Interviuri
Nijat Hasanli, responsabil de produs la Lindus Health – Seria de interviuri

Puncte cheieSistemul de operare pentru studii native AI al Lindus Health multiplică câștigurile de…
Vezi mai mult
- Sistemul de operare pentru studii native AI al Lindus Health multiplică câștigurile de eficiență pe întregul spectru de execuție a studiilor.
- Compania evită utilizarea AI în fluxurile de lucru ale îngrijirii clinice pentru a elimina riscurile directe pentru siguranța pacienților.
- Fragmentarea structurală din studiile tradiționale generează colectări de date inutile pe care AI le poate ajuta să elimine din fazele incipiente.
Nijat Hasanli, Șef de Produs la Lindus Health, are o experiență concentrată în construirea și scalarea funcțiilor de produs în organizații de tehnologie medicală și organizații bazate pe tehnologie, conducând în prezent strategia și execuția produsului la Lindus din 2022, după experiențe anterioare la OneCommerce și Downforce Technologies. Experiența sa acoperă multiple medii de produs în Regatul Unit, unde a fost responsabil pentru alinierea dezvoltării produsului cu rezultatele afacerii, conducerea inovației și transformarea capacităților tehnice complexe în soluții scalabile și orientate către utilizator în sectoare aflate în schimbare rapidă.
Lindus Health este o companie de studii clinice condusă de inteligență artificială, care funcționează ca o “Organizație de Cercetare Responsabilă”, proiectată pentru a oferi companiilor biotehnologice și farmaceutice un control mai mare, viteză și fiabilitate în desfășurarea studiilor clinice. Compania înlocuiește modelele tradiționale de cercetare contractuală cu o platformă complet integrată, care pune tehnologia pe primul plan, care gestionează totul, de la proiectarea studiilor și recrutarea pacienților până la capturarea datelor și execuția în cadrul unui singur sistem, adesea finalizând studiile semnificativ mai repede decât normele industriale. Sistemul său de operare nativ bazat pe inteligență artificială permite vizibilitate în timp real asupra performanței studiilor, aliniază stimulentele prin prețuri bazate pe etape-cheie și utilizează date de sănătate la scară largă pentru a îmbunătăți înscrierea și rezultatele, cu scopul mai larg de a accelera livrarea de tratamente noi către pacienți.
Puteți împărtăși un moment definitoriu sau o provocare timpurie care a ajutat la modelarea misiunii sau a direcției produsului Lindus Health?
În studiile clinice, inovația este adesea asociată cu scară: organizații mari, capital semnificativ și infrastructură stabilită. Dar momentul nostru definitoriu ne-a învățat contrariul.
Când am condus primul nostru studiu, am urmărit în mod deliberat să îl păstrăm simplu – ceva pe care știam că îl putem executa în siguranță cu tehnologia noastră. Această constrângere ne-a forțat să simplificăm proiectarea studiului și să ne bazăm pe sistemele pe care le controlam în întregime, ceea ce a făcut dependențele și ineficiențele mai vizibile. Ansamblurile software mari și foarte complexe nu sunt necesare pentru a inova în desfășurarea studiilor. Inovația în desfășurarea studiilor depinde de deținerea integrală a studiului, de la început până la sfârșit, cu o conductă de date coerentă care le conectează pe toate. Această vizibilitate vă permite să vedeți cum se potrivesc toate, ceea ce aduce la suprafață oportunități care sunt dificil de identificat în modele de operare fragmentate.
Cum funcționează platforma dvs. bazată pe inteligență artificială pentru a simplifica procesul de studii clinice în comparație cu modelele tradiționale?
