebehandling som kan automatisk slette personlige identifiserbare informasjoner (PII) i statiske bilder, videoer eller PDF-er. Vi bruker også AI-verktøy som leverer data med raske kvalitetsvurderinger på tidspunktet for opplasting — så det er stor tillit til at dataene er korrekte. Vi har utviklet et verktøy som overvåker ECG-data kontinuerlig for signal kvalitet, og et annet som bekrefter korrekte pasient-identifikatorer. Vi har utviklet et lesehjelp-verktøy som muliggjør skjæring forutsigelse, lesjon-propagering og sykdomsdeteksjon. I tillegg har vi forbedret leseanalyse ved å automatisere og standardisere data-tolkning med verktøy som AI-støttet kvantitativ ulcerativ kolitt Mayo-scoring.

Disse er bare noen eksempler på de typene AI-modeller vi har utviklet siden 2018, og selv om vi har gjort mye fremgang, er vi bare i begynnelsen.

Hvordan sikrer Clario at AI-drevne innsikter opprettholder høy nøyaktighet og konsistens over diverse studiemiljøer?

Vi er konstant i ferd med å trene våre AI-modeller på store mengder data for å forstå forskjellen mellom god data og data som ikke er god eller relevant. Som resultat kan våre AI-drevne data-analyser detektere, for-analyserer rike data-historier, og til slutt leder til høyere kvalitetsresultater for våre kunder.

Våre spirometri-løsninger illustrerer godt hvorfor vi gjør dette. Kliniske forskere bruker spirometri til å hjelpe med å diagnostisere og overvåke visse lungtilstander ved å måle hvor mye luft en pasient kan puste ut i ett tvunget pust. Det finnes en rekke feil som kan oppstå når en pasient bruker en spirometer. De kan utføre testen for langsomt, hoste under testing, eller ikke kunne lage en fullt tett forbindelse rundt spirometerets munnstykke. Disse variasjonene kan forårsake en feil som kanskje ikke oppdages før en menneskelig kan analysere resultater. Vi har trenet dyptlæringsmodeller på over 50 000 eksempler for å lære forskjellen mellom en god lesning og en dårlig lesning. Med våre enheter og algoritmer kan kliniske forskere se verdien av dataene i nærmest sanntid, i stedet for å måtte vente på menneskelig analyse. Dette betyr mye, fordi noen pasienter må kjøre flere timer for å delta i en klinisk studie. Tenk deg å kjøre den distansen hjem fra stedet bare for å lære at du må gjøre en ny spirometri-test neste uke fordi den første viste en feil. Våre AI-modeller leverer nøyaktige overlesninger mens pasienten fortsatt er på stedet. Hvis det er en feil, kan den rettferdiges på stedet. Det er bare ett av måtene vi jobber for å redusere byrden på steder og pasienter.

Kan du utdype hvordan Clario sine AI-modeller reduserer datainnsamlingstider uten å kompromittere datakvalitet?

Å generere høykvalitetsdata for kliniske studier er alltid vårt fokus, men naturen til våre AI-algoritmer betyr at innsamling og analyse akselereres dramatisk. Som jeg nevnte, tillater våre algoritmer oss å utføre kvalitetskontrollanalyse raskere og med høyere presisjon enn menneskelig tolkning. De tillater oss også å utføre kvalitetskontroller mens dataene blir lastet opp. Det betyr at vi kan identifisere manglende, feilaktige eller dårlige kvalitets pasientdata mens pasienten fortsatt er på studiestedet, i stedet for å måtte fortelle dem det dager eller uker senere.

Hvordan addreserer Clario utfordringene med desentraliserte og hybride studier, spesielt når det gjelder datapersonvern, pasientengasjement og datakvalitet?

I disse dager er en desentralisert studie bare en studie med en hybrid-komponent. Jeg tror konseptet med å la deltakere bruke egne enheter eller tilkoblede enheter hjemme åpner døren for større muligheter i studier, spesielt når det gjelder tilgjengelighet. Å gjøre studier lettere å delta i er et nøkkelområde i vår teknologivei, som har som mål å utvikle løsninger som forbedrer pasientmangfold, strømlinjeformer rekruttering og gjennomføring, øker bekvemmelighet for deltakere og utvider mulighetene for mer inklusive kliniske studier. Vi tilbyr hjemme-spirometri, hjemme-blodtrykk, eCOA og andre løsninger som leverer samme dataintegritet som mer tradisjonelle løsninger, og vi gjør det i samarbeid med tilsyn fra våre endpoint- og terapeutiske eksperter. Resultatet er en bedre pasientopplevelse for bedre endpoint-data.

