Интервью

Ниджат Хасанли, руководитель продуктового направления Lindus Health – Серия интервью

Antoine Tardif
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыОперационная система для клинических испытаний Lindus Health, созданная на основе ИИ…
Показать больше
  • Операционная система для клинических испытаний Lindus Health, созданная на основе ИИ, обеспечивает кумулятивный рост эффективности на всех этапах проведения исследований.
  • Компания не использует ИИ в рабочих процессах клинического лечения, чтобы исключить прямые риски для безопасности пациентов.
  • Структурная разобщённость в традиционных испытаниях приводит к избыточному сбору данных, который ИИ помогает устранить на ранних этапах.

Ниджат Хасанли, руководитель продуктового направления Lindus Health, имеет опыт создания и масштабирования продуктовых функций в компаниях медицинских технологий и технологически ориентированных организациях. С 2022 года он руководит продуктовой стратегией Lindus и ее реализацией, ранее работая в OneCommerce и Downforce Technologies. Его опыт охватывает разные продуктовые среды в Великобритании: согласование разработки с бизнес-результатами, развитие инноваций и превращение сложных технических возможностей в масштабируемые решения для пользователей в быстро меняющихся отраслях.

Lindus Health — компания клинических исследований на базе ИИ, работающая по модели «Accountable Research Organization», то есть исследовательской организации с комплексной ответственностью. Она призвана дать биотехнологическим и фармацевтическим компаниям больше контроля, скорости и надежности при проведении исследований. Традиционные модели контрактных исследований заменяет полностью интегрированная платформа с приоритетом технологий, объединяющая проектирование, набор пациентов, сбор данных и выполнение в одной системе. Исследования часто завершаются существенно быстрее обычных отраслевых сроков. Собственная операционная система, изначально построенная вокруг ИИ, показывает ход исследований в реальном времени, согласует стимулы через оплату по контрольным этапам и использует масштабные медицинские данные для улучшения набора и результатов. Общая цель — быстрее доставлять новые методы лечения пациентам.

Расскажите о решающем моменте или ранней трудности, повлиявших на миссию Lindus Health или развитие продукта.

В клинических исследованиях инновации часто связывают с масштабом: крупными организациями, значительным капиталом и сложившейся инфраструктурой. Но решающий момент на раннем этапе научил нас обратному.

В первом исследовании мы сознательно выбрали простоту: то, что могли безопасно выполнить с нашей технологией. Ограничение заставило упростить дизайн и опираться на полностью подконтрольные системы. Зависимости и неэффективность стали заметнее. Для инноваций в проведении исследований не нужны огромные, крайне сложные программные стеки. Нужно управлять всем исследованием от начала до конца, связав его части согласованным конвейером данных. Такой обзор показывает связи и выявляет возможности, которые трудно заметить в разрозненных операционных моделях.

Как ваша платформа с ИИ упрощает клинические исследования по сравнению с традиционными моделями?

Мы не позиционируем ее как платформу, усиленную ИИ. CitrusTM — операционная система исследований, изначально построенная вокруг ИИ. Мы применяем его распределенно: не делаем крупную ставку на одну область, а привлекаем инженерную команду к поиску надежных, подходящих конкретному контексту применений по всей системе. Это работает благодаря ответственности за полный цикл исследования. Если ИИ ускоряет разбор протокола, выигрыш переходит в проектирование. Более быстрое проектирование дает команде данных более четкую исходную конфигурацию. Постепенные улучшения усиливают друг друга: каждый этап дает более структурированные результаты и сокращает переделки на следующих этапах.

Приведу два примера. Мы генерируем код анализа данных с помощью ИИ и четко проверяем результат, прежде чем код к чему-либо применяется. Также ИИ преобразует документы протокола в схемы дизайна исследования. Первое преобразование дает значительный выигрыш, но созданная конфигурация все равно проходит недели проверок и приемочного тестирования.

Мы не применяем ИИ в процессах клинического лечения. Мы чувствуем ответственность за то, чтобы наши применения не создавали риска причинить вред пациентам исследований: инфраструктура необходимых защитных механизмов пока еще развивается. Так мы избегаем регуляторных рисков и рисков безопасности, связанных с ИИ в лечении. Другие применения проходят столь же строгую оценку, как любой ИИ в отрасли, но оставляют достаточно времени для проверки человеком. У клинической помощи иной профиль риска: решения принимаются немедленно, и ошибки способны напрямую повлиять на безопасность пациентов.

