Intervjuer
Nijat Hasanli, produktsjef i Lindus Health – Intervjuserien

Viktige punkterLindus Healths AI-drevne forsøksoperativsystem multipliserer effektivitetsgevinster…
Vis mer
- Lindus Healths AI-drevne forsøksoperativsystem multipliserer effektivitetsgevinster over hele forsøksutførelsens omfang.
- Selskapet unngår bruk av AI i kliniske behandlingsarbeidsflyter for å eliminere direkte pasientsikkerhetsrisikoer.
- Strukturell fragmentering i tradisjonelle forsøg skaper unødvendig datainnsamling som AI kan hjelpe med å eliminere tidlig.
Nijat Hasanli, produktsjef i Lindus Health, har solid erfaring med å bygge opp og skalere produktfunksjoner i helseteknologiske og teknologidrevne organisasjoner. Han har ledet produktstrategi og gjennomføring i Lindus siden 2022, etter tidligere stillinger i OneCommerce og Downforce Technologies. Erfaringen omfatter flere produktmiljøer i Storbritannia, der han har knyttet produktutvikling til forretningsresultater, drevet innovasjon og omsatt kompleks teknologi til skalerbare, brukerorienterte løsninger i bransjer i rask endring.
Lindus Health er et KI-drevet selskap for kliniske studier som opererer som en «Accountable Research Organization», en forskningsorganisasjon med helhetlig ansvar. Modellen skal gi bioteknologi- og legemiddelselskaper større kontroll, høyere hastighet og mer pålitelig gjennomføring av kliniske studier. Selskapet erstatter tradisjonelle kontraktsforskningsmodeller med en fullt integrert plattform som setter teknologi først og håndterer alt fra studiedesign og pasientrekruttering til datainnsamling og gjennomføring i ett system. Studiene fullføres ofte betydelig raskere enn det som er vanlig i bransjen. Det egenutviklede, KI-native operativsystemet gir sanntidsinnsikt i studienes fremdrift, samordner insentiver gjennom milepælbasert prising og bruker store helsedatamengder til å forbedre rekruttering og resultater. Det overordnede målet er å få nye behandlinger raskere frem til pasientene.
Kan du fortelle om et avgjørende øyeblikk eller en tidlig utfordring som formet Lindus Healths oppdrag eller produktretning?
I kliniske studier forbindes innovasjon ofte med størrelse: store organisasjoner, betydelig kapital og etablert infrastruktur. Men et avgjørende øyeblikk tidlig i vår historie lærte oss det motsatte.
Da vi gjennomførte den første studien, holdt vi den bevisst enkel: noe vi visste at vi kunne gjennomføre trygt med teknologien vår. Begrensningen tvang oss til å forenkle studiedesignet og bruke systemer vi kontrollerte fullt ut. Dermed ble avhengigheter og ineffektivitet tydeligere. Store, svært komplekse programvaresystemer er ikke nødvendige for å fornye gjennomføringen av studier. Innovasjon avhenger av å ha ansvar for hele studien, fra start til slutt, med en sammenhengende datapipeline som binder alt sammen. Innsikten viser hvordan delene henger sammen og avdekker muligheter som er vanskelige å se i fragmenterte driftsmodeller.
Hvordan effektiviserer den KI-drevne plattformen deres kliniske studier sammenlignet med tradisjonelle modeller?
Vi beskriver ikke dette som en KI-drevet plattform. CitrusTM er et KI-nativt operativsystem for studier. Vi bruker KI på en distribuert måte: fremfor å satse stort på ett område bruker vi ingeniørteamet til å finne pålitelige, kontekstspesifikke bruksområder i systemene. Dette fungerer fordi vi har ansvar for gjennomføringen av hele studien. Når KI gjør protokollanalysen raskere, kommer effektiviseringen studiedesignet til gode. Når designarbeidet går raskere, overtar datateamet et ryddigere oppsett. Små forbedringer bygger på hverandre fordi hver fase gir mer strukturerte resultater og mindre omarbeiding senere.