Nu poziționăm acest lucru ca o platformă bazată pe inteligență artificială. CitrusTM este un sistem de operare nativ bazat pe inteligență artificială pentru studii. Adoptăm o abordare distribuită a aplicării inteligenței artificiale – în loc să mizăm masiv pe inteligență artificială într-un singur domeniu, atragem echipa noastră de ingineri pentru a găsi aplicații fiabile și specifice contextului în întregul nostru sistem. Ceea ce face ca acest lucru să funcționeze este faptul că ne asumăm întregul proces de desfășurare a studiilor. Când inteligența artificială accelerează analiza protocolului, acea eficiență se revarsă în proiectarea studiului. Când proiectarea studiului este mai rapidă, echipa de date moștenește o configurare mai curată. Aceste îmbunătățiri incrementale se cumulează pentru că fiecare etapă produce ieșiri mai structurate și reduce refacerea muncii în etapele următoare.
Două exemple ilustrează acest lucru: utilizăm inteligență artificială pentru a genera cod de analiză a datelor, unde avem mecanisme clare pentru a revizui rezultatul înainte de folosirea codului în orice scop. De asemenea, utilizăm inteligență artificială pentru a analiza documente de protocol în schemele noastre de proiectare a studiului – câștiguri semnificative de eficiență în acea primă transformare, dar construcția încă trece prin săptămâni de revizuire și testare de acceptare.
Nu aplicăm inteligență artificială în fluxurile de lucru ale îngrijirii clinice. Ne simțim responsabili să ne asigurăm că aplicațiile noastre nu prezintă niciun risc de a dăuna pacienților din studiile noastre, deoarece infrastructura necesară pentru a sprijini măsurile de protecție adecvate este încă în curs de maturizare. Acest lucru evită riscurile de reglementare și de siguranță asociate cu inteligența artificială în fluxurile de lucru ale îngrijirii clinice. Alte aplicații ale noastre încă se confruntă cu aceeași verificare riguroasă ca orice inteligență artificială din această industrie – dar, în esență, ele oferă suficient timp pentru revizuirea umană. Îngrijirea clinică are un alt profil de risc: decizii luate pe loc, unde erorile ar putea afecta direct siguranța pacientului.
Impactul principal este asupra eficienței echipei de cercetare clinică. Multe dintre simplificările noastre servesc direct echipei de cercetare clinică – eficiențe care se cumulează. Fiecare săptămână pe care o tăiem din desfășurarea studiului este o săptămână mai aproape de finalizarea ciclului de dezvoltare a medicamentului, ceea ce poate reduce timpii totali ai procesului de dezvoltare a medicamentului. Și dincolo de câștigurile de timp, aplicațiile noastre de inteligență artificială fac mai mult decât să prevadă recrutarea. Ele monitorizează datele care intră pentru anomalii, semnale de siguranță și indicatori de risc – oferind echipei de studiu o vizibilitate mai clară pentru a supraveghea studiile în mod eficient.
În modelele tradiționale, inteligența artificială este aplicată de obicei ca o soluție punctuală – un instrument pentru o funcție, izolat de restul procesului. Modelul nostru de la capăt la capăt ne permite să facem ca îmbunătățirile de eficiență să curgă prin întregul studiu, fiecare îmbunătățire bazându-se pe cea precedentă. Acest lucru reflectă diferența dintre optimizarea funcțiilor individuale și îmbunătățirea performanței pe întreaga execuție a studiului.
Studiul Tufts subliniază că aproape o treime din datele studiilor clinice sunt non-esențiale. Cum folosește Lindus Health inteligența artificială pentru a identifica și a elimina colectarea inutilă de date?
Ceea ce descrie studiul Tufts este ceva pe care l-am văzut și noi. În experiența noastră, cauza de bază este structurală: atunci când desfășurarea studiului este fragmentată pe echipe, fiecare echipă este stimulată să se asigure împotriva tuturor eventualităților. Acest comportament este o reacție structurală la responsabilitatea fragmentată.
