Wywiady

Nijat Hasanli, szef działu produktów w Lindus Health – Cykl wywiadów

Antoine Tardif
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyNatywny dla sztucznej inteligencji system operacyjny badań Lindus Health kumuluje…
Zobacz więcej
  • Natywny dla sztucznej inteligencji system operacyjny badań Lindus Health kumuluje wzrosty efektywności w całym zakresie realizacji badań.
  • Firma unika stosowania sztucznej inteligencji w procesach opieki klinicznej, aby wyeliminować bezpośrednie ryzyko dla bezpieczeństwa pacjentów.
  • Strukturalne rozdrobnienie w tradycyjnych badaniach generuje zbędny zbiór danych, który sztuczna inteligencja może pomóc wcześnie wyeliminować.

Nijat Hasanli, szef działu produktów w Lindus Health, ma za sobą udokumentowaną historię budowania i skalowania funkcji produktowych w organizacjach z branży healthtech i technologicznej. Od 2022 roku kieruje strategią produktową i jej realizacją w Lindus, po wcześniejszych doświadczeniach w OneCommerce i Downforce Technologies. Jego doświadczenie obejmuje wiele środowisk produktowych w Wielkiej Brytanii, gdzie był odpowiedzialny za dopasowanie rozwoju produktu do wyników biznesowych, napędzanie innowacji oraz tłumaczenie złożonych możliwości technicznych na skalowalne, ukierunkowane na użytkownika rozwiązania w szybko zmieniających się branżach.

Lindus Health to firma prowadząca badania kliniczne, wykorzystująca sztuczną inteligencję, działająca jako „Organizacja odpowiedzialna za badania”, zaprojektowana w celu zapewnienia firmom biotechnologicznym i farmaceutycznym większej kontroli, szybkości i niezawodności w prowadzeniu badań klinicznych. Firma zastępuje tradycyjne modele badań kontraktowych w pełni zintegrowaną, opartą na technologii platformą, która zarządza wszystkim, od projektowania badań i rekrutacji pacjentów po przechwytywanie danych i wykonanie w ramach jednego systemu, często kończąc badania znacznie szybciej niż normy branżowe. Ich własny system operacyjny zaprojektowany od podstaw z myślą o sztucznej inteligencji zapewnia bieżący wgląd w przebieg badań, dopasowuje zachęty za pomocą cen opartych na kamieniach milowych i wykorzystuje duże ilości danych zdrowotnych, aby poprawić zapisy i wyniki, z szerszym celem przyspieszenia dostarczania nowych terapii pacjentom.

Czy mógłbyś podzielić się przełomowym momentem lub wczesnym wyzwaniem, które pomogło ukształtować misję Lindus Health lub kierunek produktu?

W badaniach klinicznych innowacje są często kojarzone ze skalą: duże organizacje, znaczne kapitały i ugruntowana infrastruktura. Ale przełomowy moment z początków działalności nauczył nas czegoś przeciwnego.

Prowadząc pierwsze badanie, celowo zachowaliśmy prostotę: wybraliśmy coś, co mogliśmy bezpiecznie zrealizować przy użyciu naszej technologii. To ograniczenie wymusiło uproszczenie projektu i oparcie się na w pełni kontrolowanych systemach, dzięki czemu wyraźniej zobaczyliśmy zależności i nieefektywności. Innowacje w realizacji badań nie wymagają wielkich, bardzo złożonych stosów oprogramowania. Wymagają odpowiedzialności za całe badanie od początku do końca i spójnego potoku danych łączącego wszystkie części. Taki wgląd pokazuje zależności i ujawnia możliwości trudne do dostrzeżenia w rozdrobnionych modelach operacyjnych.

Jak twoja platforma oparta na sztucznej inteligencji upraszcza proces badań klinicznych w porównaniu z tradycyjnymi modelami?