To eksempler illustrerer dette. Vi bruker KI til å generere dataanalysekode og har tydelige mekanismer for å kontrollere resultatet før koden brukes til noe. Vi bruker også KI til å omforme protokolldokumenter til skjematiske oppsett for studiedesign. Det første omformingsleddet gir store effektivitetsgevinster, men løsningen gjennomgår fortsatt flere uker med kontroll og akseptansetesting.
Vi bruker ikke KI i arbeidsflyter for klinisk pasientbehandling. Vi føler ansvar for at bruken ikke medfører fare for skade på pasientene i studiene, fordi infrastrukturen for nødvendige sikkerhetsmekanismer fortsatt modnes. Dermed unngår vi regulerings- og sikkerhetsrisikoene knyttet til KI i klinisk behandling. Andre bruksområder møter samme grundige vurdering som annen KI i bransjen, men de gir i utgangspunktet god tid til menneskelig kontroll. Klinisk behandling har en annen risikoprofil: avgjørelser må tas der og da, og feil kan ramme pasientsikkerheten direkte.
Den viktigste virkningen er økt effektivitet for det kliniske forskningsteamet. Mye av effektiviseringen støtter teamet direkte, og gevinstene bygger på hverandre. Hver uke vi sparer i studiegjennomføringen, bringer oss en uke nærmere slutten av legemiddelutviklingssyklusen og kan redusere den samlede utviklingstiden. I tillegg til tidsgevinstene gjør KI mer enn å forutsi rekruttering: den overvåker innkommende data for avvik, sikkerhetssignaler og risikoindikatorer og gir studieteamet bedre oversikt for effektiv oppfølging av studiene.
I tradisjonelle modeller er KI vanligvis en punktløsning: ett verktøy til én funksjon, isolert fra resten av prosessen. Vår modell fra start til slutt lar effektivitetsgevinster forplante seg gjennom hele studien, der hver forbedring bygger på den forrige. Det er forskjellen mellom å optimalisere enkeltfunksjoner og å forbedre gjennomføringen av studien som helhet.
Tufts-studien fremhever at nesten en tredjedel av dataene i kliniske studier er unødvendige. Hvordan bruker Lindus Health KI til å identifisere og fjerne unødvendig datainnsamling?
Det Tufts-studien beskriver, har vi sett selv. Vår erfaring er at grunnårsaken er strukturell: når gjennomføringen deles mellom team, har hvert team insentiver til å sikre seg mot alle eventualiteter. Dette er en strukturell reaksjon på fragmentert ansvar. Fra leverandørkontrakter til datainnsamlingsverktøy legger hver overlevering til et nytt lag med forholdsregler.
Når arbeidet når frem til den som utformer pasientregistreringsskjemaene, er vedkommende ofte langt fra det opprinnelige forskningsspørsmålet. Forskeren spør kanskje: «Hvordan endret vekten seg gjennom tre måneder med denne behandlingen?» Den som utformer skjemaet, er opptatt av driftsforhold: vilkår for utbetaling til studiesentrene, avkryssinger for regelverksetterlevelse og krav til revisjonsspor. Begge perspektivene er gyldige og nødvendige. Problemet er at funksjonene mangler en felles kontekst. Det operative støtteapparatet vokser, og forskningsspørsmålet begraves.
Det finnes også et enklere nivå å ta tak i før tekniske løsninger. Forskningsteamene har allerede tilgang til KI-baserte samtaleverktøy og bruker dem stadig. Når de mottar dusinvis av protokolldokumenter og PDF-er hver uke, endrer muligheten til å legge dem inn i KI-assisterte verktøy og stille spørsmål hvordan de arbeider med materialet. Det holder dem nærmere forskningsspørsmålet i stedet for at de går seg vill i driftsdetaljer.