De la contractele cu furnizorii la instrumentele de colectare a datelor, fiecare predare adaugă un strat suplimentar de precauție. Până când ajungi la persoana care proiectează formularele de raportare a cazurilor, aceasta este adesea departe de întrebarea de cercetare originală. Investigatorul ar putea întreba: “Cum s-a schimbat greutatea în trei luni cu acest tratament?” Dar designerul instrumentului se concentrează pe preocupări operaționale – condiții pentru plata centrelor de cercetare, casete de bifare pentru conformitate, cerințe de urmărire a auditului. Ambele perspective sunt valabile și necesare. Problema este că aceste funcții operează fără context comun. Structura operațională de sprijin crește, iar întrebarea de cercetare este îngropată.
Există și un strat mai simplu de abordat înainte de soluțiile tehnice. Echipele noastre de cercetare au deja acces la unelte de chat bazate pe inteligență artificială și le utilizează constant. Când echipele primesc zeci de documente de protocol și PDF-uri în fiecare săptămână, capacitatea de a le introduce în unelte asistate de inteligență artificială și de a pune întrebări schimbă modul în care se implică în aceste materiale. Acest lucru ajută echipele să rămână mai aproape de întrebarea de cercetare, în loc de a se pierde în detalii operaționale.
Mai întâi, proiectarea studiului. Având unelte de inteligență artificială integrate pe tot parcursul procesului de proiectare și construire, se deblochează oportunități de a prinde aceste probleme de la început – înainte de a fi fixate în protocol. Utilizăm inteligență artificială pentru a genera grafice de studiu rafinate și pentru a ghida designerii prin protocol, semnalând unde planul de cercetare se complică prea mult, unde există duplicare sau unde au apărut erori. De acolo, designerul poate lua o decizie informată de a elimina un punct de date sau de a reduce frecvența de colectare – cu documentarea raționamentului.
Al doilea, analiza datelor. Odată ce un studiu este în curs de desfășurare, schimbarea a ceea ce s-a planificat să se colecteze este o provocare diferită. Dar inteligența artificială poate ajuta echipele să treacă mai repede prin zgomot – agregare mai rapidă, detectare de modele și semnalizare de anomalii înseamnă mai puțin timp pentru procesarea manuală. Acest lucru contează aici, deoarece oferă echipelor agilitatea de a identifica dacă și unde colectarea inutilă de date afectează într-adevăr studiul. Cu constatări de încredere care sosesc mai devreme, pot face ajustări, pot semnala problema echipei de cercetare sau pot justifica un amendament la protocol pentru a simplifica colectarea, în timp ce încă există timp pentru a acționa.
Aceasta este o problemă structurală abordată în două etape: în proiectare, pentru a prinde și a elimina complexitatea înainte de a fi fixată în protocol, și în analiză, pentru a oferi echipei viteza de a identifica problemele și de a acționa asupra lor, în timp ce studiul este în desfășurare.
Care sunt cele mai mari concepții greșite despre utilizarea inteligenței artificiale în studiile clinice și cum le abordați cu sponsorii și autoritățile de reglementare?
Cea mai mare concepție greșită este ezitarea – presupunerea că sponsorii și autoritățile de reglementare ar rezista inteligenței artificiale în studiile clinice. Acest lucru nu este reflectat în experiența noastră.
Pe partea de reglementare, conversațiile noastre timpurii au arătat că, deși autoritățile de reglementare sunt precaute cu privire la publicarea ghidurilor, persoanele din aceste organizații sunt deschise să discute despre inteligența artificială în studiile clinice. Există o recunoaștere generală că inteligența artificială poate îmbunătăți productivitatea, eficiența și calitatea – și o conștientizare a cât de multă redundanță există în această industrie.
Pe partea sponsorilor, am avut sponsori care ne-au întrebat despre inteligența artificială înainte de a fi introdusă în discuții. Ei doreau în mod activ ca noi să găsim și să implementăm aceste soluții. Acest lucru este determinat de doi factori: primul, sponsorii utilizează deja unele dintre aceste unelte; al doilea, ei recunosc că eficiențele bazate pe inteligență artificială ar putea reduce durata studiului, ar putea reduce costurile și ar putea preveni probleme care ar fi putut rămâne neobservate. Am auzit de la mai mulți sponsori că există o presiune internă în organizațiile lor pentru a demonstra utilizarea inteligenței artificiale pentru eficiență.
