Matt Walz, VD på Trialbee – Intervju-serie

Matt Walz är VD för Trialbee, en global ledare inom teknikdriven patientrekrytering. Han har mer än 20 års erfarenhet av programvaror och ledarskap inom life sciences-branschen. Matt började sin karriär som utvecklare och hade olika tekniska och ledande roller på Rollins Corporation, PSCI, Microsoft (MSFT ), Morgan Lewis och Datalabs. År 2006 var Matt med och grundade NextDocs, som växte till att bli en global ledare inom klinisk, kvalitets- och regulatorisk dokumenthantering, där han tjänstgjorde som CTO, CSO och styrelseledamot i 9 år. Innan han gick med i Trialbee tillbringade Matt 5 år som general manager för life sciences och VP för strategiska konton på Aurea Software, som hade förvärvat NextDocs.

Trialbee är ett hälso- och sjukvårdstekniskt företag som strömlinjeformar patientrekrytering för kliniska prövningar. Genom att utnyttja dataanalys, digital marknadsföring och realvärldsevidens matchar, engagerar och förkvalificerar det patienter för att påskynda inskrivning. Plattformen erbjuder transparens över källor och partners, vilket hjälper sponsorer, CRO:er och prövningsställen att hantera rekryteringspipelinen mer effektivt samtidigt som de minskar bördan på ställena.

Du har arbetat med både hälso- och sjukvårdstekniska startup-företag och storskaliga kliniska forskningsplattformar. Vilka personliga erfarenheter eller ögonblick i din karriär ledde dig till att inse potentialen – och fallgroparna – med AI i patientrekrytering?

AI har varit den snabbast rörliga tekniktrenden jag sett under mer än två decennier av arbete inom klinisk utveckling – snabbare än till och med de tidiga dagarna av molntjänster. Det som varit mest slående för mig är hur AI har flyttat från konceptuell till operativ över hela den industri som vanligtvis är långsam att anta ny teknik – och prioriteras till och med av regulatoriska myndigheter som FDA. För klinisk prövning av patientrekrytering specifikt är vi fortfarande i de tidiga faserna av att lära oss var det passar bäst. Leverantörer och sponsorer utforskar AI för protokollutveckling, personer och målgrupper, databerikning, lokaliseringar och kommunikation och engagemang – som alla är stora friktionspunkter för forskningsteam.

Med det sagt finns det fortfarande en del risk som följer med den potentialen. Jag har talat med ledare på stora läkemedelsföretag som betonar att medan AI visas i fler punkter i arbetsflödet, kan det inte köras okontrollerat. Mänsklig tillsyn är grundläggande.

Detta gäller kvalitets- och säkerhetsskäl samt för att företag som Trialbee kopplar samman patienter och familjer som söker hopp – en mycket mänsklig och empatisk upplevelse som inte kan ersättas av AI på ett meningsfullt sätt för de patienter vi alla tjänar.

Klinisk prövning av patientrekrytering har historiskt sett problem med mångfald, hastighet och noggrannhet. Hur hjälper AI till att hantera dessa utmaningar – och var brister det fortfarande?

AI hjälper till att strömlinjeforma några av de långsammaste och mest resurskrävande delarna av rekryteringsprocessen. Till exempel saker som tidigare tog veckor – som översättning av studiematerial över dussintals språk – komprimeras nu till timmar. Det betyder att vi kan börja rekrytera snabbare över fler globala marknader.

När det gäller noggrannhet börjar AI-drivna agenter att hjälpa oss att leverera mer konsekventa, kriterieorienterade interaktioner, från de material vi skapar till förskärmning till chattbotar. Dessa verktyg är särskilt användbara för att minska avhopp som bromsar rekryteringsprocessen.