Nie przedstawiamy tego jako platformy opartej na sztucznej inteligencji. CitrusTM to system operacyjny badań zaprojektowany od podstaw z myślą o AI. Podchodzimy do aplikacji sztucznej inteligencji w sposób rozproszony – zamiast mocno stawiać na sztuczną inteligencję w jednej dziedzinie, korzystamy z naszego zespołu inżynierów, aby znaleźć niezawodne, kontekstowe aplikacje w całym systemie. Jest to możliwe, ponieważ odpowiadamy za cały zakres realizacji badań. Gdy sztuczna inteligencja przyspiesza analizę protokołu, ta wydajność wpływa na projekt badania. Gdy projekt badania jest szybszy, zespół danych dziedziczy bardziej uporządkowaną konfigurację. Te stopniowe ulepszenia kumulują się, ponieważ każdy etap produkuje bardziej ustrukturyzowane dane wyjściowe i ogranicza poprawki na późniejszych etapach.

Pokazują to dwa przykłady. Generujemy kod do analizy danych za pomocą AI i mamy jasne mechanizmy jego sprawdzania, zanim zostanie do czegokolwiek zastosowany. AI przekształca też dokumenty protokołu w nasze schematy projektu badania. Pierwsza transformacja znacznie zwiększa efektywność, ale gotowe rozwiązanie nadal przechodzi wielotygodniowe przeglądy i testy akceptacyjne.

Nie stosujemy sztucznej inteligencji w procesach opieki klinicznej. Czujemy odpowiedzialność za zapewnienie, że nasze aplikacje nie stanowią ryzyka szkody dla pacjentów w naszych badaniach, ponieważ infrastruktura wymagana do obsługi odpowiednich barier bezpieczeństwa jest jeszcze w fazie dojrzewania. Unikamy ryzyka regulacyjnego i bezpieczeństwa związanego ze sztuczną inteligencją w procesach opieki klinicznej. Nasze inne aplikacje nadal podlegają tej samej kontroli, co każda sztuczna inteligencja w tej branży – ale fundamentalnie oferują one wystarczająco dużo czasu na przegląd przez człowieka. Opieka kliniczna to inny profil ryzyka: decyzje podejmowane w czasie rzeczywistym, gdzie błędy mogą bezpośrednio wpływać na bezpieczeństwo pacjentów.

Główny efekt dotyczy sprawności zespołu badań klinicznych. Większość usprawnień służy mu bezpośrednio, a korzyści się kumulują. Każdy tydzień oszczędzony na realizacji badania przybliża o tydzień zakończenie cyklu rozwoju leku, co może skrócić cały proces. Oprócz oszczędności czasu nasze zastosowania AI robią więcej niż prognozowanie rekrutacji: monitorują napływające dane pod kątem anomalii, sygnałów bezpieczeństwa i wskaźników ryzyka, dając zespołowi lepszy wgląd do skutecznego nadzorowania badań.

W tradycyjnych modelach sztuczna inteligencja jest zwykle stosowana jako rozwiązanie punktowe – jedno narzędzie dla jednej funkcji, odizolowane od reszty procesu. Nasz model end-to-end pozwala na korzyści wydajności, które płyną przez całe badanie, z każdą poprawą budującą się na poprzedniej. Odzwierciedla to różnicę między optymalizacją poszczególnych funkcji a poprawą wydajności w całym zakresie wykonania badania.

Badanie Tufts podkreśla, że prawie jedna trzecia danych z badań klinicznych jest nieistotna. Jak Lindus Health wykorzystuje sztuczną inteligencję do identyfikacji i eliminacji niepotrzebnego zbierania danych?

To, co opisuje badanie Tufts, to coś, co widzieliśmy na własne oczy. W naszym doświadczeniu przyczyną jest struktura: gdy dostarczanie badań jest fragmentowane wśród zespołów, każdy zespół jest zachęcany do zabezpieczenia się przed wszystkimi ewentualnościami. To zachowanie jest strukturalną odpowiedzią na fragmentaryczną odpowiedzialność. Od umów z dostawcami po narzędzia zbierania danych — każde przekazanie zadania dodaje kolejną warstwę ostrożności.

Gdy praca trafia do osoby projektującej karty obserwacji klinicznej, jest ona często daleko od pierwotnego pytania badawczego. Badacz może pytać: „Jak zmieniła się masa ciała przez trzy miesiące tego leczenia?”. Projektant narzędzia skupia się jednak na kwestiach operacyjnych: warunkach płatności dla ośrodków, polach potwierdzających zgodność i wymogach ścieżki audytu. Obie perspektywy są zasadne i niezbędne. Problemem jest brak wspólnego kontekstu między funkcjami. Zaplecze operacyjne rośnie, a pytanie badawcze zostaje pod nim pogrzebane.

