Nijat Hasanli, produktansvarlig i Lindus Health – Intervju-serie

Nijat Hasanli, produktansvarlig i Lindus Health, har en fokusert erfaring med å bygge og skalerer produktfunksjoner i helse- og teknologidrevne organisasjoner, og leder nå produktstrategi og – gjennomføring i Lindus siden 2022 etter tidligere stillinger i OneCommerce og Downforce Technologies. Hans erfaring spenner over flere produktmiljøer i Storbritannia, der han har vært ansvarlig for å tilpasse produktutvikling med forretningsresultater, drive innovasjon og omgjøre komplekse tekniske evner til skalerbare, brukerorienterte løsninger i raskt bevegelige industrier.

Lindus Health er et AI-drevet klinisk prøveføretak som opererer som et “ansvarlig forskningsorgan”, designet for å gi biotek- og legemiddelselskaper større kontroll, hastighet og pålitelighet i gjennomføringen av kliniske studier. Selskapet erstatter tradisjonelle kontraktforskningsmodeller med en fullt integrert, teknologiførst-plattform som håndterer alt fra prøvedesign og pasientrekruttering til datafangst og gjennomføring innen ett enkelt system, ofte fullfører prøvene betydelig raskere enn bransjenormene. Deres egenutviklede AI-naturlige operasjonssystem muliggjør sanntidsvisning av prøveytelse, harmoniserer incitamenter gjennom milepælbasert prising og utnytter stor skala helsedata for å forbedre innmelding og resultater, med det bredere målet om å akselerere leveringen av nye behandlinger til pasienter.

Kunne du dele en avgjørende øyeblikk eller tidlig utfordring som hjalp til å forme Lindus Healths misjon eller produktretning?

I kliniske prøver er innovasjon ofte forbundet med skala: store organisasjoner, betydelig kapital og etablert infrastruktur. Men vår avgjørende tidlige øyeblikk lærte oss det motsatte.

Når vi kjørte vår første prøve, var vi bevisste på å holde det enkelt – noe vi visste vi kunne gjennomføre trygt med vår teknologi. Denne begrensningen tvang oss til å forenkle prøvedesignet og å stole på systemer vi fullstendig kontrollerte, som gjorde avhengigheter og ineffektiviteter mer synlige. Store, høyt komplekse programvarestabler er ikke nødvendige for å innovere i prøvelevering. Innovasjon i prøvelevering avhenger av eierskap av hele prøven, fra start til slutt, med en sammenhengende datapipeline som kobler det hele sammen. Denne visningen lar deg se hvordan alt henger sammen, som avdekker muligheter som er vanskelige å identifisere i fragmenterte driftsmodeller.

Hvordan strømlinformer din AI-drevne plattform den kliniske prøveprosessen sammenlignet med tradisjonelle modeller?

Vi stiller ikke dette som en AI-drevet plattform. Citrus^TM er et AI-naturlig prøveoperasjonssystem. Vi tar en distribuert tilnærming til AI-applikasjon – i stedet for å satse stort på AI i ett domene, lar vi vårt ingeniørteam finne pålitelige, kontekstspesifikke applikasjoner over våre systemer. Det som gjør dette til å fungere er at vi kjører prøver med fullt omfangsutførelse. Når AI akselerer protokollparsning, flyter denne effektiviteten inn i studiedesign. Når studiedesign er raskere, arver datateamet en renere oppsett. Disse inkrementelle forbedringene akkumulerer fordi hver fase produserer mer strukturerte utdata og reduserer nedstrøms omgjøring.

To eksempler illustrerer dette: Vi bruker AI til å generere dataanalysekode, der vi har klare mekanismer for å gjennomgå utdata før det berører noe. Vi bruker også AI til å parsere protokoll-dokumenter inn i våre studiedesignschematikk – betydelige effektivitetsgevinster på denne første transformasjonen, men byggingen går likevel gjennom uker med gjennomgang og akseptansestesting.