Mångfald kvarstår som en utmaning, dock. AI är endast så representativ som de data den tränas på, och representation formas också av faktorer utanför tekniken – inklusive landspecifika regulatoriska begränsningar som begränsar hur AI kan användas i patientorienterade roller. Att bygga förtroende med prövingsdeltagare har varit en utmaning under hela den kliniska forskningens historia, och engagemang med AI-verktyg möts med varierande grad av skepsis. Med det i åtanke stöder vi starkt en strategi som skulle ge människor möjlighet att interagera med en levande medicinsk professionell eller, till exempel, en AI-agent. Detta kan hjälpa till att nå deltagare med varierande komfortnivåer runt AI samtidigt som det säkerställer stark tillsyn, särskilt för agenter med AI, även om skydd som separata resonemotorer måste införlivas för att göra det framgångsrikt.

Du nämnde tidigare att AI-verktyg införs snabbare än någon tidigare innovation inom patientrekrytering. Men med globala regulatorer som kämpar för att hålla jämna steg, vad är de mest brådskande tillsynsbristerna du ser i multinationella kliniska prövningskampanjer?

Den största bristen är bristen på regulatorisk samstämmighet över geografier. I USA omfamnar myndigheter som FDA AI med nya ramar och tidiga granskningsprocesser. I Europa rör sig man mer försiktigt, fokuserar på att gå försiktigt och tillämpa strängare regulatoriska granskningar.

För företag som vårt som verkar globalt skapar detta en utmaning: Vad som är acceptabelt i ett land kan inte vara det i ett annat. Och variationen ligger inte bara i regler, utan också i hur olika kanaler eller sociala medieplattformar som Facebook (META ) kan användas för rekrytering, hur personuppgifter hanteras eller hur patientens samtycke samlas in. Dessa är nyanser som kräver operativ smidighet och en djup förståelse för regionala etiska och efterlevnadsstandarder.

Detta är där vår historia av innovation och inneboende global kultur är stora tillgångar när vi navigerar den spännande men mycket dynamiska AI-landskapet.

Hur kan bristen på global samstämmighet i regulatoriska ramar avsevärt försvåra AI-antagandet i kliniska prövningar? Har du sett några verkliga konsekvenser av detta?

Absolut. De digitala marknadsföringsstrategier vi förlitar oss på för patientrekrytering är ett bra exempel här. Facebook är en av de mest effektiva plattformarna globalt, men även inom de länder där det är tillåtet varierar nivån på målgruppsinriktning som tillåts, och vilka data som kan användas. Vi bygger intern expertis för att övervinna dessa skillnader, och vi förväntar oss att AI-reglering kommer att följa en liknande väg.

I praktiken kan de begränsningar som denna dilemma påtvingar rekryteringsgrupper leda till försenade kampanjlanseringar, ytterligare cykler med etiska kommittéer och mer komplexa efterlevnadsarbetsflöden. Om du inte är djupt medveten om hur varje land tolkar AI-användning, särskilt i patientorienterade tillämpningar, riskerar du att sakta ner prövningar eller springa in i allvarliga godkännandehinder.

Trialbee verkar i skärningspunkten mellan data, teknik och patientengagemang. Hur ser du till att AI-drivna rekryteringsstrategier inte reducerar patienter till datapunkter, utan snarare förbättrar den mänskliga sidan av forskningen?

En utmärkt och viktig fråga för oss alla. Som jag nämnde tidigare ser jag AI som en möjlighet att ge mänskliga resurser – inte ersätta dem. Detta är särskilt sant i den mycket personliga bransch vi arbetar i, där vi försöker hjälpa generationer av patienter att leva friskare liv runt om i världen. Vår verksamhet är en varm och mänsklig verksamhet, som handlar om att koppla samman människor, och mänskliga varelser kommer alltid att ligga i hjärtat av det.

När det gäller dagliga operationer är den bästa AI vi kan tillhandahålla – till exempel inom vår Honey-plattform – att analysera data och trender och påminna platser och studieteam om var åtgärd kan behövas. Vi gör mycket av detta redan, och kommer att fortsätta lägga till funktioner för att säkerställa att de värdefulla data som samlas in används på ett sätt som gör skillnad i prövningen. Det kan innebära att tillhandahålla dagliga insikter om rekryteringsframsteg eller påminna om uppföljning med specifika patienter med prediktiv modellering.