Jest również prostsza warstwa do rozwiązania przed rozwiązaniami technicznymi. Nasze zespoły badawcze mają już dostęp do narzędzi czatu sztucznej inteligencji i używają ich ciągle. Gdy zespoły otrzymują dziesiątki dokumentów protokołu i plików PDF co tydzień, możliwość wprowadzania ich do narzędzi wspomaganych sztuczną inteligencją i zadawania pytań zmienia sposób, w jaki angażują się w ten materiał. Pomaga to zespołom pozostać bliżej pytania badawczego, zamiast zgubić się w szczegółach operacyjnych.

Po pierwsze, projekt badania. Posiadanie narzędzi sztucznej inteligencji wbudowanych w proces projektowania i budowy otwiera możliwości do przechwycenia tych problemów wcześnie – zanim staną się zablokowane w protokole. Korzystamy ze sztucznej inteligencji do generowania ulepszonych harmonogramów badań i prowadzenia projektantów przez protokół, flagując, gdzie plan badawczy staje się zbyt skomplikowany, gdzie jest powtarzalność lub gdzie wkradły się błędy. Od tego momentu projektant może podjąć świadomą decyzję o usunięciu punktu danych lub zmniejszeniu częstotliwości zbierania – z udokumentowanym powodem.

Po drugie, analiza danych. Gdy badanie już trwa, zmiana planowanego zakresu zbierania jest innym wyzwaniem. AI może jednak szybciej oddzielić istotne informacje od szumu: agregacja, wykrywanie wzorców i oznaczanie anomalii ograniczają pracę ręczną. Zespoły mogą sprawniej określić, czy i gdzie niepotrzebne zbieranie danych rzeczywiście wpływa na badanie. Wcześniejsze wiarygodne wnioski pozwalają wprowadzić korekty, zgłosić problem zespołowi lub uzasadnić zmianę protokołu usprawniającą zbieranie, gdy wciąż jest czas na działanie.

Problem strukturalny jest więc rozwiązywany na dwóch etapach: w projekcie wykrywa się i usuwa złożoność, zanim zostanie utrwalona, a w analizie daje zespołom szybkość identyfikacji problemów i reagowania podczas trwania badania.

Jakie są największe mity dotyczące korzystania ze sztucznej inteligencji w badaniach klinicznych, i jak je rozwiązujesz ze sponsorami i regulatorami?

Największym mitem jest wahanie się – założenie, że sponsorzy i regulatorzy będą oporni na sztuczną inteligencję w badaniach klinicznych. To nie jest odzwierciedlone w naszym doświadczeniu.

W kwestiach regulacyjnych nasze wczesne rozmowy wykazały, że chociaż regulatorzy są odpowiednio ostrożni, co do publikowania wytycznych, osoby w tych organizacjach są otwarte na dyskusje o sztucznej inteligencji w badaniach klinicznych. Jest powszechne uznanie, że sztuczna inteligencja może poprawić produktywność, wydajność i jakość – oraz świadomość, jak wiele redundancji istnieje w tej branży.

Na stronie sponsorów mieliśmy sponsorów, którzy pytali nas o sztuczną inteligencję, zanim została wprowadzona w dyskusje. Aktywnie szukali rozwiązań i wdrożeń. To jest napędzane przez dwa czynniki: po pierwsze, sponsorzy już korzystają z niektórych z tych narzędzi, więc rozumieją potencjał. Po drugie, rozpoznają, że wydajności sztucznej inteligencji mogą skrócić czas trwania badań, zmniejszyć koszty i zapobiec problemom, które mogłyby pozostać niezauważone. Usłyszeliśmy od kilku sponsorów, że jest wewnętrzna presja, aby wykazać wykorzystanie sztucznej inteligencji w celu poprawy efektywności.

Powiązana obawa dotyczy sztucznej inteligencji i danych wykorzystywanych do szkolenia modeli. Branża idzie w tym kierunku, a dostawcy modeli są coraz bardziej klarowni, co do ich planów wykorzystania. Jesteśmy ostrożni, aby upewnić się, że narzędzia sztucznej inteligencji, które wykorzystujemy, nie przekazują danych do trenowania modeli bazowych. Jesteśmy równie ostrożni, co do szkolenia własnych modeli lub metodologii — jeśli ktoś to robi, powinien wyraźnie zaznaczyć to w opisie zakresu prac między klientem a dostawcą. Wymagana jest jasna dokumentacja wykorzystania danych i zachowania modelu.