Vi anvender ikke AI i klinisk omsorgsarbetsflyter. Vi føler en ansvarligheit for å sikre at våre applikasjoner ikke utgjør noen risiko for skade på pasienter i våre prøver, fordi infrastrukturen som kreves for å støtte passende retningslinjer ennå er under utvikling. Dette unngår de regulative og sikkerhetsrisikoene forbundet med AI i klinisk omsorgsarbetsflyter. Våre andre applikasjoner står likevel overfor samme skråning som enhver AI i denne industrien – men grunnleggende tilbyr de mye tid for menneskelig gjennomgang. Klinisk omsorg er en annen risikoprofil: i øyeblikket avgjørelser hvor feil kunne direkte påvirke pasientsikkerhet.

Hovedeffekten er på klinisk forskningsteams effektivitet. Mye av vår strømlinforming tjener klinisk forskningsteam direkte – effektiviteter som akkumulerer. Hver uke vi skjærer av prøvelevering er en uke nærmere fullføring av legemiddelutviklingscyklen, som kan redusere totale tidsrammer i legemiddelutviklingsprosessen. Og utover tidsgevinster, våre AI-applikasjoner gjør mer enn å forutsi rekruttering. De overvåker innkommende data for anomalier, sikkerhetssignaler og risikoindekser – gir studieteamet en tydeligere visning for å overvåke prøver effektivt.

I tradisjonelle modeller anvendes AI vanligvis som en punktløsning – ett verktøy for en funksjon, isolert fra resten av prosessen. Vår heldekkende modell lar effektivitetsgevinster flyte gjennom hele prøven, med hver forbedring som bygger på den forrige. Det reflekterer forskjellen mellom å optimalisere enkeltfunksjoner og å forbedre ytelse over hele prøveutførelsesområdet.

Tufts-studien understreker at nesten en tredjedel av klinisk prøvedata er ikke-essensielt. Hvordan bruker Lindus Health AI til å identifisere og eliminere unødvendig datainnsamling?

Det Tufts-studien beskriver er noe vi har sett førstehånd. I vår erfaring er årsaken strukturell: når prøvelevering er fragmentert over team, er hvert team incentivert til å dekke alle sine basser. Dette atferd er en strukturell respons på fragmentert ansvar.

Ved den tiden du når personen som designer casereportformene, er de ofte langt fjernet fra den opprinnelige forskningsspørsmålet. Undersøkeren kan spørre: “Hvordan endret vekt seg over tre måneder på denne behandlingen?” Men instrumentdesigneren fokuserer på operasjonelle bekymringer – stedbetalingstrigger, kompatibilitetsbokser, revisjonsloggkrav. Begge perspektivene er gyldige og nødvendige. Problemet er at disse funksjonene opererer uten felles kontekst. De operasjonelle rammeverkene vokser, og forskningsspørsmålet blir begravet.

Det er også en enklere lag å håndtere før tekniske løsninger. Våre forskningsteam har allerede tilgang til AI-samtaleverktøy, og de bruker dem konstant. Når teamene mottar dusinvis av protokoll-dokumenter og PDF-er hver uke, kan de inputte dem i AI-assisterte verktøy og stille spørsmål, endrer hvordan de engasjerer med det materialet. Dette hjelper teamene å holde seg nærmere forskningsspørsmålet i stedet for å bli mistet i operasjonelle detaljer.

Først, prøvedesign. Å ha AI-verktøy innbygget over design- og byggeprosessen åpner opp muligheter for å fange disse problemene tidlig – før de blir låst inn i protokollen. Vi bruker AI til å generere raffinerte studieplaner og guide designere gjennom protokollen, flagging hvor forskningsplanen blir for komplisert, hvor det er duplisering, eller hvor feil har kretset inn. Fra der, kan designeren ta en informert beslutning om å fjerne en datapunkt eller redusere innsamlingsfrekvens – med begrunnelsen dokumentert.

