Matt Walz, CEO i Trialbee – Intervju-serie

Matt Walz er administrerende direktør i Trialbee, en global leder innen teknologi-drevet pasientrekruttering. Han har over 20 års erfaring med programvare og ledelse i life sciences-industrien. Matt startet sin karriere som utvikler og hadde ulike tekniske og ledelsesroller i Rollins Corporation, PSCI, Microsoft (MSFT ), Morgan Lewis og Datalabs. I 2006 var Matt med på å etablere NextDocs, som vokste til å bli en global leder innen klinisk, kvalitet og regulatorisk dokumenthåndtering, der han var CTO, CSO og styremedlem i 9 år. Før han ble med i Trialbee, tilbrakte Matt 5 år som generaldirektør for life sciences og VP Strategic Accounts for Aurea Software, som hadde kjøpt NextDocs.

Trialbee er et helse-tekknologiselskap som strømlinjeformer pasientrekruttering for kliniske studier. Ved å utnytte dataanalyse, digital markedsføring og realverdens-bevis, matcher, engasjrer og forkvalifiserer det pasienter for å akselerere innmelding. Plattformen tilbyr transparens over kilder og partnere, og hjelper sponsorer, CRO-er og studie-steder med å håndtere rekrutteringspipelinen mer effektivt, samtidig som de reduserer byrden på steder.

Hva er dine personlige erfaringer eller øyeblikk i din karriere som har ført deg til å erkjenne potensialet – og fallene – med AI i pasientrekruttering?

AI har vært den raskeste teknologitrenden jeg har sett i over to tiår med arbeid i klinisk utvikling – raskere enn de tidlige dagene med skytjenester. Det som har vært mest slående for meg er hvordan AI har flyttet seg fra konseptuell til operativ over hele industrien, som vanligvis er sakte med å adoptere nye teknologier – og nå prioriteres selv av regulatoriske myndigheter som FDA. For klinisk studie-pasientrekruttering spesifikt, er vi fortsatt i de tidlige fasene med å lære hvor det er best egnet. Leverandører og sponsorer utforsker AI for protokollutvikling, personligheter og målretting, databeriking, lokaliserings- og kommunikasjons- og engasjementsmuligheter – som alle er store friksjonspunkter for forskningsteamer.

Med det sagt, er det fortsatt en del risiko forbundet med det potensialet. Jeg har talt med ledere i store legemiddelselskaper som understreker at selv om AI viser seg i flere punkter i arbeidsflyten, kan det ikke løpe ukontrollert. Menneskelig tilsyn er grunnleggende.

Dette er for kvalitets- og sikkerhetsårsaker, samt fordi selskaper som Trialbee kobler seg til pasienter og familier som søker håp – en svært menneskelig og empatisk erfaring som ikke kan erstattes av AI på en meningsfull måte for pasientene vi alle betjener.

Klinisk studie-rekruttering har historisk sett hatt problemer med mangfold, hastighet og nøyaktighet. Hvordan hjelper AI med å løse disse utfordringene – og hvor faller det fortsatt kort?

AI hjelper med å strømlinjeforme noen av de sloweste og ressursintensivste delene av rekrutteringsprosessen. For eksempel, ting som tidligere tok uker – som oversettelse av studiematerialer over flere titalls språk – er nå komprimert til timer. Det betyr at vi kan starte rekruttering raskere over flere globale markeder.

Når det gjelder nøyaktighet, starter AI-drevne agenter med å hjelpe oss med å levere mer konsistente, kriterie-orienterte interaksjoner, fra materialet vi lager til forhåndsskjerming til chatboter. Disse verktøyene er spesielt nyttige for å redusere frafallspunkter som sakte ned rekrutteringsprosessen.

Mangfold forblir en utfordring, selv om. AI er bare så representativt som dataene det er trent på, og representasjonen formas også av faktorer utenfor teknologien – inkludert land-for-land regulatoriske begrensninger som begrenser hvordan AI kan brukes i pasient-orienterte roller. Bygging av tillit med studie-deltagere har vært en utfordring gjennom hele den kliniske forskningens historie, og engasjement med AI-verktøy møtes med varierende grad av skepsis. Med det i mente, støtter vi sterkt en tilnærming som ville gi mennesker valget mellom å engasjere med en live medisinsk fagperson eller en AI-agent, avhengig av deres preferanse og komfortnivå. Dette kan hjelpe med å nå deltakere med varierende komfortnivå rundt AI, samtidig som det sikrer sterk tilsyn, spesielt for agens-ai, selv om sikkerhetstiltak som separate resoneringssystemer må inkorporeres for å gjøre det vellykket.