Więc mity są prawdziwe, ale wskazują na obowiązek odpowiedzialności: być klarownym, gdzie sztuczna inteligencja jest wykorzystywana, jak dane są obsługiwane i jakie są zabezpieczenia. Istotne pytanie dla sponsorów nie brzmi, czy wykorzystywać sztuczną inteligencję w badaniach – to, czy ich dostawca przemyślał te kwestie i jest skłonny być przejrzysty w tym zakresie.

Jak balansujesz automatyzację i nadzór ludzki, aby zapewnić zarówno szybkość, jak i jakość w wykonaniu badań?

Jesteśmy ostrożni, co do korzystania ze sztucznej inteligencji tam, gdzie nie ma możliwości kontroli przez człowieka. To jest odzwierciedlone w naszej dokumentacji jakości i polityce sztucznej inteligencji.

Aby zilustrować: są dostawcy oferujący czatboty, które oceniają kwalifikowalność pacjentów przez rozmowę. Tego rodzaju automatyzacja wymaga znacznie bardziej starannej uwagi niż większość aplikacji. W najlepszym przypadku sztuczna inteligencja niesłusznie dyskwalifikuje kogoś z badania, które mogłoby tej osobie pomóc. W najgorszym przypadku kwalifikuje tę osobę i informuje zespół, że przeszła badanie przesiewowe, i wprowadza ryzyko do rekrutacji, które nie powinno tam być.

Nadzór ludzki tutaj nie pomaga: zanim człowiek sprawdzi wynik, AI zdążyła już zadziałać w procesie o poważnych konsekwencjach. Porównajmy to z błędem w karcie obserwacji klinicznej. Jeśli zbieranie danych zawiedzie, można poprawić narzędzie lub odrzucić dane. Jeśli jednak AI poleci pacjentowi lub ośrodkowi badawczemu podjęcie działania, ryzyko nieodwracalnej szkody jest większe — zarówno pod względem dotkliwości, jak i w porównaniu z innymi miejscami, w których AI może zawieść w badaniu.

Tę równowagę można osiągnąć, skupiając się na zastosowaniach z wbudowaną kontrolą przez człowieka i ryzykiem, którym można zarządzać. Sztuczna inteligencja jest najbardziej skuteczna w procesach, w których przegląd przez człowieka jest wbudowany, a błędy są odwracalne.

Jakie technologie lub zasady projektowe są najbardziej skuteczne w redukowaniu obciążenia pacjenta i poprawie retencji?

Obciążenie pacjenta i retencja sprowadzają się do małych, celowych kroków, aby zapewnić dobre doświadczenie. Żadne pojedyncze interwencje nie rozwiązują tego problemu niezależnie.

Dwie zasady projektowe mają największe znaczenie.

Po pierwsze, jakość treści i interfejsów pacjentów. Arkusz informacyjny pacjenta, formularz zgody, aplikacja, której używają podczas badania – wszystko to kształtuje doświadczenie. Teksty powinny być proste i zwięzłe. Interfejsy powinny być proste: intuicyjna nawigacja, minimum utrudnień, żadnych ukrytych dokumentów. Konsultacje z przedstawicielami interesów pacjentów mogą pomóc w udoskonaleniu tych materiałów, zanim trafią do uczestników. Dobre projektowanie doświadczeń użytkownika ma znaczenie tutaj, tak jak w każdym innym miejscu, szczególnie w badaniach klinicznych, gdzie nie mamy do czynienia z milionami użytkowników, którzy ostatecznie się dostosują.