Andre, dataanalyse. Når en prøve er i gang, å endre hva du planla å samle inn er en annen utfordring. Men AI kan hjelpe teamene å kutte gjennom støyen raskere – raskere aggregat, mønsterdeteksjon og anomali-merking betyr mindre tid på manuell prosessering. Det betyr her fordi det gir teamene evnen til å identifisere hvis og hvor unødvendig datainnsamling faktisk påvirker prøven. Med sikre innsikter som ankommer tidligere, kan de gjøre justeringer, flagge problemet til forskningsteamet, eller bygge saken for en protokollendring for å strømlinje innsamlingen mens det ennå er tid til å handle.

Dette er et strukturelt problem som håndteres på to stadier: i design, for å fange og fjerne kompleksitet før det er låst inn, og i analyse, for å gi teamene hastigheten til å identifisere problemer og handle på dem mens prøven er i gang.

Hva er de største misforståelsene om å bruke AI i kliniske prøver, og hvordan addreser du dem med sponsorer og regulatorer?

Den største misforståelsen er nøling – antagelsen at sponsorer og regulatorer ville motstå AI i kliniske prøver. Dette er ikke reflektert i vår erfaring.

På den regulative siden, har våre tidlige samtaler vist at selv om regulatorer er passende forsiktige med å publisere retningslinjer, er personene i disse organisasjonene åpne for å diskutere AI i kliniske prøver. Det er en generell anerkjennelse av at AI kan forbedre produktivitet, effektivitet og kvalitet – og en bevissthet om hvor mye redundans som eksisterer i denne industrien.

På sponsor-siden, har vi hatt sponsorer som har spurt oss om AI før det ble introdusert i diskusjoner. De var aktivt på utkikk etter oss til å finne og implementere disse løsningene. Dette er drevet av to faktorer: først, sponsorer bruker allerede noen av disse verktøyene selv, så de forstår potensialet. Andre, de anerkjenner at AI-drevne effektiviteter kunne kutte prøvetid, redusere kostnader og forebygge problemer som ellers kunne ha blitt oversett. Vi har hørt fra flere sponsorer at det er intern trykk i deres organisasjoner for å demonstrere AI-bruk for effektivitet.

En beslektet bekymring er om AI og data som brukes til å trene modeller. Industrien er på vei her, og modelltilbydere er stadig mer åpne om hvordan deres bruksplaner fungerer. Vi er forsiktige med å sikre at AI-verktøyene vi bruker ikke matet data inn i foundation model-trening. Vi er like forsiktige med å trene våre egne modeller eller -metodologier – og hvor noen gjør dette, bør de være eksplisitte om det i arbeidsbeskrivelsen mellom kunde og leverandør. Tydelig dokumentasjon av data-bruken og modell-atferd er nødvendig.

Så misforståelsene er reelle, men de peker på en plikt til ansvar: være åpen om hvor AI brukes, hvordan data håndteres og hva sikkerhetstiltak er på plass. Den relevante spørsmålet for sponsorer er ikke om å bruke AI i prøver – det er om deres leverandør har tenkt gjennom disse problemene og er villig til å være åpen om det.

Hvordan balanserer du automatisering og menneskelig tilsyn for å sikre både hastighet og kvalitet i prøveutføring?

Vi er forsiktige med å bruke AI der det ikke er noen mulighet for menneskelig gjennomgang. Dette er reflektert i vår kvalitetsdokumentasjon og AI-politikk.

For å illustrere: det finnes leverandører som tilbyr chatboter som vurderer pasient-egnetilpasning gjennom samtale. Denne type automatisering trenger langt mer forsiktig vurdering enn de fleste applikasjoner. Best case, AI-feilaktig diskvalifiserer noen fra en prøve som kunne ha hjulpet dem. Verst case, det kvalifiserer dem, signaliserer til studieteamet at de har bestått skjerming og introduserer risiko inn i oppmåling som ikke burde ha vært der.

Menneskelig tilsyn hjelper ikke her – ved den tiden en menneskelig gjennomgang av utdata, har AI allerede handlet i en høyrisikoflyt. Sammenlign det med en casereport-feil: hvis datainnsamling går galt, kan du justere instrumentet eller kaste datoen. Men hvis AI forteller en pasient eller en forskningsstasjon å utføre en handling, er potensialet for irreversibel skade større – både i alvorlighet og sammenlignet med andre steder AI kan gå galt i en prøve.