Hva er de unike fordelenene med Clario sine AI-drevne tilnærminger for å redusere studietidslinjer og kostnader for farmasøytiske, bioteknologiske og medisinske enhets-selskaper?

Vi har utviklet AI-verktøy siden 2018, og de har permeert alt vi gjør internt og absolutt over vår produkt-mix. Og hva som aldri har forlatt oss er å sikre at vi gjør det på en ansvarlig måte: å holde mennesker i løkken, samarbeide med regulatorer, samarbeide med våre kunder og inkludere våre juridiske, personvern og vitenskapelige team for å sikre at vi gjør alt riktig.

Ansvarlig utvikling og implementering av AI bør påvirke våre kunder på en rekke positive måter. Grunnlaget for vårt AI-program er bygget på det vi mener er bransjens første prinsipper for ansvarlig bruk. Alle som berører AI i Clario følger disse fem prinsippene. Blant dem, tar vi alle måter for å sikre at vi bruker de mest diverse dataene tilgjengelig for å trene våre algoritmer. Vi overvåker og tester for å detektere og mitigere risikoer, og vi bruker bare anonymiserte data for å trene modeller og algoritmer. Når vi følger disse retningslinjene når vi utvikler et nytt AI-verktøy, er vi i stand til å raskt levere presise data – i stor skala – som reduserer bias, øker mangfold og beskytter pasientpersonvern. Jo raskere vi kan levere nøyaktige data til sponsorene, jo mer innvirkning har det på deres resultat og, til slutt, pasientutfall.

AI-modeller kan noen ganger reflektere bias innarbeidet i dataene. Hva tiltak tar Clario for å sikre rettferdige og upartiske data-analyser i studier?

Vi vet at bias oppstår når treningsdata-sammenstillingen er for begrenset for dens ment å bruke. Initialt kan data-sammenstillingen se ut til å være tilstrekkelig, men når sluttbrukeren begynner å bruke verktøyet og presser AI-en utenfor hva den ble trent til å svare på, kan det føre til feil. Clario sin Chief Medical Officer, Dr. Todd Rudo, bruker ofte dette eksempelet: Vi kan trene en modell til å bestemme korrekt led-plassering i elektrokardiogram (ECG) så kliniske forskere kan si om teknikerne har plassert ledene riktig på pasientens kropp. Vi har tonnevis av gode data så vi kan trene denne modellen på 100 000 ECG. Men hva skjer hvis vi bare trener vår AI-modell med data fra voksne tester? Hvordan vil modellen reagere hvis en ECG gjøres på en 2-åring? Det kunne potensielt overse feil som har innvirkning på behandling.

Dette er grunnen til at Clario sine produkt-, data-, FoU- og vitenskapelige team samarbeider tett for å sikre at vi bruker de mest omfattende treningsdataene for å sikre nøyaktighet og pålitelighet i virkelige anvendelser. Vi bruker de mest diverse dataene tilgjengelig for å trene algoritmene som er innbygget i våre produkter. Det er også grunnen til at vi insisterer på å bruke menneskelig tilsyn for å mitigere risikoer under utvikling og bruk av AI.

Hvordan integrerer Clario menneskelig tilsyn og overvåking med AI-utdata for å sikre regulatorisk overholdelse og etiske standarder?

Menneskelig tilsyn betyr at vi har team av mennesker som vet nøyaktig hvordan våre modeller er utviklet, trent og validert. Begge i utvikling og etter at vi har integrert en modell i en teknologi, overvåker våre eksperter utdata for å detektere potensiell bias og sikre at utdataene er rettferdige og pålitelige. Jeg tror AI handler om å supplere vitenskap og menneskelig genialitet. AI gir mennesker evnen til å fokusere på en høyere nivå av utfordringer. Vi er usedvanlig gode til å løse problemer og fortsatt mye bedre på intuisjon og nuanser enn maskiner. I Clario bruker vi AI til å fjerne byrden på gjentakende ting. Vi bruker det til å analysere brede data-sammenstillinger, enten det er pasient-bilder eller tidligere studier eller noe annet vi ønsker å analysere. Generelt kan maskiner gjøre det raskere, og i noen tilfeller bedre enn mennesker kan. Men de kan ikke erstatte menneskelig intuisjon og vitenskap og virkelige erfaringer som de fantastiske menneskene i vår bransje har.