Po drugie, kontakt zespołów badawczych z pacjentami. Potrzebne są narzędzia komunikacji — przypomnienia, zaproszenia i powiadomienia — oraz infrastruktura monitorowania pokazująca stan pacjenta, przestrzeganie zaleceń i sygnały bezpieczeństwa. Automatyczne skrypty wskazują sprawy wymagające uwagi, aby zespoły mogły szybko reagować. Uczenie maszynowe rozpoznaje wzorce w danych o przestrzeganiu zaleceń, na przykład wczesne oznaki słabnącego zaangażowania przed rezygnacją pacjenta. Pozwala to interweniować z wyprzedzeniem, a nie dopiero po fakcie. Celem jest właściwa informacja dla właściwych osób we właściwym czasie, bez szumu osłabiającego znaczenie tego, co ważne.

Te ulepszenia nie polegają na nowej technologii, ale nie pochodzą również z gotowych rozwiązań: nie istnieje produkt, który wystarczy dodać do badania i oczekiwać, że zadziała. Wymagają uwagi: zrozumienia, gdzie pacjenci napotykają na tarcie, i celowego rozwiązania tego problemu. To, co nowoczesne narzędzia sztucznej inteligencji oferują, to sposób, aby to zrobić szybciej – udoskonalenie tekstów, przegląd tonu, automatyzacja skryptów monitorowania. Technologia jest dojrzała. Różnica polega na tym, czy rozwiązujesz problem badania, czy rozwiązujesz problem pacjenta.

Jak Lindus Health gromadzi i integruje opinie pacjentów w projekcie badania, jednocześnie utrzymując proces prosty i efektywny?

Wymogi prywatności i zgodności wyznaczają granice zbierania opinii pacjentów. Podstawowy monitoring rejestruje czas dostępności usługi, dane użytkowania pozbawione identyfikatorów, takie jak typ urządzenia i zachowanie aplikacji, oraz wzorce regularności wykonywania zaplanowanych ocen przez uczestników. Ujawnione w ten sposób utrudnienia wpływają na projektowanie przyszłych badań.

Bardziej bezpośrednia integracja pochodzi od personelu badawczego. Koordynatorzy są zachęcani do angażowania się z uczestnikami i zbierania sygnałów wokół ich doświadczeń, a następnie kierowania ich do szerszego zespołu. To jest wzmocnione kulturowo – opinie pacjentów na temat doświadczeń są publikowane w udostępnionych kanałach i wyróżniane na spotkaniach całej firmy.

Istnieje również strukturalna korzyść. W przeciwieństwie do tradycyjnego modelu, w którym nowy zespół badawczy jest tworzony dla każdego badania, Lindus prowadzi badania na tej samej technologii z członkami zespołu, którzy pracowali w wielu badaniach. Ta ciągłość pozwala na przepływ wiedzy – zarówno udokumentowanej, jak i cichej – z jednego badania do projektu następnego. Gdy koordynator napotyka na tarcie w jednym badaniu, ten wniosek może wpłynąć na sposób przygotowania następnego badania.

Grupy rzeczników pacjentów rozszerzają to dalej, ujawniając perspektywy, które nie pochodzą z kanałów wewnętrznych – szczególnie wokół tego, jak materiały badawcze i procesy wpływają na różne populacje pacjentów.

Proces pozostaje prosty, ponieważ opinie przepływają przez istniejące struktury, zamiast wymagać odrębnego aparatu dla każdego badania.

Co musi się zmienić w branży, aby badania kliniczne stały się szybsze i bardziej niezawodne?

Branża ma strukturalną bezwładność, która wymaga, aby praktycy działali inaczej i demonstrowali alternatywne podejścia w praktyce. Programy innowacji korporacyjnych i dyrektywy kierownictwa mają ograniczony wpływ na zmiany operacyjne – co jest potrzebne, to praktycy, którzy będą działać inaczej i udowodnią, że to działa.

Programowanie statystyczne pokazuje ten wzorzec. Przekształcanie danych klinicznych na potrzeby analizy biostatystycznej jest specjalistyczną pracą wymagającą głębokiej wiedzy dziedzinowej. Trudno jednak przyciągnąć do niej specjalistów. Osoby z wykształceniem w zakresie nauki o danych lub inżynierii rzadko wybierają tę ścieżkę, choć umiejętności mocno się pokrywają. Praca pozostaje odizolowana, metody nieprzejrzyste dla osób z zewnątrz, a napływ nowych kadr ograniczony.

