Nijat Hasanli, produktchef på Lindus Health – Intervju-serie

Nijat Hasanli, produktchef på Lindus Health, har en fokuserad meritlista i att bygga och skala produktfunktioner över hälso- och teknikdrivna organisationer, och leder för närvarande produktstrategi och genomförande på Lindus sedan 2022 efter tidigare roller på OneCommerce och Downforce Technologies. Hans erfarenhet omfattar flera produktmiljöer i Storbritannien, där han har varit ansvarig för att anpassa produktutveckling till affärsresultat, driva innovation och översätta komplexa tekniska förmågor till skalbara, användarorienterade lösningar inom snabbt föränderliga branscher.

Lindus Health är ett AI-drivet kliniskt företag som fungerar som ett “Accountable Research Organization”, utformat för att ge bioteknik- och läkemedelsföretag större kontroll, hastighet och tillförlitlighet i att genomföra kliniska studier. Företaget ersätter traditionella kontraktforskningsmodeller med en fullt integrerad, teknikförst-plattform som hanterar allt från studiedesign och patientrekrytering till datainsamling och genomförande inom ett enda system, ofta slutför studier betydligt snabbare än branschens normer. Deras egenutvecklade AI-nativa operativsystem möjliggör realtidsöversikt över studieprestation, justerar incitament genom målbaserad prissättning och utnyttjar storskalig hälsodata för att förbättra rekrytering och resultat, med det övergripande målet att påskynda leveransen av nya behandlingar till patienter.

Kan du dela en avgörande ögonblick eller tidig utmaning som hjälpte till att forma Lindus Healths uppdrag eller produktinriktning?

I kliniska studier är innovation ofta associerad med skala: stora organisationer, betydande kapital och etablerad infrastruktur. Men vår avgörande tidiga ögonblick lärde oss det motsatta.

När vi körde vår första studie var vi medvetna om att hålla den enkel – något vi visste att vi kunde utföra säkert med vår teknik. Den begränsningen tvingade oss att förenkla studiedesignen och förlita oss på system som vi fullständigt kontrollerade, vilket gjorde beroenden och ineffektiviteter mer synliga. Stora, högt komplexa programvarustackar krävs inte för att innovera i studieleverans. Innovation i studieleverans beror på ägandet av hela studien, från början till slut, med en sammanhängande datapipeline som kopplar allt. Den synligheten låter dig se hur allt hänger samman, vilket yppar möjligheter som är svåra att identifiera i fragmenterade driftsmodeller.

Hur fungerar din AI-stödda plattform för att effektivisera den kliniska studieprocessen jämfört med traditionella modeller?

Vi positionerar inte detta som en AI-stödd plattform. Citrus^TM är ett AI-nativt studieoperativsystem. Vi tar ett distribuerat tillvägagångssätt för AI-tillämpning – snarare än att satsa stort på AI i en domän, använder vi vår ingenjörsgrupp för att hitta tillförlitliga, kontextspecifika tillämpningar över hela våra system. Vad som gör detta arbete är att vi kör studier med fullskalig genomförande. När AI påskyndar protokollparsning, flyter den effektiviteten in i studiedesign. När studiedesignen är snabbare, ärvinner datateamet en renare inställning. Dessa inkrementella förbättringar ackumuleras eftersom varje skede producerar mer strukturerade utdata och minskar efterföljande omarbete.

Två exempel illustrerar detta: vi använder AI för att generera dataanalyskod, där vi har tydliga mekanismer för att granska utdata innan det berör något. Vi använder också AI för att parsa protokollhandlingar till våra studiedesignscheman – betydande effektivitetsvinster på den första transformationen, men bygget går fortfarande genom veckor av granskning och acceptanstestning.

Vi tillämpar inte AI i kliniska vårdflöden. Vi känner en ansvarskänsla för att säkerställa att våra tillämpningar inte medför någon risk för skada på patienter i våra studier, eftersom den infrastruktur som krävs för att stödja lämpliga skyddsräcken fortfarande är under utveckling. Detta undviker de regulatoriska och säkerhetsrisker som är förknippade med AI i kliniska vårdflöden. Våra andra tillämpningar står fortfarande inför samma granskning som alla AI i denna bransch – men i grunden erbjuder de gott om tid för mänsklig granskning. Klinisk vård är en annan riskprofil: i ögonblicksbeslut där fel kan direkt påverka patientsäkerhet.