Dette balansen er oppnåelig ved å fokusere på applikasjoner hvor menneskelig gjennomgang er integrert og risiko er håndterbare. AI er mest effektiv i arbeidsflyter hvor menneskelig gjennomgang er innbygget og feil er tilbakekallelige.

Hva er de mest effektive teknologiene eller designprinsippene for å redusere pasientbyrde og forbedre opphold?

Pasientbyrde og opphold kommer ned til små, bevisste skritt for å sikre en god opplevelse. Ingen enkelt intervensjon håndterer dette uavhengig.

To designprinsipper betyr mest.

Først, kvaliteten på pasient-orientert innhold og grensesnitt. Pasientinformasjonssiden, samtykkeformen, applikasjonen de bruker under prøven – alle disse former opplevelsen. Kopi bør være enkel og konsis. Grensesnitt bør være enkle: intuitiv navigasjon, minimalt friksjon, ingen begravde dokumenter. Pasient-advokatkonsultasjoner kan hjelpe med å finjustere disse materialene før de når deltakerne. God brukeropplevelsedesign betyr like mye her som andre steder, spesielt i kliniske prøver hvor du ikke håndterer millioner av brukere som vil til slutt tilpasse.

Andre, hvordan forskningsteam holder kontakten med pasienter. Dette betyr kommunikasjonsverktøy – påminnelser, invitasjoner, varslinger – og overvåkingsinfrastruktur som overflater pasientstatus, adhesjon og sikkerhetssignaler. Automatiserte overvåkningsskript hjelper her, flagging hva som trenger oppmerksomhet så team kan reagere raskt. Maskinlæring kan detektere mønster i adhesjonsdata – tidlige tegn på desengasjement før en pasient dropper ut – muliggjør proaktiv intervensjon i stedet for reaktiv oppfølging. Målet er riktig informasjon til riktig person på riktig tid, uten støy som utvanner hva som betyr noe.

Disse forbedringene avhenger ikke av ny teknologi, men de kommer heller ikke fra ferdige løsninger. Det krever oppmerksomhet: å forstå hvor pasienter treffes med friksjon og håndtere det bevisst. Hva moderne AI-verktøy tilbyr er en måte å gjøre dette raskere – finjustere kopi, gjennomgå tone, automatisere overvåkningsskript. Teknologien er moden. Forskjellen er om du løser for prøven eller løser for pasienten.

Hvordan samler Lindus Health inn og integrerer pasient-tilbakemelding i prøvedesign mens den holder prosessen lean og effektiv?

Personvern- og samarbeidskrav former hvordan pasient-tilbakemelding kan samles inn – tilnærmingen må fungere innenfor disse grensene. Grunnleggende overvåking fanger tjenestetilgjengelighet, deidentifisert bruksdata (enhetstype, applikasjonsatferd), og adhesjonsmønster – hvordan konsekvent deltakere fullfører planlagte vurderinger. Når denne datoen overflater friksjonspunkter, mates det inn i designbeslutninger for fremtidige prøver.

Den mer direkte integreringen kommer gjennom forskningspersonale. Koordinatorer oppmuntres til å engasjere seg med deltakere og samle signal rundt deres opplevelse, så mate det tilbake til det videre teamet. Dette forsterkes kulturelt – pasient-tilbakemelding publiseres i felleskanaler og omtales på selskapsmøter.

Det er også en strukturell fordel. I motsetning til den tradisjonelle modellen, hvor et nytt forskningsteam samles for hver studie, kjører Lindus prøver på samme teknologi med teammedlemmer som har arbeidet over flere studier. Denne kontinuiteten lar læring – både kodifisert og tilsiktet – flyte fra en prøve inn i designet av den neste. Når en koordinator møter friksjon i en studie, kan den innsikten informere hvordan den neste studien settes opp.

Pasient-advokatgrupper utvider dette videre, overflater perspektiver som ikke ville kommet gjennom interne kanaler – spesielt rundt hvordan studiematerialer og prosesser lander hos forskjellige pasientpopulasjoner.

