Jay Ferro, Chief Information, Technology och Product Officer, Clario – Intervju-serie

Jay Ferro är Chief Information, Technology och Product Officer på Clario. Han har över 25 års erfarenhet av att leda informationsteknik- och produktteam, med stark fokus på dataskydd och en passion för att skapa teknologier och produkter som gör en meningsfull inverkan.

Innan han gick med i Clario, hade Jay ledande roller, inklusive CIO, CTO och CPO, på globala företag som Quikrete Companies och American Cancer Society. Han är också medlem i styrelsen för Allata, LLC. Hans professionella prestationer har erkänts flera gånger, inklusive utmärkelser från Atlanta Technology Professionals som Executive Leader of the Year och HMG Strategy som Mid-Cap CIO of the Year.

Clario är en ledare inom kliniska prövningar, med omfattande teknologier för att transformera liv genom tillförlitlig och exakt bevisgenerering. Specialiserat på onkologiska prövningar, betonar Clario patientrapporterade resultat (PRO) för att förbättra effektivitet, säkerställa säkerhet och förbättra livskvalitet, och förespråkar elektroniska PRO som en mer kostnadseffektiv alternativ till papper. Med expertis inom terapeutiska områden och global regulatorisk efterlevnad, stöder Clario decentraliserade, hybrid- och platsbaserade prövningar i över 100 länder, med hjälp av avancerad teknik som artificiell intelligens och anslutna enheter. Deras lösningar strömlinjeformar prövningsprocesser, säkerställer efterlevnad och behåller patienter och sponsorer genom integrerat stöd och utbildning.

Clario har integrerat över 30 AI-modeller över olika stadier av kliniska prövningar. Kan du ge exempel på hur dessa modeller förbättrar specifika aspekter av prövningar, som onkologi eller kardiologi?

Vi använder våra AI-modeller för att leverera hastighet, kvalitet, precision och sekretess till våra kunder i över 800 kliniska prövningar. Jag är stolt över att våra verktyg inte bara är en del av AI-hypen, utan levererar verkligt värde till våra kunder i dessa prövningar.

I dag faller våra AI-modeller i huvudsak inom fyra kategorier: datasekretess, kvalitetskontroll, läshjälp och läsanalys. Till exempel har vi verktyg inom medicinsk bildbehandling som kan automatiskt sudda ut personligt identifierbar information (PII) i statiska bilder, videor eller PDF:er. Vi använder också AI-verktyg som levererar data med snabb kvalitetsbedömning vid uppladdning – så att det finns stor tillförlitlighet i dessa data. Vi har utvecklat ett verktyg som övervakar EKG-data kontinuerligt för signalens kvalitet, och ett annat som bekräftar korrekta patientidentifierare. Vi har utvecklat ett läshjälpsverktyg som möjliggör skivprediktion, lesionsspridning och sjukdomsdiagnos. Dessutom har vi förbättrat läsanalysen genom att automatisera och standardisera datainterpretation med verktyg som AI-stödd kvantitativ ulcerös kolit Mayo-poäng.

Det är bara några exempel på de typer av AI-modeller vi har utvecklat sedan 2018, och medan vi har gjort stora framsteg, är vi bara i början.

Hur säkerställer Clario att AI-drivna insikter upprätthåller hög noggrannhet och konsekvens över olika prövningsmiljöer?

Vi tränar kontinuerligt våra AI-modeller på stora mängder data för att förstå skillnaden mellan bra data och data som inte är bra eller relevant. Som ett resultat upptäcker vår AI-drivna dataanalys rika datahistorier och leder till högkvalitativa resultat för våra kunder.

Våra spirometri-lösningar illustrerar tydligt varför vi gör detta. Kliniker använder spirometri för att hjälpa till att diagnostisera och övervaka vissa lungtillstånd genom att mäta hur mycket luft en patient kan andas ut i en tvingad andning. Det finns en mängd fel som kan uppstå när en patient använder en spirometer. De kan utföra testet för långsamt, hosta under testet eller inte kunna göra en komplett tätning runt spirometerns munstycke. Alla dessa variationer kan orsaka ett fel som kanske inte upptäcks förrän en människa kan analysera resultaten. Vi har tränat djupa inlärningsmodeller på över 50 000 exempel för att lära oss skillnaden mellan en bra läsning och en dålig läsning. Med våra enheter och algoritmer kan kliniker se värdet av data i nära realtid, snarare än att behöva vänta på mänsklig analys. Det spelar roll, eftersom vissa patienter kanske måste köra flera timmar för att delta i en klinisk prövning. Tänk dig att köra den sträckan hem från platsen, bara för att lära dig att du måste göra ett annat spirometritest nästa vecka, eftersom det första visade ett fel. Våra AI-modeller levererar exakta överläsningar medan patienten fortfarande är på platsen. Om det finns ett fel, kan det åtgärdas på plats. Det är bara ett av sätten vi arbetar för att minska bördan på platser och patienter.

Kan du förklara hur Clarios AI-modeller minskar datainsamlings tid utan att kompromissa med datakvalitet?