Главный эффект касается эффективности команды клинических исследований. Значительная часть улучшений напрямую помогает ей, а выгоды накапливаются. Каждая неделя, сэкономленная на проведении исследования, на неделю приближает завершение цикла разработки лекарства и может сократить общий срок разработки. Наш ИИ не только экономит время и прогнозирует набор. Он отслеживает поступающие данные на предмет аномалий, сигналов безопасности и индикаторов риска, давая команде более ясную картину для эффективного надзора.

В традиционных моделях ИИ обычно является точечным решением: один инструмент для одной функции, изолированный от остальных процессов. В нашей сквозной модели выигрыш распространяется на все исследование, и каждое улучшение опирается на предыдущее. В этом разница между оптимизацией отдельных функций и повышением результативности полного цикла исследования.

Исследование Тафтского университета показывает, что почти треть данных клинических исследований не является необходимой. Как Lindus Health выявляет и устраняет ненужный сбор данных с помощью ИИ?

Описанную в исследовании Тафтского университета ситуацию мы наблюдали лично. По нашему опыту, коренная причина структурная: когда проведение исследования раздроблено между командами, каждая стремится подстраховаться на все случаи. Это реакция на разобщенную ответственность. От договоров с поставщиками до инструментов сбора данных — каждая передача работы добавляет новый слой предосторожностей.

Когда работа доходит до составителя индивидуальных регистрационных карт, тот часто уже далек от исходного исследовательского вопроса. Исследователь может спрашивать: «Как изменился вес за три месяца этого лечения?» А разработчик формы занят условиями выплат исследовательским центрам, отметками о соблюдении требований и правилами аудиторского следа. Обе точки зрения обоснованны и нужны. Проблема в отсутствии общего контекста. Операционная надстройка разрастается и заслоняет вопрос исследования.

До технических решений есть и более простой уровень. Исследовательские команды уже имеют доступ к чат-инструментам ИИ и постоянно ими пользуются. Получая десятки протоколов и PDF каждую неделю, они могут загружать их в инструменты с ИИ и задавать вопросы, что меняет работу с материалом. Это помогает не терять исследовательский вопрос из виду и не погружаться в операционные детали.

Во-первых, проектирование. Встроенные в проектирование и сборку инструменты ИИ позволяют заметить проблемы до их закрепления в протоколе. Мы создаем уточненные графики и помогаем проектировщикам разбирать протокол, отмечая излишнюю сложность, дублирование и ошибки. На этой основе можно обоснованно убрать элемент данных или снизить частоту сбора, документируя причины.

Во-вторых, анализ данных. После запуска исследования изменение запланированного сбора становится отдельной задачей. Но ИИ быстрее отделяет значимое от шума: агрегация, выявление закономерностей и отметка аномалий сокращают ручную обработку. Команды быстрее видят, влияет ли ненужный сбор на исследование и где именно. Ранние надежные выводы позволяют скорректировать работу, сообщить проблему исследователям или обосновать поправку к протоколу для упрощения сбора, пока еще можно действовать.

Структурную проблему решают на двух этапах: при проектировании находят и убирают сложность до закрепления, а при анализе дают командам скорость для обнаружения проблем и реагирования во время исследования.

Какие заблуждения об ИИ в клинических исследованиях самые серьезные и как вы работаете с ними со спонсорами и регуляторами?

Главное заблуждение связано с нерешительностью: предполагается, что спонсоры и регуляторы будут сопротивляться ИИ в исследованиях. Наш опыт этого не подтверждает.

Ранние беседы с регуляторами показывают: организации обоснованно осторожны в публикации рекомендаций, но их сотрудники открыты к обсуждению ИИ в клинических исследованиях. Есть общее понимание возможностей улучшить производительность, эффективность и качество, а также масштабов дублирования работы в отрасли.

Спонсоры спрашивали об ИИ еще до того, как мы сами поднимали тему. Они активно хотели, чтобы мы находили и внедряли решения. Причины две: они уже пользуются некоторыми инструментами и понимают потенциал, а также видят возможность сократить срок исследований, снизить затраты и предотвратить иначе незамеченные проблемы. Несколько спонсоров сообщили о внутреннем давлении в своих организациях: от них требуют показывать применение ИИ для повышения эффективности.