Den primära påverkan är på klinisk forskningsteamets effektivitet. Mycket av vår effektivisering tjänar det kliniska forskningsteamet direkt – effektiviteter som ackumuleras. Varje vecka vi skär av studieleverans är en vecka närmare att slutföra läkemedelsutvecklingscykeln, vilket kan minska den totala tidsramen i läkemedelsutvecklingsprocessen. Och bortom tidsvinster, våra AI-tillämpningar gör mer än att förutsäga rekrytering. De övervakar inkommande data för avvikelser, säkerhetssignaler och riskindikatorer – ger studieteamet tydligare synlighet för att övervaka studier effektivt.

I traditionella modeller tillämpas AI vanligtvis som en punktlösning – ett verktyg för en funktion, isolerat från resten av processen. Vår modell från början till slut låter effektivitetsvinster flöda genom hela studien, med varje förbättring som bygger på den föregående. Det återspeglar skillnaden mellan att optimera enskilda funktioner och förbättra prestanda över hela studiegenomförandet.

Tufts-studien betonar att nästan en tredjedel av kliniska studiedata är icke-essentiell. Hur använder Lindus Health AI för att identifiera och eliminera onödig datainsamling?

Vad Tufts-studien beskriver är något vi har sett förstahands. I vår erfarenhet är roten till problemet strukturell: när studieleverans är fragmenterad över team, är varje team incitiverat att täcka alla sina baser. Detta beteende är en strukturell respons på fragmenterat ansvar.

När vi når den person som utformar fallrapportformulären är de ofta långt ifrån den ursprungliga forskningsfrågan. Undersökaren kan fråga: “Hur förändrades vikten över tre månader med denna behandling?” Men instrumentdesignern fokuserar på operativa bekymmer – betalningsutlösare för webbplatsen, kompatibilitetskontroller, revisionsloggkrav. Båda perspektiven är giltiga och nödvändiga. Problemet är att dessa funktioner fungerar utan gemensam kontext. Den operativa stödstrukturen växer, och forskningsfrågan begraves.

Det finns också ett enklare lager att hantera innan tekniska lösningar. Våra forskningsteam har redan tillgång till AI-chattverktyg, och de använder dem konstant. När teamen får dussintals protokollhandlingar och PDF-filer varje vecka, kan de mata in dem i AI-assisterade verktyg och ställa frågor, vilket förändrar hur de engagerar sig i materialet. Det hjälper teamen att hålla sig nära forskningsfrågan istället för att gå vilse i operativa detaljer.

Först, studiedesign. Att ha AI-verktyg inbäddade i design- och byggprocessen låser upp möjligheter att fånga dessa problem tidigt – innan de blir låsta i protokollet. Vi använder AI för att generera raffinerade studieplaner och vägleda designers genom protokollet, flaggning där forskningsplanen blir för komplicerad, där det finns dubblett eller där fel har smugit in. Därifrån kan designern fatta ett informerat beslut att ta bort en datapunkt eller minska insamlingsfrekvensen – med dokumenterad motivering.

Andra, dataanalys. När en studie pågår, är det en annan utmaning att ändra vad man planerade att samla in. Men AI kan hjälpa teamen att skära igenom bruset snabbare – snabbare aggregation, mönsterigenkänning och avvikelseflaggning betyder mindre tid på manuell bearbetning. Det spelar roll här eftersom det ger teamen agiliteten att identifiera om och var onödig datainsamling faktiskt påverkar studien. Med självsäkra insikter som anländer snabbare, kan de göra justeringar, flagga problemet för forskningsteamet eller bygga fallet för en protokolländring för att strömlinjeforma insamlingen medan det fortfarande finns tid att agera.

Detta är ett strukturellt problem som hanteras i två skeden: i designen, för att fånga och ta bort komplexitet innan den låses in, och i analysen, för att ge teamen hastigheten att identifiera problem och agera på dem medan studien pågår.

Vad är de största missuppfattningarna om att använda AI i kliniska studier, och hur hanterar du dem med sponsorer och regulatorer?

Den största missuppfattningen är tveksamhet – antagandet att sponsorer och regulatorer skulle motstå AI i kliniska studier. Detta återspeglas inte i vår erfarenhet.