Du nevnte tidligere at AI-verktøy deployeres raskere enn noen tidligere innovasjon i pasientrekruttering. Men med globale regulatorer som sliter med å holde pace, hva er de mest kritiske tilsynsgapene du ser i multinasjonale kliniske studie-kampanjer?

Det største gapet er mangelen på regulatorisk harmonisering over geografier. I USA er byråer som FDA i ferd med å omfavne AI med nye rammer og tidlige gjennomgangsprosesser. I Europa beveger de seg mer forsiktig, fokusert på å gå forsiktig og anvende strengere regulatoriske gjennomgangsprosesser.

For selskaper som vårt som opererer globalt, skaper dette en utfordring: Hva som er akseptabelt i ett land, kan ikke være det i et annet. Og variasjonen er ikke bare i reguleringer, men også i hvordan ulike kanaler eller sosiale medieplattformer som Facebook (META ) kan brukes til rekruttering, hvordan personlige data håndteres, eller hvordan pasient-samtykke innhentes. Disse er nyanser som krever operativ fleksibilitet og en dyptgående forståelse av regionale etiske og compliance-standards.

Dette er der vår historie med innovasjon og innebygget global kultur er store aktiva når vi navigerer den spennende, men også svært dynamiske AI-landskapet.

Hvordan kan mangelen på global harmonisering i regulatoriske rammer hindre AI-adopteringsmuligheter i kliniske studier? Har du sett noen virkelige konsekvenser av dette?

Absolutt. De digitale annonsestrategiene vi avhenger av for pasientrekruttering er et godt eksempel her. Facebook er en av de mest effektive plattformene globalt, men selv innen landene hvor det er tillatt, varierer nivået av målretting du er tillatt å gjøre, og hva data du kan bruke, svært mye. Vi bygger intern ekspertise for å overvinne disse forskjellene, og vi forventer at AI-regulering vil følge en lignende vei.

I praktiske termer kan begrensningene som denne dilemmaen pålegger rekrutteringsteamene føre til forsinkede kampanjelanseringer, flere sykluser med etiske komiteer og mer komplekse compliance-arbeidsflyter. Hvis du ikke er dypt kjent med hvordan hvert land tolker AI-bruk, spesielt i pasient-orienterte applikasjoner, risikerer du å sakke ned studier eller løpe inn i alvorlige godkjenningsbarrierer.

Trialbee opererer på skjæringspunktet mellom data, teknologi og pasientengasjement. Hvordan sikrer du at AI-drevne rekrutteringsstrategier ikke reduserer pasienter til datapunkter, men heller forbedrer den menneskelige siden av forskningen?

En utmerket og viktig spørsmål for oss alle. Som jeg nevnte tidligere, ser jeg på AI som en mulighet til å empowerment mennesker – ikke erstatter dem. Dette er spesielt sant i den svært personlige industrien vi arbeider i, hvor vi prøver å hjelpe generasjoner av pasienter å leve sunnere liv over hele verden. Vår forretning er en varm en, om å koble mennesker sammen, og mennesker vil alltid være i hjertet av det.

Når det gjelder dag-til-dag-operasjoner, vil den beste AI vi kan tilby – for eksempel innen vår Honey Platform – være å analysere data og trender, og prompte steder og studie-team hvor handling kan være nødvendig. Vi gjør mye av dette allerede, og vil fortsette å legge til funksjoner for å sikre at de verdifulle dataene som blir fanget, brukes umiddelbart til å gjøre en forskjell i studiet. Dette kan bety å gi daglige innsikter i rekrutteringsfremskritt eller å prompte oppfølging med spesifikke pasienter med prediktiv modellering.