Есть и беспокойство об использовании данных для обучения моделей. Отрасль развивается, а поставщики яснее объясняют условия своих планов использования. Мы внимательно следим, чтобы инструменты не передавали данные в обучение базовых моделей. Так же осторожно относимся к обучению собственных моделей или методик. Любая сторона, которая этим занимается, должна прямо оговорить это в описании объема работ между заказчиком и поставщиком. Использование данных и поведение моделей требуют четкой документации.

Заблуждения существуют, но указывают на ответственность: нужно ясно объяснять, где применяется ИИ, как обрабатываются данные и какие меры защиты действуют. Для спонсора вопрос не в том, нужен ли ИИ в исследованиях, а в том, продумал ли поставщик эти проблемы и готов ли открыто их обсуждать.

Как вы сочетаете автоматизацию и человеческий надзор для обеспечения скорости и качества исследований?

Мы осторожны с ИИ там, где нет возможности проверки человеком. Это отражено в документации по качеству и нашей политике в отношении ИИ.

Например, некоторые поставщики предлагают чат-ботов, определяющих соответствие пациента критериям участия через разговор. Такая автоматизация требует намного более тщательного обдумывания, чем большинство применений. В лучшем случае ИИ ошибочно исключит человека из исследования, которое могло бы ему помочь. В худшем — признает его подходящим, сообщит команде о прохождении скрининга и внесет в набор риск, которого не должно быть.

Человеческий надзор здесь не помогает: к моменту проверки вывода ИИ уже успевает действовать в процессе с серьезными последствиями. Сравните с ошибкой в индивидуальной регистрационной карте: при проблеме сбора можно изменить инструмент или отбросить данные. Но если ИИ велит пациенту либо исследовательскому центру что-то сделать, вероятность необратимого вреда выше — и по тяжести, и относительно других возможных ошибок ИИ в исследовании.

Баланс достижим, если выбирать применения со встроенной проверкой человеком и управляемыми рисками. ИИ эффективнее всего там, где человеческая проверка входит в процесс, а ошибки исправимы.

Какие технологии или принципы дизайна лучше всего снижают нагрузку на пациентов и помогают сохранять их участие?

Снижение нагрузки и сохранение участия опираются на небольшие, продуманные шаги для хорошего опыта пациента. Ни одна отдельная мера не решает задачу сама по себе.

Два принципа проектирования имеют наибольшее значение.

Во-первых, качество контента и интерфейсов для пациента. Информационный лист, согласие и приложение исследования формируют его опыт. Текст должен быть простым и кратким. Интерфейс — с понятной навигацией, минимумом препятствий и без спрятанных документов. Консультации с защитниками интересов пациентов помогают доработать материалы до передачи участникам. Качественный пользовательский опыт важен здесь не меньше, чем в других сферах, особенно потому, что в исследованиях нет миллионов пользователей, которые со временем приспособятся.

Во-вторых, связь исследовательской команды с пациентами. Нужны напоминания, приглашения, уведомления и инфраструктура мониторинга, показывающая состояние пациента, соблюдение требований исследования и сигналы безопасности. Автоматические скрипты отмечают то, что требует внимания, чтобы команда быстро реагировала. Машинное обучение видит закономерности соблюдения, например ранние признаки снижения вовлеченности до выхода пациента. Это позволяет вмешиваться заранее, а не реагировать после события. Цель — нужная информация нужным людям в нужное время, без заслоняющего важное шума.

Для улучшений не нужны новые технологии, но и готовое решение не даст их автоматически: нет продукта, который достаточно вставить в исследование и ждать результата. Нужно понять затруднения пациентов и целенаправленно их устранить. Современные инструменты ИИ ускоряют доработку текста, проверку тона и автоматизацию скриптов мониторинга. Технология уже зрелая. Разница в том, решаете ли вы проблемы исследования или пациента.

Как Lindus Health собирает отзывы пациентов и учитывает их в проектировании, сохраняя процесс простым и эффективным?

Сбор отзывов ограничен требованиями конфиденциальности и соблюдения норм. Базовый мониторинг фиксирует доступность сервиса, деидентифицированные данные использования, например тип устройства и поведение приложения, и регулярность выполнения участниками назначенных оценок. Выявленные затруднения влияют на дизайн будущих исследований.

Прямая интеграция идет через исследовательский персонал. Координаторов поощряют общаться с участниками, собирать сведения об опыте и передавать их всей команде. Это подкреплено культурой: отзывы публикуют в общих каналах и выделяют на общих собраниях сотрудников компании.