Att generera den högsta kvaliteten på data för kliniska prövningar är alltid vårt fokus, men arten av våra AI-algoritmer innebär att insamling och analys accelereras dramatiskt. Som jag nämnde, tillåter våra algoritmer kvalitetskontrollanalys snabbare och med högre precision än mänsklig tolkning. De tillåter oss också att genomföra kvalitetskontroller när data matas in. Det betyder att vi kan identifiera saknad, felaktig eller dålig kvalitet på patientdata medan patienten fortfarande är på prövningsplatsen, snarare än att låta dem veta dagar eller veckor senare.

Hur hanterar Clario utmaningarna med decentraliserade och hybridprövningar, särskilt i fråga om datasekretess, patientengagemang och datakvalitet?

Idag är en decentraliserad prövning i princip en prövning med en hybridkomponent. Jag tror att konceptet att låta deltagare använda sina egna enheter eller anslutna enheter hemma öppnar upp för större möjligheter i prövningar, särskilt i fråga om tillgänglighet. Att göra prövningar lättare att delta i är en nyckelfokus för vår teknikutvecklingsplan, som syftar till att utveckla lösningar som förbättrar patientdiversitet, strömlinjeformar rekrytering och behållning, ökar bekvämlighet för deltagare och utökar möjligheter för mer inkluderande kliniska prövningar. Vi erbjuder spirometri hemma, blodtryck hemma, eCOA och andra lösningar som levererar samma dataintegritet som mer traditionella lösningar, och vi gör det i samarbete med tillsyn från våra ändpunkts- och terapeutiska experter. Resultatet är en bättre patientupplevelse för bättre ändpunktsdata.

Vilka unika fördelar erbjuder Clarios AI-drivna tillvägagångssätt för att minska prövningstider och kostnader för läkemedels-, bioteknik- och medicintekniska företag?

Vi har utvecklat AI-verktyg sedan 2018, och de har genomsyrat allt vi gör internt och säkert över vår produktmix. Och vad som aldrig har lämnat oss är att säkerställa att vi gör det på ett ansvarsfullt sätt: att hålla människor i loopet, samarbeta med regulatorer, samarbeta med våra kunder och inkludera våra juridiska, sekretess- och vetenskapliga team för att säkerställa att vi gör allt på rätt sätt.

Ansvarsfull utveckling och distribution av AI bör påverka våra kunder på ett antal positiva sätt. Grunden för vårt AI-program bygger på vad vi tror är branschens första ansvarsfulla användningsprinciper. Alla på Clario som arbetar med AI följer dessa fem principer. Bland annat vidtar vi alla nödvändiga åtgärder för att säkerställa att vi använder den mest diversifierade data som är tillgänglig för att träna våra algoritmer. Vi övervakar och testar för att upptäcka och mildra risker, och vi använder endast anonymiserad data för att träna modeller och algoritmer. När vi tillämpar dessa typer av riktlinjer när vi utvecklar ett nytt AI-verktyg, kan vi snabbt leverera exakt data – i stor skala – som minskar bias, ökar diversitet och skyddar patientsekretess. Ju snabbare vi kan leverera exakt data till sponsorer, desto större inverkan har det på deras resultat och, i slutändan, patientresultat.

AI-modeller kan ibland återspegla bias som är inbyggd i data. Vilka åtgärder vidtar Clario för att säkerställa rättvis och obiaserad dataanalys i prövningar?

Vi vet att bias uppstår när träningsdatamängden är för begränsad för dess avsedda användning. Initialt kan datamängden verka tillräcklig, men när slutanvändaren börjar använda verktyget och trycker AI: n bortom vad den tränades för att svara på, kan det leda till fel. Clarios Chief Medical Officer, Dr. Todd Rudo, använder ibland det här exemplet: Vi kan träna en modell för att bestämma korrekt ledplacering i elektrokardiogram (EKG) så att kliniker kan säga om tekniker har placerat lederna på rätt plats på patientens kropp. Vi har massor av bra data, så vi kan träna den modellen på 100 000 EKG. Men vad händer om vi bara tränar vår AI-modell med data från vuxentester? Hur kommer modellen att reagera om ett EKG görs på en 2-årig patient? Det kan potentiellt missa fel som har en inverkan på behandlingen.

Det är därför Clarios produkt-, data-, FoU- och vetenskapsteam alla arbetar nära tillsammans för att säkerställa att vi använder den mest omfattande träningsdata för att säkerställa noggrannhet och tillförlitlighet i realvärldstillämpningar. Vi använder den mest diversifierade data som är tillgänglig för att träna algoritmerna som ingår i våra produkter. Det är också varför vi insisterar på att använda mänsklig tillsyn för att mildra risker under utveckling och användning av AI.

Hur integrerar Clarios mänskliga tillsyns- och övervakningsprocess AI-utdata för att säkerställa regelefterlevnad och etiska standarder?