Internally, bruker vi AI over hele organisasjonen på en systematisk og samarbeidende måte. To gode eksempler her kan være oversettelse av rekrutteringsmateriale og AI-drevet undertrykking av potensielle PII-data – disse vil alltid være overvåket av en erfaren menneske. Så du vil se hvordan vi bruker AI for å gjøre vårt fantastiske team sterkere, og ikke motsatt.

Hva er de mest kritiske ferdighetene for kliniske forskningsteam å styre og regulere AI-verktøy i dag?

De mest kritiske ferdighetene ligger på skjæringspunktet mellom klinisk ekspertise, AI-litteratur og regulatorisk flytighet. Teamene må forstå hvordan de kan engasjere med AI-plattformer effektivt ved å prompte dem med presisjon og gjennomgå deres utdata kritisk.

Det er også en voksende behov for regulatorisk innsikt. Som jeg nevnte tidligere, er dette spesielt nødvendig for områder som agens-ai, hvor vi bygger separate resoneringssystemer for å tjene som guardrails i pasientinteraksjoner. Teamene må også være i stand til å evaluere AI-oversatt innhold og verifisere dets nøyaktighet og kulturelle relevans før materialet blir sendt til etiske komiteer.

AI-adopteringshastigheten øker. Hva råd ville du gi til kliniske studie-aktører som er nølende eller overveldet av kompleksiteten ved å integrere AI i sine arbeidsflyter?

Noen gang sa noen, når du begynner å arbeide med AI, sikre deg å bruke faktisk intelligens. Maskinlæring kan muliggjøre fantastiske ting – gitt at det har ekspertisen, konteksten og guardrails av domene-eksperter bak det.

Mitt råd er å starte smått og forbli grunnede i hva du kan levere i dag. En av de største feilene jeg ser, er selskaper som lener seg for langt inn i vagt løfter om AI-transformasjon uten å artikulere hvordan det faktisk fungerer eller når det vil være klart. Mens disse løftene kan høres bra ut i øyeblikket, kan de undergrave tillit fordi de ikke viser bevis på en virkelig plan.

Den bedre vei er å bryte adopteringen ned i små, definerte steg med klare resultater. Velg ett eller to høy-impakt-områder hvor AI kan fjerne friksjon og sikre at disse er bakket opp av riktig tilsyn. Vær spesifik om verktøyene du bruker, hvordan de er satt opp, og viktigst, hvordan du beskytter følsomme opplysninger. Dette er tilnærmingen vi tar i Trialbee. Vi snakker bare med interessenter om kapasiteter vi aktivt bygger, vanligvis ikke mer enn tre måneder ute, fordi vi ønsker å sikre at vi kommuniserer hva som er reelt.

I Trialbee ber vi nå en annen avdeling eller team hver uke om å presentere brukstilfeller som har fungert for dem. Vi diskuterer hvordan og hvorfor, for å dele læring, utfordringer og løsninger, så andre kan replikere AI-suksessen for å forbedre effisiens, kunde-leveranse eller rekrutteringsresultater.

Vi legger også vekt på åpenhet om verktøyene vi bruker for å bygge disse kapasitetene. Hvis vi bruker OpenAI sin ChatGPT eller Anthropic sin Claude, for eksempel, beskriver vi oppsettet for interessenter, inkludert hvordan vi isolerer følsomme opplysninger og anvender menneskelig tilsyn. Når de ser gevinstene i aksjon, som tidsbesparelse i oversettelses-arbeidsflyter eller økt hastighet i tidlig pasient-screening, er de mer sannsynlig å komme ombord med den neste AI-brukskasusen. Og så, er det mindre om å selge den store visjonen og mer om å bevise verdi steg-for-steg.

FDA og andre regulatorer begynner å stille tøffere spørsmål om AI-modeller brukt i legemiddelutvikling. Hva slags transparens, validering eller revisjonsstandarder tror du bør bli bransjenormer?

Industrien må bevege seg mot fullstendig transparens og må sikre at det er menneskelig tilsyn i hver AI-assistert beslutning. For å nevne noen eksempler:

Når vi snakker om agens-ai, arbeider vi allerede med å innbygge regulatorisk logikk i et separat resoneringssystem som kan evaluere og korrigere samtaler i sanntid. Den type interne kontrollsystem bør bli standard i enhver pasient-orientert applikasjon. Valideringsprotokoller må også formaliseres, inkludert benchmark-testing og kontinuerlige ytelsesvurderinger.