Есть и структурный плюс. В традиционной модели для каждого исследования собирают новую команду. Lindus использует одну технологию и сотрудников с опытом нескольких исследований. Непрерывность позволяет переносить как записанные, так и неявные знания в проект следующего исследования. Наблюдение координатора о трудностях в одном исследовании может повлиять на организацию следующего.

Пациентские организации дополняют картину взглядами, которые не поступили бы по внутренним каналам, особенно о восприятии материалов и процессов разными группами пациентов.

Процесс остается простым, потому что отзывы идут через существующие структуры, а не требуют отдельного аппарата для каждого исследования.

Что нужно изменить во всей отрасли, чтобы клинические исследования стали быстрее и надежнее?

Структурная инерция отрасли требует от практиков работать иначе и показывать альтернативы в деле. Корпоративные инновационные программы и распоряжения руководства ограниченно влияют на изменение операций. Нужны люди, которые действительно действуют по-другому и доказывают результативность.

Пример — статистическое программирование: квалифицированное преобразование клинических данных для биостатистического анализа специалистами с глубокой предметной экспертизой. Однако привлекать кадры трудно. Специалисты по науке о данных или инженерии редко выбирают это направление, хотя навыки во многом совпадают. Работа остается изолированной, методы непрозрачны для внешних людей, а приток кадров ограничен.

ИИ мог бы открыть это направление. Современные инструменты способны выполнять много работы по преобразованию, а требование двойного программирования, при котором два программиста независимо готовят результаты, можно выполнить парой ИИ–человек вместо двух людей. Но технология сама не исправляет структуры. Нужны практики, готовые внедрять ее продуманно и доказывать соответствие регуляторным стандартам. Иначе возможности останутся недоиспользованными.

Общий вывод: быстрые и надежные исследования требуют не только новых инструментов. В найме, трактовке норм и культуре организаций нужно создавать место для людей, работающих иначе. Так на практике сокращаются сроки.

Как в следующие пять лет будут развиваться отношения между ИИ, данными и проектированием исследований?

Их определит структурная реальность: эффективность ИИ ограничена качеством получаемого контекста. Без богатых, точных сведений об источнике данных, их преобразованиях и действительном значении даже сильные модели выдают ненадежные результаты.

Большая часть отрасли раздроблена. Контрактные исследовательские организации, CRO, видят лишь части жизненного цикла. Спонсоры работают с разными поставщиками, у каждого своя часть картины. Контекст теряется при каждой передаче. Если просить ИИ рассуждать о данных в такой среде, он опирается на неполную информацию, которая дает ненадежные результаты.

Больше всех выиграют организации со сквозной прослеживаемостью. Они контролируют цепочку от протокола до сбора и анализа данных. Они не выводят контекст косвенно, а создают его: проектируют формы, определяют поля и пишут словарь данных. У каждой точки данных известна история происхождения, поскольку организация сама создала эту историю. Прослеживаемость означает не только операционную эффективность, но и возможность принимать обоснованные решения, влияющие на пациентов.

В следующие пять лет структурное преимущество усилится. Организации, видящие весь процесс, будут эффективнее внедрять ИИ: от адаптивных дизайнов, реагирующих на новые данные, до оптимизации протоколов на основе прошлых закономерностей. Они накопят знания для улучшения систем и увеличат отрыв. При разрозненных данных ИИ останется перспективным, но ненадежным: системы хорошо работают в контролируемых условиях, но не обеспечивают надежного обобщения в рабочих средах.

Вопрос не в том, будет ли ИИ важен, а в наличии инфраструктуры данных, которая позволит ему доверять. У большей части отрасли ее пока нет. Это предстоящая работа.

Спасибо за отличное интервью. Читателям, которые хотят узнать больше о клинических исследованиях, изначально построенных вокруг ИИ, владении данными от начала до конца и ускорении исследований, стоит посетить Lindus Health.

Антуан — дальновидный лидер и партнёр-основатель Unite.AI, движимый неизменной страстью к формированию и продвижению будущего ИИ и робототехники. Как предприниматель, основавший несколько компаний, он верит, что ИИ изменит общество столь же радикально, как электричество, и часто с воодушевлением говорит о потенциале прорывных технологий и общего искусственного интеллекта (AGI).

Как футуролог, он стремится исследовать, как эти инновации будут формировать наш мир. Кроме того, он основатель Securities.io — платформы, посвящённой инвестициям в передовые технологии, которые переопределяют будущее и преобразуют целые отрасли.