På den regulatoriska sidan har våra tidiga samtal visat att även om regulatorer är lämpligt försiktiga med att publicera vägledning, är de enskilda personerna i dessa organisationer öppna för att diskutera AI i kliniska studier. Det finns en allmän erkänsla av att AI kan förbättra produktivitet, effektivitet och kvalitet – och en medvetenhet om hur mycket redundans som finns i denna bransch.

På sponsorssidan har vi haft sponsorer som frågat oss om AI innan det introducerades i diskussioner. De sökte aktivt efter oss för att hitta och implementera dessa lösningar. Detta drivs av två faktorer: först, sponsorer använder redan några av dessa verktyg själva, så de förstår potentialen. Andra, de erkänner att AI-drivna effektiviteter kunde skära ner studietiden, minska kostnaderna och förhindra problem som annars kunde ha gått obemärkt förbi. Vi har hört från flera sponsorer att det finns intern tryck inom deras organisationer för att demonstrera AI-användning för effektivitet.

En relaterad oro är AI och data som används för att träna modeller. Branschen utvecklas här, och modellleverantörer är alltmer tydliga med hur deras användningsplaner fungerar. Vi är försiktiga med att säkerställa att de AI-verktyg vi använder inte matar data till grundmodellsträning. Vi är lika försiktiga med att träna våra egna modeller eller metoder – och där någon gör detta, bör de vara explicita om det i arbetsförklaringen mellan kund och leverantör. Tydlig dokumentation av dataanvändning och modellbeteende krävs.

Så missuppfattningarna är verkliga, men de pekar på en skyldighet att vara ansvarig: vara tydlig om var AI används, hur data hanteras och vilka skyddsfunktioner som finns på plats. Den relevanta frågan för sponsorer är inte om de ska använda AI i studier – det är om deras leverantör har tänkt igenom dessa frågor och är villig att vara transparent om det.

Hur balanserar du automatisering och mänsklig tillsyn för att säkerställa både hastighet och kvalitet i studiegenomförande?

Vi är försiktiga med att använda AI där det inte finns någon möjlighet till mänsklig granskning. Detta återspeglas i vår kvalitetsdokumentation och AI-policy.

För att illustrera: det finns leverantörer som erbjuder chattbotar som bedömer patientens behörighet genom samtal. Denna typ av automatisering kräver betydligt mer noggrann övervägning än de flesta tillämpningar. I bästa fall felbedömer AI någon för en studie som kunde ha hjälpt dem. I värsta fall kvalificerar det dem, signalerar till studieteamet att de har passerat screening och introducerar risk i rekryteringen som inte borde ha funnits där.

Mänsklig tillsyn hjälper inte här – när en mänsklig granskare granskar utdata, har AI redan agerat i ett högriskflöde. Jämför det med ett fallrapportfel: om datainsamlingen går fel, kan du justera instrumentet eller kassera data. Men om AI berättar för en patient eller en forskningsplats att vidta en åtgärd, är potentialen för irreversibel skada större – både i allvar och jämfört med andra platser där AI kan gå fel i en studie.

Denna balans är uppnåelig genom att fokusera på tillämpningar där mänsklig granskning är integrerad och risker är hanterbara. AI är mest effektivt i arbetsflöden där mänsklig granskning är inbäddad och fel är återställningsbara.

Vilka teknologier eller designprinciper är mest effektiva för att minska patientbördan och förbättra kvarhållningen?

Patientbördan och kvarhållningen handlar om små, medvetna steg för att säkerställa en bra upplevelse. Inga enskilda ingrepp hanterar detta oberoende.

Två designprinciper spelar roll.

För det första, kvaliteten på patientorienterat innehåll och gränssnitt. Patientinformationen, samtyckesformuläret, applikationen som används under studien – allt detta formar upplevelsen. Kopior bör vara enkla och koncisa. Gränssnitt bör vara enkla: intuitiv navigering, minimal friktion, inga begravda dokument. Patientrådgivningskonsultationer kan hjälpa till att finslipa materialet innan det når deltagare. Bra användargränssnittsdesign spelar roll här, lika mycket som någon annanstans, särskilt i kliniska studier där du inte hanterar miljontals användare som så småningom anpassar sig.