Det viktigste er at disse standardene skal integreres i produktutviklingsprosessen og ikke monteres på etterpå. Den type strenghet vil være essensiell for å opprettholde pasientsikkerhet, tjene regulatorisk tillit og skalerbar AI på en ansvarlig måte over hele kliniske studie-kampanjer globalt.

AI-modeller avhenger ofte av historiske datasett som kan reflektere systemiske helse-utfordringer. Hvordan sikrer du rettferdighet og mangfold i pasientrekruttering, spesielt for underrepresenterte befolkningsgrupper?

Ikke å ha AI har ikke vært det som har hindret mangfold i klinisk forskning – ikke å prioritere en plan er. Og AI kan ikke virkelig hjelpe med det. Når det er en virkelig kommitment, kan AI være et kraftig verktøy som absolutt hjelper oss med å nå underrepresenterte grupper mer effektivt, men bare hvis vi er intensjonelle. Derfor i Trialbee, utvider vi dataene våre modeller bruker, bygger samfunns-partnerskap og overvåker kontinuerlig rekrutteringsresultater for å sikre at ingen gruppe blir igjen.

Du nevnte at ditt team ruller ut nye AI-relaterte produkter senere i år. Kan du gi en høy-nivå-forhåndsvisning av problemene du løser – og hvordan disse innovasjonene reflekterer din bredere filosofi rundt ansvarlig AI-bruk?

Trialbee har en kultur av innovasjon og AI er en stor og voksende komponent av det. I år alene har vår Honey Platform rullet ut nye sted-arbeidsflyter, en sponsor-spesifikk pasient-registrer og brukstilfeller som støtter studie-finner-nettsteder for globale biopharma-merker som BMSClinicalTrials.com. Med AI spesifikt, vil du se nye funksjoner og forbedringer rulle ut over de neste 3, 6, 12 månedene og utover. Vi utvikler chatboter, smarte verktøy og mer innen Honey, samtidig som vi vurderer nye måter å strømlinjeforme prosesser for våre kunder på. Internally, bruker vi det til å bli mer målrettet, mer intensjonell, mer inklusiv og mer effektiv i alt vi gjør – med en erfaren teammedlem som driver hver beslutning og tolker kontekst for alle AI-modellene vi bruker.

Ser fem år fremover, hvordan ser du for deg Trialbees rolle utvikle seg når AI blir mer dypt integrert i klinisk forskning? Hva rolle ser du ditt selskap spille i å forme en mer etisk, effektiv og globalt harmonisert fremtid for pasientrekruttering?

Fem år fra nå, ser jeg Trialbee stående som den ledende AI-aktiverte tjenesteleverandøren for pasientrekruttering i klinisk forskning. Vi er allerede i ferd med å integrere generativ AI i hver del av rekrutteringsarbeidsflyten hvor det kan akselerere hastighet, forbedre nøyaktighet eller øke pasient-valgmuligheter. Som jeg nevnte tidligere, vurderer vi aktivt verktøy som ville gi pasienter valget mellom å engasjere med en live medisinsk fagperson eller en AI-agent, avhengig av deres preferanse og komfortnivå. Vi tror at å gi mennesker det valget er nøkkel til å øke tillit og deltakelse over tid.

Etisk sett, er vi kommitert til å sikre at AI implementeres med regulatorisk strenghet og transparens. Det betyr å innbygge tilsynsmekanismer i teknologien selv og å være åpen om hvordan våre systemer fungerer. Vi bygger også AI inn i kulturen i vår organisasjon – hver avdeling og hver gruppe – så vi er klare til å tilpasse oss når teknologien utvikler seg. Til slutt, ønsker vi å være et selskap som hjelper med å definere hvordan AI brukes ansvarlig gjennom hele klinisk forskning. Hvis vi gjør det riktig, kan vi hjelpe med å forme en fremtid hvor studier er raskere, mer inklusive og lettere for pasienter å få tilgang til, uavhengig av hvor de bor eller hva språk de snakker.

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