Prosessen forblir lean fordi tilbakemelding flyter gjennom eksisterende strukturer i stedet for å kreve en separat apparat for hver studie.

Hva må endre seg bransjevidt for klinisk forskning å bli raskere og mer pålitelig?

Industrien har en strukturell trøggel som krever praktikere å operere annerledes og demonstrere alternative tilnærminger i praksis. Korporative innovasjonsprogrammer og direktivmandater har begrensede effekter på operasjonell endring – hva som trengs, er praktikere som faktisk gjør ting annerledes og beviser at det fungerer.

Statistisk programmering illustrerer mønsteret. Dette er kvalifisert arbeid – omforming klinisk data for biostatistisk analyse – utført av spesialister som har dypt domeneekspertise. Men det er kampen for å tiltrekke seg talent. Fagfolk med data-vitenskap eller ingeniør-bakgrunn velger sjelden dette, selv om ferdighetene overlapper betydelig. Arbeidet forblir avlukket, metodene uklare for utenforstående, og talentpipelinen begrenset.

AI kunde åpne dette opp – moderne verktøy kan håndtere mye av transformasjonsarbeidet, og dobbelt programmeringskrav (der to programmerere uavhengig produserer utdata) kan møtes med AI-menneske-par i stedet for menneske-menneske-par. Men teknologi alene løser ikke strukturelle problemer. Du trenger praktikere som er villige til å implementere det tankefullt og bevise at det møter regulatoriske standarder. Uten det, forblir evnen underutnyttet.

Den bredere læringen: raskere, mer pålitelige prøver krever mer enn nye verktøy. De krever å skape plass – i rekruttering, i regulatorisk tolkning, i organisasjonskultur – for mennesker som vil arbeide annerledes. Dette er hvordan tidsrammer kan reduseres i praksis.

Hvordan ser du forholdet mellom AI, data og prøvedesign utvikle seg over de neste fem årene?

Forholdet vil bli formet av en strukturell realitet: AI-effektiviteten er begrenset av kvaliteten på konteksten den mottar. Uten rik, nøyaktig kontekst – hvor data kom fra, hva transformasjonene det gjennomgikk, hva det faktisk betyr – selv sterke modeller produserer upålitelige utdata.

De fleste av kliniske prøveindustrien er fragmentert. CRO-er ser fragmenter av prøveløpet. Sponsorer arbeider med flere leverandører, hver med et stykke av bildet. Kontekst går tapt ved hver overføring. Når du ber en AI-system om å granske prøvedata i denne konteksten, arbeider det med ufullstendig informasjon – og ufullstendig informasjon produserer upålitelige utdata.

Organisasjonene som vil dra nytte av AI mest, er de med heldekkende sporbarhet. De kontrollerer datakjeden fra protokoll-design til datafangst til analyse. De infererer ikke kontekst – de genererer den. De designer skjemaene, definerer feltene, skriver dataordboken. Hver datapunkt har proveniens fordi organisasjonen skapte provenansen. Denne sporbarheten er ikke bare operasjonell effektivitet – det er hva muliggjør trygge beslutninger som påvirker pasienter.

Over de neste fem årene, vil denne strukturelle fordelen akkumuleres. Organisasjoner med heldekkende synlighet vil deployere AI mer effektivt – fra adaptive prøvedesign som reagerer på innkommende data, til protokoll-optimiering informert av historiske mønster – fange læring som forbedrer systemene, og øke gapet. De som arbeider med fragmentert data, vil finne AI lovet, men upålitelig: systemer som fungerer godt i kontrollerte miljøer, men ikke generaliserer pålitelig i produksjonsmiljøer.

Spørsmålet for industrien er ikke om AI vil bety noe. Det er om data-infrastrukturen eksisterer for å gjøre AI pålitelig. For de fleste av industrien, gjør den det ennå ikke. Det er arbeidet som ligger foran.

Takk for det flotte intervjuet, lesere som ønsker å lære mer om AI-nativ klinisk prøveutføring, heldekkende data-eierskap og raskere studielevering, bør besøke Lindus Health.