O preocupare conexă privește inteligența artificială și datele utilizate pentru a antrena modelele. Industria este în curs de dezvoltare aici, iar furnizorii de modele sunt din ce în ce mai clari cu privire la modul în care funcționează planurile lor de utilizare. Suntem atenți să ne asigurăm că uneltele de inteligență artificială pe care le utilizăm nu alimentează date în antrenarea modelului de bază. Suntem la fel de atenți cu privire la antrenarea propriilor noastre modele sau metodologii – și acolo unde cineva face acest lucru, ar trebui să fie explicit în documentul privind domeniul lucrărilor între client și furnizor. Documentarea clară a utilizării datelor și a comportamentului modelului este necesară.
Deci, concepțiile greșite sunt reale, dar ele indică o datorie de responsabilitate: să fim clari cu privire la unde se utilizează inteligența artificială, cum se manipulează datele și ce măsuri de protecție sunt în vigoare. Întrebarea relevantă pentru sponsori nu este dacă să utilizeze inteligența artificială în studii – ci dacă furnizorul lor a gândit aceste probleme și este dispus să fie transparent în acest sens.
Cum echilibrați automatizarea și supravegherea umană pentru a asigura atât viteza, cât și calitatea în execuția studiului?
Suntem precauți cu privire la utilizarea inteligenței artificiale acolo unde nu există oportunitate de revizuire umană. Acest lucru este reflectat în documentația noastră de calitate și în politica noastră de inteligență artificială.
Pentru a ilustra: există furnizori care oferă chatbot-uri care evaluează eligibilitatea pacienților prin conversație. Această automatizare necesită o considerare mult mai atentă decât majoritatea aplicațiilor. În cel mai bun caz, inteligența artificială greșește și descalifică pe cineva de la un studiu care ar fi putut ajuta persoana respectivă. În cel mai rău caz, consideră persoana eligibilă, semnalează echipei de studiu că a trecut testul de screening și introduce un risc în înscrierea care nu ar fi trebuit să existe.
Supravegherea umană nu ajută aici – până când un om revizuiește ieșirile, inteligența artificială a acționat deja într-un flux de lucru cu risc ridicat. Comparați acest lucru cu o eroare într-un formular de raportare a cazului: dacă colectarea datelor merge prost, puteți ajusta instrumentul sau puteți renunța la date. Dar dacă inteligența artificială spune unui pacient sau unui centru de cercetare să întreprindă o acțiune, potențialul de a cauza un prejudiciu ireversibil este mai mare – atât în gravitate, cât și în comparație cu alte locuri unde inteligența artificială ar putea merge prost într-un studiu.
Acest echilibru este realizabil prin concentrarea asupra aplicațiilor în care revizuirea umană este integrată și riscurile sunt gestionabile. Inteligența artificială este cea mai eficientă în fluxurile de lucru în care revizuirea umană este încorporată și erorile sunt recuperabile.
Care sunt tehnologiile sau principiile de proiectare cele mai eficiente pentru reducerea sarcinii pacientului și îmbunătățirea retenției?
Sarcina pacientului și retenția se reduc la pași mici și intenționați pentru a asigura o experiență bună. Nu există o singură intervenție care să abordeze acest lucru în mod independent.
Există două principii de proiectare care contează cel mai mult.
Primul, calitatea conținutului și interfețelor orientate către pacient. Fișa de informare a pacientului, formularul de consimțământ, aplicația pe care o utilizează în timpul studiului – toate acestea modelează experiența. Textele ar trebui să fie clare și concise. Interfețele ar trebui să fie simple: navigare intuitivă, minimă fricțiune, fără documente îngropate. Consultările cu grupurile de advocacy ale pacienților pot ajuta la rafinarea acestor materiale înainte de a ajunge la participanți. Proiectarea unei experiențe de utilizator bune contează la fel de mult aici, ca și în orice altă parte, în special în studiile clinice, unde nu aveți de-a face cu milioane de utilizatori care se vor adapta în cele din urmă.