Sztuczna inteligencja mogłaby to otworzyć – nowoczesne narzędzia mogą obsłużyć wiele pracy transformacyjnej, a wymóg podwójnego programowania, w którym dwóch programistów niezależnie przygotowuje wyniki, można spełnić przez pary człowiek–AI zamiast par złożonych z dwóch ludzi. Ale technologia sama w sobie nie rozwiązuje problemów strukturalnych. Potrzebni są praktycy, którzy będą wdrażać ją w sposób przemyślany i udowadniać, że spełnia normy regulacyjne. Bez tego możliwości pozostają niedostatecznie wykorzystane.

Szersza lekcja brzmi: szybsze, bardziej niezawodne badania wymagają więcej niż nowych narzędzi. Wymagają tworzenia przestrzeni – w rekrutacji, w interpretacji regulacyjnej, w kulturze organizacyjnej – dla ludzi, którzy będą działać inaczej. To jest sposób, w jaki można skrócić terminy w praktyce.

Jak widzisz ewolucję relacji między sztuczną inteligencją, danymi a projektem badania w ciągu najbliższych pięciu lat?

Relacja będzie kształtowana przez strukturalną rzeczywistość: skuteczność sztucznej inteligencji jest ograniczona przez jakość kontekstu, który otrzymuje. Bez bogatego, dokładnego kontekstu – skąd pochodzą dane, jakie transformacje przeszły, co one naprawdę oznaczają – nawet silne modele produkują niewiarygodne wyniki.

Większość branży badań klinicznych jest fragmentaryzowana. CRO widzi fragmenty cyklu życia badania. Sponsorzy pracują z wieloma dostawcami, każdy z nich trzyma część obrazu. Kontekst jest tracony na każdym przekazie. Gdy prosisz system sztucznej inteligencji, aby wyciągnął wnioski z danych badawczych w tym środowisku, pracuje on z niepełnymi informacjami – i niepełne informacje produkują niewiarygodne wyniki.

Najwięcej zyskają organizacje dysponujące identyfikowalnością całego łańcucha danych od początku do końca. Kontrolują go od projektu protokołu przez zbieranie danych po analizę. Nie wnioskują o kontekście, lecz same go tworzą: projektują formularze, definiują pola i piszą słownik danych. Każdy punkt danych ma udokumentowane pochodzenie, bo organizacja sama stworzyła ten łańcuch pochodzenia. Nie chodzi tylko o sprawność operacyjną, ale o możliwość podejmowania wiarygodnych decyzji wpływających na pacjentów.

W ciągu najbliższych pięciu lat ta strukturalna korzyść będzie kumulować się. Organizacje z widocznością od początku do końca będą wdrażać sztuczną inteligencję bardziej skutecznie – od adaptacyjnych projektów badań, które reagują na dane wejściowe, po optymalizację protokołu opartą na historycznych wzorcach – przechwytując wiedzę, która poprawia ich systemy i zwiększa lukę. Ci, którzy pracują z fragmentaryzowanymi danymi, znajdą sztuczną inteligencję obiecującą, ale niewiarygodną: systemy, które działają dobrze w kontrolowanych środowiskach, ale nie uogólniają wiarygodnie w środowiskach produkcyjnych.

Pytanie dla branży nie brzmi, czy sztuczna inteligencja będzie miała znaczenie. To, czy infrastruktura danych istnieje, aby uczynić sztuczną inteligencję godną zaufania. Dla większości branży nie ma tego jeszcze. To jest praca, która jest przed nami.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej o realizacji badań klinicznych zaprojektowanej od podstaw z myślą o AI, pełnej własności danych i szybszym dostarczaniu badań, powinni odwiedzić Lindus Health.

Antoine jest wizjonerskim liderem i partnerem założycielem Unite.AI. Kieruje nim niezachwiana pasja do kształtowania i rozwijania przyszłości sztucznej inteligencji i robotyki. Jako przedsiębiorca, który założył wiele firm, wierzy, że AI zmieni społeczeństwo równie głęboko jak elektryczność, i często z entuzjazmem mówi o potencjale przełomowych technologii oraz ogólnej sztucznej inteligencji (AGI).

Jako futurolog poświęca się badaniu tego, jak te innowacje ukształtują nasz świat. Jest także założycielem Securities.io, platformy skupionej na inwestowaniu w najnowocześniejsze technologie, które na nowo definiują przyszłość i przekształcają całe branże.