Først studiedesign. KI-verktøy i hele design- og byggeprosessen gjør det mulig å fange opp problemer før de låses inn i protokollen. Vi bruker KI til å lage forbedrede studieplaner og veilede designerne gjennom protokollen, med markering av unødvendig kompleksitet, dobbeltarbeid og feil. Designeren kan deretter ta en informert beslutning om å fjerne et datapunkt eller redusere innsamlingshyppigheten, med dokumentert begrunnelse.
Deretter dataanalyse. Når studien er i gang, er det en annen utfordring å endre hva man planla å samle inn. KI kan likevel skille det viktige fra støyen raskere: raskere sammenstilling, mønstergjenkjenning og markering av avvik gir mindre manuelt arbeid. Det gjør teamene i stand til å se om og hvor unødvendig innsamling faktisk påvirker studien. Med sikre innsikter tidligere kan de justere, varsle forskningsteamet eller begrunne en protokollendring som forenkler innsamlingen mens det fortsatt er tid til å handle.
Det strukturelle problemet håndteres altså i to faser: i designfasen fjernes kompleksitet før den låses fast, og i analysefasen får teamene fart til å finne problemer og reagere mens studien pågår.
Hva er de største misforståelsene om KI i kliniske studier, og hvordan håndterer dere dem overfor sponsorer og tilsynsmyndigheter?
Den største misforståelsen gjelder nøling: antakelsen om at sponsorer og tilsynsmyndigheter ville motsette seg KI i kliniske studier. Vår erfaring støtter ikke dette.
Tidlige samtaler har vist at selv om tilsynsmyndighetene med rette er forsiktige med å publisere veiledning, er menneskene i disse organisasjonene åpne for å diskutere KI i kliniske studier. Det er en generell erkjennelse av at KI kan forbedre produktivitet, effektivitet og kvalitet, og av hvor mye dobbeltarbeid bransjen har.
Sponsorer har spurt oss om KI før vi tok det opp. De ønsket aktivt at vi skulle finne og innføre disse løsningene. To forhold driver dette: De bruker allerede enkelte verktøy selv og forstår potensialet. Dessuten ser de at KI-basert effektivisering kan forkorte studier, redusere kostnader og forebygge problemer som ellers kunne blitt oversett. Flere har fortalt om internt press for å vise til KI-bruk for effektivisering.
En beslektet bekymring gjelder bruk av data til modelltrening. Bransjen utvikler seg på dette området, og modellleverandørene blir tydeligere om hvordan bruksplanene fungerer. Vi passer nøye på at KI-verktøyene vi bruker, ikke sender data til trening av grunnmodeller. Vi er like nøye ved trening av egne modeller eller metoder. Alle som gjør dette, bør beskrive det uttrykkelig i arbeidsbeskrivelsen mellom kunde og leverandør. Databruk og modellatferd må dokumenteres tydelig.
Misforståelsene finnes, men de understreker et ansvar: Vær tydelig om hvor KI brukes, hvordan data håndteres, og hvilke sikkerhetstiltak som finnes. Spørsmålet for sponsorer er ikke om KI bør brukes, men om leverandøren har tenkt gjennom disse forholdene og er villig til å være åpen.
Hvordan balanserer dere automatisering og menneskelig tilsyn for å sikre både hastighet og kvalitet i gjennomføringen?
Vi er forsiktige med å bruke KI der menneskelig kontroll ikke er mulig. Det gjenspeiles i kvalitetsdokumentasjonen og KI-retningslinjene våre.
Noen leverandører tilbyr for eksempel samtaleroboter som vurderer om pasienter er egnet for en studie. Denne automatiseringen krever langt grundigere vurdering enn de fleste bruksområder. I beste fall utelukker KI feilaktig noen fra en studie som kunne hjulpet dem. I verste fall godkjenner den personen, gir studieteamet beskjed om at screeningen er bestått og innfører en risiko i rekrutteringen som ikke skulle vært der.