Al doilea, modul în care echipele de cercetare rămân conectate la pacienți. Acest lucru înseamnă unelte de comunicare – reminder-uri, invitații, notificări – și infrastructură de monitorizare care aduce la suprafață starea pacientului, aderența și semnalele de siguranță. Scripturile de supraveghere automată ajută aici, semnalizând ceea ce necesită atenție, astfel încât echipele să poată răspunde prompt. Învățarea automată poate detecta modele în datele de aderență – semne timpurii de dezangajare înainte ca un pacient să renunțe – permițând intervenții proactive, în loc de urmărire reactivă. Scopul este să aveți informația potrivită la persoanele potrivite, la momentul potrivit, fără zgomot care să dilueze ceea ce contează.
Aceste îmbunătățiri nu depind de tehnologie nouă, dar nici nu provin din soluții standard: nu există un produs pe care să îl introduceți într-un studiu și să vă așteptați să funcționeze. Trebuie să acordați atenție: să înțelegeți unde pacienții întâmpină dificultăți și să le abordați în mod deliberat. Ceea ce oferă instrumentele moderne de inteligență artificială este o modalitate de a face acest lucru mai rapid – rafinând textele, revizuind tonul, automatizând scripturile de monitorizare. Tehnologia este matură. Diferența este dacă rezolvați problemele studiului sau pe cele ale pacientului.
Cum adunați și integrați feedbackul pacientului în proiectarea studiului, menținând în același timp procesul simplu și eficient?
Cerințele de confidențialitate și conformitate modelează modul în care se poate colecta feedbackul pacientului – abordarea trebuie să funcționeze în cadrul acestor limite. Monitorizarea de bază capturează timpul de funcționare al serviciului, datele de utilizare din care au fost eliminați identificatorii (tip de dispozitiv, comportamentul aplicației) și modelele de aderență – cu ce consistență participanții finalizează evaluările programate. Când aceste date aduc la suprafață puncte de fricțiune, ele contribuie la deciziile de proiectare pentru studiile viitoare.
Integrarea mai directă vine prin personalul de cercetare. Coordonatorii sunt încurajați să se implice cu participanții și să colecteze semnale în jurul experienței lor, apoi să transmită aceste informații întregii echipe. Acest lucru este întărit cultural – feedbackul privind experiența pacientului este publicat în canalele partajate și evidențiat la ședințele generale ale companiei.
Există și un avantaj structural. În contrast cu modelul tradițional, în care o echipă de cercetare nouă este adunată pentru fiecare studiu, Lindus conduce studii pe aceeași tehnologie, cu membri ai echipei care au lucrat în multiple studii. Această continuitate permite ca învățămintele – atât cele codificate, cât și cele tacite – să curgă dintr-un studiu în proiectarea studiului următor. Când un coordonator întâmpină fricțiune într-un studiu, acea perspicacitate poate informa modul în care următorul studiu este configurat.
Grupurile de advocacy ale pacienților extind acest lucru și mai departe, aducând la suprafață perspective care nu ar fi venit prin canalele interne – în special în jurul modului în care materialele de studiu și procesele sunt percepute de diferitele grupuri de pacienți.
Procesul rămâne simplu, deoarece feedbackul curge prin structuri existente, în loc de a necesita un aparat separat pentru fiecare studiu.
Ce trebuie să se schimbe la nivelul întregii industrii pentru ca cercetarea clinică să devină mai rapidă și mai fiabilă?
Industria are o inerție structurală care le cere practicienilor să lucreze diferit și să demonstreze abordări alternative în practică. Programele de inovare corporativă și directivele conducerii au un impact limitat asupra schimbării operaționale – ceea ce este necesar sunt practicieni care să facă lucrurile diferit și să demonstreze că funcționează.