Mänsklig tillsyn innebär att vi har team av människor som vet exakt hur våra modeller utvecklas, tränas och valideras. Både under utveckling och efter att vi har integrerat en modell i en teknik, övervakar våra experter utdata för att upptäcka potentiell bias och säkerställa att utdata är rättvisa och tillförlitliga. Jag tror att AI handlar om att förstärka vetenskap och mänsklig briljans. AI ger människor förmågan att fokusera på en högre nivå av utmaning. Vi är anmärkningsvärt bra på att lösa problem och fortfarande mycket bättre på intuition och nyanser än maskiner. På Clario använder vi AI för att ta bort bördan från upprepningsbara saker. Vi använder det för att analysera breda datamängder, antingen det är patientbilder eller tidigare prövningar eller något annat som vi vill analysera. Allmänt kan maskiner göra det snabbare, och i vissa fall, bättre än människor kan. Men de kan inte ersätta mänsklig intuition och den vetenskap och realvärldserfarenhet som de underbara människorna i vår bransch har.

Hur ser du att AI påverkar kliniska prövningar under de närmaste åren, särskilt inom områden som onkologi, kardiologi och andningsstudier?

I onkologi är jag spänd på att utveckla användningen av tillämpad AI i radiomik, som extraherar kvantitativa mått från medicinska bilder. Radiomik omfattar flera steg, inklusive bildacquisition av tumörer, bildförbehandling, funktionsextrahering och modellutveckling, följt av validering och klinisk tillämpning. Med alltmer avancerad AI kommer vi att kunna förutsäga tumörbeteende, anpassa behandlingssvar och förutse patientresultat baserat på icke-invasiv bildning av tumörer. Vi kommer att kunna använda det för att upptäcka tidiga tecken på sjukdom och tidig upptäckt av sjukdomsåterfall. När alltmer avancerade AI-verktyg integreras i radiomik och kliniska arbetsflöden, kommer vi att se stora framsteg inom onkologi och patientvård.

Jag är lika spänd på framtiden för andningsstudier. Förra året förvärvade vi ArtiQ, ett belgiskt företag som byggde AI-modeller för att förbättra insamlingen av andningsdata i kliniska prövningar. Deras grundare är nu min Chief AI Officer, och vi förväntar oss stora saker inom andningslösningar. Vår tillvägagångssätt för algoritmtillämpning har blivit en spelväxlare, inte minst för att det hjälper till att minska patient- och platsbördan. När exhalationsdata inte analyseras i realtid, och en avvikelse upptäcks senare, tvingar det patienten att komma tillbaka till kliniken för ett annat test. Detta inte bara lägger till stress för patienten, utan kan också skapa förseningar och ytterligare kostnader för prövningssponsorn, och det leder till olika operativa utmaningar. Våra nya spirometrienheter använder ArtiQ-modellerna för att minska den bördan genom att erbjuda nära realtidsöverläsningar. Det betyder att om några problem uppstår, identifieras och åtgärdas de omedelbart medan patienten fortfarande är på kliniken.

Slutligen utvecklar vi verktyg som kommer att ha en inverkan över terapeutiska områden. Snart kommer vi att se AI leverera alltmer värde inom elektroniska kliniska resultatbedömningar (eCOA). Vi kommer att se AI-modeller som fångar och mäter subtila förändringar som upplevs av patienten. Den här tekniken kommer att hjälpa en mängd forskare, men till exempel kommer Alzheimer-forskare att kunna förstå var patienten är i sjukdomsstadiet. Med den kunskapen kan läkemedelseffektivitet bättre bedömas, medan patienter och deras vårdgivare kan bättre förberedas för att hantera sjukdomen.

Vilken roll tror du att AI kommer att spela för att utöka diversitet inom kliniska prövningar och förbättra hälsolikhet över patientpopulationer?

Om du bara ser på AI genom ett tekniskt lins, tror jag att du hamnar i problem. AI måste närmas från alla vinklar: teknik, vetenskap, regulatoriskt och så vidare. I vår bransch uppnås sann excellens endast genom mänskligt samarbete, som utökar förmågan att ställa rätt frågor, såsom: “Tränar vi modeller som tar hänsyn till ålder, kön, kön, ras och etnicitet?” Om alla andra i vår bransch ställer dessa typer av frågor innan de utvecklar verktyg, kommer AI inte bara att accelerera läkemedelsutveckling, utan också för alla patientpopulationer.

Kan du dela Clarios planer eller förutsägelser för AI: s utveckling inom den kliniska prövningssektorn 2025 och beyond?

2025 kommer att se biopharma dra nytta av AI och realtidsanalys som aldrig förr. Dessa framsteg kommer att strömlinjeforma kliniska prövningar och förbättra beslutsfattandet. Genom att påskynda studiebyggnader och implementera riskbaserad övervakning, kommer vi att kunna påskynda tidsplaner, minska bördan på patienter och möjliggöra för sponsorer att leverera livräddande behandlingar med större precision och effektivitet. Detta är en spännande tid för oss alla, eftersom vi arbetar tillsammans för att transformera hälsovården.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Clario.