Menneskelig tilsyn hjelper ikke her: Når et menneske kontrollerer resultatet, har KI allerede handlet i en arbeidsflyt med store konsekvenser. Sammenlign med en feil i et pasientregistreringsskjema. Hvis innsamlingen går galt, kan skjemaet justeres eller dataene forkastes. Men hvis KI ber en pasient eller et studiesenter om å handle, er faren for irreversibel skade større, både i alvorlighetsgrad og sammenlignet med andre steder KI kan feile i en studie.
Balansen kan oppnås ved å velge bruksområder med integrert menneskelig kontroll og håndterbar risiko. KI virker best i arbeidsflyter der menneskelig kontroll er innebygd og feil kan rettes opp.
Hvilke teknologier eller designprinsipper reduserer pasientbelastningen mest effektivt og gjør at flere fortsetter i studien?
Lavere pasientbelastning og fortsatt deltakelse handler om små, bevisste skritt som sikrer en god opplevelse. Ingen enkelttiltak løser dette alene.
To designprinsipper betyr mest.
Først kvaliteten på innhold og grensesnitt for pasientene. Informasjonsskrivet, samtykkeskjemaet og appen de bruker, former opplevelsen. Teksten må være enkel og kortfattet. Grensesnitt bør ha intuitiv navigasjon, minst mulig friksjon og ingen bortgjemte dokumenter. Samråd med pasientrepresentanter kan forbedre materialet før deltakerne mottar det. God brukeropplevelse er like viktig her som ellers, særlig i kliniske studier, der man ikke har millioner av brukere som til slutt vil tilpasse seg.
Deretter hvordan forskningsteamene holder kontakt med pasientene. Det krever kommunikasjon som påminnelser, invitasjoner og varsler, og infrastruktur som synliggjør pasientstatus, etterlevelse og sikkerhetssignaler. Automatiske overvåkingsskript markerer det som krever oppmerksomhet, slik at teamene kan reagere raskt. Maskinlæring kan oppdage mønstre i etterlevelsesdata, som tidlige tegn på sviktende engasjement før noen trekker seg. Det åpner for forebyggende tiltak fremfor reaktiv oppfølging. Målet er riktig informasjon til riktige mennesker til riktig tid, uten støy som svekker det viktige.
Dette krever ikke ny teknologi, men kommer heller ikke fra ferdige løsninger: Det finnes ikke et produkt man bare kan sette inn i studien og forvente at virker. Man må forstå hvor pasientene møter hindringer, og håndtere dem bevisst. Moderne KI-verktøy gjør arbeidet raskere, fra forbedring av tekst og vurdering av tone til automatisering av overvåkingsskript. Teknologien er moden. Forskjellen er om man løser problemer for studien eller for pasienten.
Hvordan samler Lindus Health inn og bruker pasienttilbakemeldinger i studiedesignet, samtidig som prosessen holdes enkel og effektiv?
Personvern og krav til regelverksetterlevelse setter grenser for innsamlingen av pasienttilbakemeldinger. Grunnleggende overvåking registrerer tjenestens oppetid, avidentifiserte bruksdata som enhetstype og appatferd, og hvor regelmessig deltakerne fullfører planlagte vurderinger. Når dataene avdekker friksjon, påvirker dette designet av fremtidige studier.
Den mer direkte integreringen skjer gjennom forskningspersonalet. Koordinatorene oppfordres til å snakke med deltakerne, samle signaler om opplevelsen og føre dem tilbake til resten av teamet. Kulturen støtter dette: Pasienttilbakemeldinger publiseres i felles kanaler og løftes frem på allmøter.
Vi har også en strukturell fordel. I den tradisjonelle modellen samles et nytt forskningsteam for hver studie. Lindus bruker samme teknologi og teammedlemmer med erfaring fra flere studier. Kontinuiteten lar både dokumentert og taus kunnskap flyte videre til neste studiedesign. En koordinators erfaring med friksjon i én studie kan påvirke oppsettet av den neste.
Pasientorganisasjoner utvider perspektivet med synspunkter som ikke kommer gjennom interne kanaler, særlig om hvordan ulike pasientgrupper opplever studiematerialer og prosesser.