Programarea statistică ilustrează modelul. Este o muncă specializată – transformarea datelor clinice pentru analiza biostatistică – efectuată de specialiști care au o expertiză de domeniu profundă. Dar este dificil să atragi talente. Profesioniștii cu pregătire în știința datelor sau inginerie rareori aleg acest drum, deși seturile de abilități se suprapun semnificativ. Lucrul rămâne izolat, metodele sunt opace pentru exterior, iar afluxul de noi specialiști este limitat.
Inteligența artificială ar putea deschide acest lucru – uneltele moderne pot gestiona mult din munca de transformare, iar cerințele de programare dublă (unde doi programatori produc ieșiri independente) pot fi îndeplinite cu perechi de inteligență artificială-om, în loc de perechi om-om. Dar tehnologia singură nu rezolvă problemele structurale. Aveți nevoie de practicieni dispuși să o implementeze cu grijă și să demonstreze că îndeplinește standardele de reglementare. Fără acest lucru, capacitatea rămâne subutilizată.
Lecția mai largă: studii mai rapide și mai fiabile necesită mai mult decât unelte noi. Ele necesită crearea de spațiu – în angajări, în interpretarea reglementărilor, în cultura organizațională – pentru oameni care vor lucra diferit. Acesta este modul în care timpii pot fi reduși în practică.
Cum vedeți relația dintre inteligența artificială, date și proiectarea studiului evoluând în următorii cinci ani?
Relația va fi modelată de o realitate structurală: eficiența inteligenței artificiale este limitată de calitatea contextului pe care îl primește. Fără context bogat și precis – de unde provin datele, ce transformări au suferit, ce înseamnă ele cu adevărat – chiar și modelele puternice produc rezultate nesigure.
Cea mai mare parte a industriei studiilor clinice este fragmentată. CRO-urile văd fragmente ale ciclului de viață al studiului. Sponsorii lucrează cu mai mulți furnizori, fiecare deținând o parte a imaginii. Contextul se pierde la fiecare predare. Când îi cereți unui sistem de inteligență artificială să raționeze despre datele studiului în acest mediu, lucrează cu informații incomplete – și informațiile incomplete produc rezultate nesigure.
Organizațiile care vor beneficia cel mai mult de inteligența artificială sunt cele cu trasabilitate de la capăt la capăt. Ele controlează lanțul de date de la proiectarea protocolului la capturarea datelor și analiză. Ele nu deduc contextul, ci îl creează. Ele proiectează formularele, definesc câmpurile, scriu dicționarul de date. Fiecare punct de date are o proveniență, deoarece organizația a creat proveniența. Această trasabilitate nu este doar eficiență operațională – este ceea ce permite decizii bine fundamentate care afectează pacienții.
În următorii cinci ani, acest avantaj structural se va cumula. Organizațiile cu vizibilitate de la capăt la capăt vor implementa inteligența artificială mai eficient – de la proiectarea adaptivă a studiilor care răspund la datele care intră, la optimizarea protocolului informată de tipare istorice – vor capta învățămintele care îmbunătățesc sistemele lor și vor lărgi decalajul. Cei care lucrează cu date fragmentate vor găsi inteligența artificială promițătoare, dar nesigură: sisteme care funcționează bine în medii controlate, dar nu se generalizează în mod fiabil în medii de producție.
Întrebarea pentru industrie nu este dacă inteligența artificială va conta. Este dacă infrastructura de date există pentru a face inteligența artificială de încredere. Pentru cea mai mare parte a industriei, nu există încă. Acesta este lucrul care trebuie făcut.
Mulțumim pentru acest interviu minunat. Cititorii care doresc să afle mai multe despre desfășurarea studiilor clinice concepute de la început în jurul inteligenței artificiale, proprietatea asupra datelor de la început până la sfârșit și livrarea studiilor mai rapidă ar trebui să viziteze Lindus Health.