Hvordan ser du for deg at AI vil påvirke kliniske studier de neste årene, spesielt i felt som onkologi, kardiologi og respiratoriske studier?

I onkologi er jeg spesielt spennende på å fremme bruken av anvendt AI i radiomik, som trekker ut kvantitative mål fra medisinske bilder. Radiomik omfatter flere trinn, inkludert bilde-innsamling av svulster, bilde-forbehandling, funksjons-uttrekk og modell-utvikling, etterfulgt av validering og klinisk anvendelse. Ved å bruke stadig mer avanserte AI-verktøy, vil vi være i stand til å forutsi svulst-atferd, tilpasse behandlingsrespons og forutsi pasient-utfall basert på ikke-invasiv bilde-diagnostikk av svulster. Vi vil være i stand til å bruke det til å detektere tidlige tegn på sykdom og tidlig oppdaging av sykdoms-tilbakevendelse. Når mer avanserte AI-verktøy blir mer integrert i radiomik og kliniske arbeidsflyter, vil vi se store skritt i onkologi og pasient-omsorg.

Jeg er like spennende på fremtiden for respiratoriske studier. I løpet av det siste året, har vi kjøpt opp ArtiQ, et belgisk selskap som bygget AI-modeller for å forbedre innsamling av respiratorisk data i kliniske studier. Grunnleggeren er nå min Chief AI Officer, og vi forventer store ting i respiratoriske løsninger. Vår tilnærming til algoritme-anvendelse har blitt en game-changer, ikke minst fordi det hjelper med å redusere byrden på pasienter og steder. Når ekshalasjons-data ikke analyseres i sanntid, og en anomali oppdages senere, tvinger det pasienten til å komme tilbake til klinikken for en ny test. Dette ikke bare legger til stress for pasienten, men det kan også skape forsinkelser og ekstra kostnader for studie-sponsoren, og det kan føre til ulike operative utfordringer. Våre nye spirometri-enheter utnytter ArtiQ-modellene for å addresse denne byrden ved å tilby nærmest sanntid overlesninger. Det betyr at hvis det oppstår noen problemer, kan de identifiseres og løst umiddelbart mens pasienten fortsatt er på klinikken.

Til slutt utvikler vi verktøy som vil ha en innvirkning på flere terapeutiske områder. Snart vil vi se AI levere stadig mer verdi i elektroniske kliniske utfall-vurderinger (eCOA). Vi vil se AI-modeller som fanger og måler subtile endringer som oppleves av pasienten. Denne teknologien vil hjelpe en rekke forskere, men for eksempel vil Alzheimers-forskere være i stand til å forstå hvor pasienten er i sykdoms-stadiet. Med denne kunnskapen kan legemiddeleffektivitet bedres bedømt, og pasienter og deres omsorgspersoner kan bedre forberedes på å håndtere sykdommen.

Hva rolle tror du AI vil spille i å utvide mangfold innen kliniske studier og forbedre helse-likhet over pasient-populasjoner?

Hvis du bare ser på AI gjennom et teknisk perspektiv, tror jeg du kommer i vanskeligheter. AI må nærmes fra alle vinkler: teknisk, vitenskapelig, regulatorisk og så videre. I vår bransje oppnås sanne fremragende resultater bare gjennom menneskelig samarbeid, som utvider evnen til å stille riktige spørsmål, som: “Er vi i ferd med å trene modeller som tar hensyn til alder, kjønn, kjønnsidentitet, rase og etnisitet?” Hvis alle andre i vår bransje stiller disse typene spørsmål før de utvikler verktøy, vil AI ikke bare akselerere legemiddel-utvikling, men det vil akselerere det for alle pasient-populasjoner.

Kan du dele Clario sine planer eller forutsigelser for utviklingen av AI i kliniske studier i 2025 og utover?

I 2025 vil vi se bioteknologi-leverandører utnytte AI og sanntids-analyse som aldri før. Disse fremgangene vil strømlinjeforme kliniske studier og forbedre beslutningsprosesser. Ved å akselerere studie-bygging og implementere risiko-basert overvåking, vil vi være i stand til å akselerere tidslinjer, lette byrden på pasienter og enable sponsorer til å levere livreddende behandlinger med større presisjon og effektivitet. Dette er en spennende tid for oss alle, da vi arbeider sammen for å transformere helsevesenet.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Clario.