Prosessen forblir enkel fordi tilbakemeldingene følger eksisterende strukturer fremfor å kreve et separat apparat for hver studie.
Hva må endres i hele bransjen for at klinisk forskning skal bli raskere og mer pålitelig?
Bransjen har en strukturell treghet som krever at fagfolk arbeider annerledes og viser alternative tilnærminger i praksis. Innovasjonsprogrammer og ledelsesdirektiver påvirker driftsendringer i begrenset grad. Vi trenger fagfolk som faktisk gjør ting annerledes og viser at det virker.
Statistisk programmering viser mønsteret. Omforming av kliniske data for biostatistisk analyse er kvalifisert arbeid utført av spesialister med dyp fagkunnskap. Men feltet sliter med å tiltrekke seg talent. Personer med bakgrunn i datavitenskap eller ingeniørfag velger det sjelden, selv om ferdighetene overlapper mye. Arbeidet forblir isolert, metodene uoversiktlige for utenforstående og tilgangen på nye fagfolk begrenset.
KI kan åpne opp feltet. Moderne verktøy kan gjøre mye av omformingen, og krav om dobbeltprogrammering, der to programmerere lager resultater uavhengig, kan oppfylles av KI–menneske-par fremfor to mennesker. Men teknologi alene løser ikke strukturproblemene. Fagfolk må være villige til å innføre den gjennomtenkt og vise at den oppfyller regelverkskravene. Ellers blir mulighetene underutnyttet.
Lærdommen er at raskere og mer pålitelige studier krever mer enn nye verktøy. Det må skapes rom i ansettelser, regelverkstolkning og organisasjonskultur for mennesker som arbeider annerledes. Slik kan tidsbruken reduseres i praksis.
Hvordan vil forholdet mellom KI, data og studiedesign utvikle seg de neste fem årene?
Forholdet formes av en strukturell realitet: KIs effektivitet begrenses av kvaliteten på konteksten den får. Uten rik og nøyaktig informasjon om hvor data kommer fra, hvilke omforminger de har gjennomgått og hva de betyr, vil selv sterke modeller gi upålitelige resultater.
Det meste av bransjen er fragmentert. Kontraktsforskningsorganisasjoner, CRO-er, ser bare deler av studiens livsløp. Sponsorer bruker flere leverandører som hver har sin del av bildet. Kontekst går tapt i hver overlevering. Når KI skal resonnere om studiedata i dette miljøet, arbeider den med ufullstendig informasjon, og ufullstendig informasjon gir upålitelige resultater.
De som vil få mest ut av KI, har sporbarhet fra start til slutt. De kontrollerer datakjeden fra protokolldesign til innsamling og analyse. De utleder ikke konteksten, men skaper den: De utformer skjemaer, definerer felter og skriver dataordboken. Hvert datapunkt har kjent opphav fordi organisasjonen har skapt dette opphavssporet. Sporbarheten er ikke bare driftseffektivitet; den muliggjør sikre beslutninger som påvirker pasientene.
De neste fem årene vil denne strukturelle fordelen bygge seg opp. Organisasjoner med oversikt over hele kjeden vil bruke KI mer effektivt, fra tilpassbare studiedesign som reagerer på nye data, til protokollforbedringer basert på historiske mønstre. De vil ta vare på læring som forbedrer systemene, og øke forspranget. De som arbeider med fragmenterte data, vil finne KI lovende, men upålitelig: Systemer virker godt under kontrollerte forhold, men generaliserer ikke pålitelig i produksjonsmiljøer.
Spørsmålet er ikke om KI får betydning, men om datainfrastrukturen som gjør den pålitelig, finnes. For det meste av bransjen gjør den ennå ikke det. Det er arbeidet som ligger foran oss.
Takk for et flott intervju. Lesere som vil vite mer om KI-nativ gjennomføring av kliniske studier, eierskap til data fra start til slutt og raskere studiegjennomføring, bør besøke Lindus Health.