Internt använder vi AI inom hela vår organisation på ett systematiskt och samarbetsinriktat sätt. Ett par bra exempel här kan vara översättning av rekryteringsmaterial och AI-driven undertryckning av potentiell PII-data – dessa kommer alltid att övervakas av en erfaren människa. Så du kommer förhoppningsvis att se hur vi använder AI för att göra vårt fantastiska team starkare, och inte tvärtom.

Vilka specifika färdigheter är mest kritiska för kliniska forskningsteam att ansvarsfullt styra och reglera AI-verktyg idag?

De mest kritiska färdigheterna ligger i skärningspunkten mellan klinisk expertis, AI-litteracitet och regulatorisk kompetens. Team behöver förstå hur man engagerar sig med AI-plattformar effektivt genom att ge dem precisa instruktioner och granska deras utdata kritiskt.

Det finns också ett växande behov av regulatorisk insikt. Som jag nämnde tidigare behövs detta särskilt för områden som agenter med AI, där vi bygger separata resonemotorer för att fungera som skyddsräcken i patientinteraktioner. Team måste också kunna utvärdera AI-översatt innehåll och verifiera dess noggrannhet och kulturella relevans innan material skickas till etiska kommittéer.

AI-antagandet accelererar. Vad skulle du ge för råd till kliniska prövningsintressenter som är tveksamma eller överväldigade av komplexiteten i att integrera AI i sina arbetsflöden?

Någon sa en gång, när du börjar arbeta med AI, se till att du använder verklig intelligens. Maskinlärning kan möjliggöra fantastiska saker – under förutsättning att den har expertis, kontext och skyddsräcken från domänexperter bakom den.

Mitt råd är att börja smått och förbli grundade i vad du kan leverera idag. En av de största misstagen jag ser är företag som lutar sig för långt in i vaga löften om AI-omvandling utan att artikulera hur det faktiskt fungerar eller när det kommer att vara klart. Medan dessa löften kan låta bra i ögonblicket, kan de urholka förtroendet eftersom de inte visar bevis på en verklig plan.

Den bättre vägen är att bryta antagandet i små, definierade steg med tydliga resultat. Välj ett eller två högimpaktområden där AI kan ta bort friktion och se till att dessa backas upp av rätt tillsyn. Var specifik om de verktyg du använder, hur de är konfigurerade och, framför allt, hur du skyddar känslig information. Detta är den strategi vi följer på Trialbee. Vi pratar bara med intressenter om funktioner vi aktivt bygger, vanligtvis inte mer än tre månader framåt, eftersom vi vill säkerställa att vi kommunicerar vad som är verkligt.

På Trialbee ber vi för närvarande en annan avdelning eller grupp varje vecka att presentera användningsfall som har fungerat för dem. Vi diskuterar hur och varför för att dela lärdomar, utmaningar och lösningar så att andra kan reproducera deras AI-lyckanden för att förbättra effektivitet, kundleverans eller rekryteringsresultat.

Vi betonar också transparens kring de verktyg vi använder för att bygga dessa funktioner. Om vi använder OpenAI:s ChatGPT eller Anthropic:s Claude, till exempel, beskriver vi konfigurationen för intressenter, inklusive hur vi isolerar känslig information och tillämpar mänsklig tillsyn. När de ser vinsterna i praktiken, som tidsbesparingar i översättningsarbetsflöden eller ökad hastighet i tidig patient-screening, är de mer benägna att gå ombord med nästa AI-användningsfall. Och så, det handlar mindre om att sälja den stora visionen och mer om att bevisa värde steg för steg.

FDA och andra regulatorer börjar ställa tuffare frågor om AI-modeller som används i läkemedelsutveckling. Vilka typer av transparens-, validerings- eller granskningsstandarder tror du bör bli branschstandarder?

Branschen måste gå mot fullständig transparens och säkerställa att det alltid finns mänsklig tillsyn i varje AI-assisterat beslut. För att citera några exempel:

När vi pratar om agenter med AI arbetar vi redan med att införliva regulatorisk logik i en separat resonemotor som kan utvärdera och korrigera samtal i realtid. Den typen av intern kontrollsystem bör bli standard i alla patientorienterade tillämpningar. Valideringsprotokoll behöver också formaliseras, inklusive benchmark-testning och fortlöpande prestandautvärderingar.

Det viktigaste är att dessa standarder integreras i produktutvecklingsprocessen och inte monteras på efteråt. Den nivån av rigor kommer att vara avgörande för att upprätthålla patientsäkerhet, vinna regulatoriskt förtroende och skala AI på ett ansvarsfullt sätt över globala kliniska prövningskampanjer.

AI-modeller förlitar sig ofta på historiska datamängder som kan återspegla systematiska hälso- och sjukvårdsbias. Hur närmar du dig att säkerställa rättvisa och mångfald i patientrekrytering, särskilt för underrepresenterade befolkningsgrupper?

Att inte ha AI har inte varit vad som har hindrat mångfald i klinisk forskning – inte att prioritera en plan är. Och AI kan inte heller hjälpa till med det. När det finns en verklig åtagande kan AI vara ett kraftfullt verktyg som absolut hjälper oss att nå underrepresenterade grupper mer effektivt, men endast om vi är avsiktliga. Det är därför vi på Trialbee breddar de data våra modeller använder, bygger samhällspartnerskap och övervakar kontinuerligt rekryteringsresultat för att säkerställa att ingen grupp lämnas efter.

Du nämnde att ditt team rullar ut nya AI-relaterade produkter senare i år. Kan du ge en högnivåförhandsvisning av de problem du löser – och hur dessa innovationer återspeglar din bredare filosofi kring ansvarsfull AI-användning?

Trialbee har en kultur av innovation och AI är en viktig och växande komponent i den. I år alone har vår Honey-plattform rullat ut nya platsspecifika arbetsflöden, en sponsor-specifik patientregister och användningsfall som stöder prövningshittesidor för globala bioteknikmärken som BMSClinicalTrials.com. Med AI specifikt kommer du att se nya funktioner och förbättringar som rullas ut under de kommande 3, 6, 12 månaderna och bortom. Vi utvecklar chattbotar, smarta verktyg och mer inom Honey samtidigt som vi utvärderar nya sätt att strömlinjeforma processer för våra kunder. Internt använder vi det för att bli mer riktade, mer avsiktliga, mer inkluderande och mer effektiva i allt vi gör – med en erfaren teammedlem som driver varje beslut och tolkar kontext för alla AI-modeller vi använder.

Om fem år ser du Trialbees roll utvecklas som AI blir mer djupt integrerat i klinisk forskning. Vilken roll tror du att ditt företag kommer att spela för att forma en mer etisk, effektiv och globalt harmoniserad framtid för patientrekrytering?

Om fem år ser jag Trialbee som den ledande AI-aktiverade tjänsteleverantören för patientrekrytering i klinisk forskning. Vi integrerar redan generativ AI i varje del av rekryteringsarbetsflödet där det kan påskynda hastighet, förbättra noggrannhet eller öka patientalternativ. Som jag nämnde tidigare utvärderar vi aktivt verktyg som skulle ge patienter möjlighet att välja mellan att engagera sig med en levande medicinsk professionell eller en AI-agent, beroende på deras preferens och komfortnivå. Vi tror att ge människor det valet är nyckeln till att öka förtroende och deltagande över tid.

Etiskt är vi åtaganda att säkerställa att AI implementeras med regulatorisk rigor och transparens. Det betyder att införliva tillsynsmechanismer i tekniken själv och vara öppna med hur våra system fungerar. Vi bygger också AI in i vår organisationskultur – varje avdelning och varje team – så att vi är redo att anpassa oss när tekniken utvecklas. Till slut vill vi vara ett företag som hjälper till att definiera hur AI används på ett ansvarsfullt sätt inom klinisk forskning. Om vi gör det rätt, kan vi hjälpa till att forma en framtid där prövningar är snabbare, mer inkluderande och lättare för patienter att komma åt oavsett var de bor eller vilket språk de talar.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Trialbee.