För det andra, hur forskningsteam håller kontakten med patienter. Detta innebär kommunikationsverktyg – påminnelser, inbjudningar, meddelanden – och övervakningsinfrastruktur som yppar patientstatus, följsamhet och säkerhetssignaler. Automatiserade övervakningsskript hjälper här, flaggning för vad som behöver uppmärksamhet så att team kan svara snabbt. Maskinlärning kan upptäcka mönster i följsamhetsdata – tidiga tecken på avkoppling innan en patient hoppar av – möjliggör proaktiv ingripande snarare än reaktiv uppföljning. Målet är rätt information till rätt personer i rätt tid, utan brus som utspäder vad som är viktigt.

Detta förbättringar beror inte på ny teknik, men de kommer inte från färdiga lösningar heller – det finns inget produkt du kan släppa in i en studie och förvänta dig att fungera. Det kräver uppmärksamhet: förstå var patienter möter friktion och hantera det medvetet. Vad modern AI-verktyg erbjuder är ett sätt att göra detta snabbare – finslipa kopior, granska ton, automatisera övervakningsskript. Teknologin är mogen. Skillnaden är om du löser för studien eller löser för patienten.

Hur samlar Lindus Health in och integrerar patientåterkoppling i studiedesign medan man håller processen smal och effektiv?

Integritets- och efterlevnadskrav formar hur patientåterkoppling kan samlas in – tillvägagångssättet måste fungera inom dessa gränser. Grundläggande övervakning fångar tjänstetillgänglighet, avidentifierad användningsdata (enhetstyp, applikationsbeteende) och följsamhetsmönster – hur konsekvent deltagare slutför planerade bedömningar. När denna data yppar friktionspunkter, matar den in i designbeslut för framtida studier.

Den mer direkta integrationen kommer genom forskningspersonal. Koordinatorer uppmuntras att engagera sig med deltagare och samla in signaler kring deras upplevelse, sedan mata tillbaka det till det bredare teamet. Detta förstärks kulturellt – patientupplevelseåterkoppling publiceras i delade kanaler och kallas ut på företagets alla händer.

Det finns också en strukturell fördel. Till skillnad från den traditionella modellen, där ett nytt forskningsteam samlas för varje studie, kör Lindus studier på samma teknik med teammedlemmar som har arbetat över flera studier. Denna kontinuitet låter lärande – både kodifierade och tysta – flöda från en studie till designen av nästa. När en koordinator möter friktion i en studie, kan den insikten informera hur nästa studie konfigureras.

Patientrådsgrupper utvidgar detta ytterligare, yppar perspektiv som inte skulle komma genom interna kanaler – särskilt kring hur studiematerial och processer landar med olika patientpopulationer.

Processen förblir smal eftersom återkoppling flödar genom befintliga strukturer snarare än att kräva en separat apparat för varje studie.

Vad behöver ändras branschvid för att klinisk forskning ska bli snabbare och mer tillförlitlig?

Branschen har en strukturell tröghet som kräver att praktiker fungerar annorlunda och demonstrerar alternativa tillvägagångssätt i praktiken. Företagsinnovationsprogram och verkställande mandat har begränsad påverkan på operativ förändring – vad som behövs är praktiker som faktiskt kommer att göra saker annorlunda och bevisa att det fungerar.

Statistisk programmering illustrerar mönstret. Detta är ett kvalificerat arbete – omvandling av klinisk data för biostatistisk analys – utfört av specialister som har djup domänkompetens. Men det finns svårigheter att locka talang. Professionella med datavetenskap eller ingenjörsbakgrund väljer sällan det, trots att färdighetssamlingarna överlappar betydligt. Arbetet förblir avskilt, metoderna opaka för utomstående, och talangpipelinen är begränsad.

AI kunde öppna detta – moderna verktyg kan hantera mycket av omvandlingsarbetet, och dubbel programmering (där två programmerare oberoende producerar utdata) kan uppfyllas med AI-mänskliga par snarare än mänskliga-mänskliga par. Men teknologi ensam löser inte strukturella problem. Du behöver praktiker som är villiga att implementera det genomtänkt och bevisa att det uppfyller regulatoriska standarder. Utan det förblir kapaciteten outnyttjad.

Den bredare lärdomen: snabbare, mer tillförlitliga studier kräver mer än nya verktyg. De kräver att skapa utrymme – i rekrytering, i regulatorisk tolkning, i organisationskultur – för människor som kommer att arbeta annorlunda. Detta är hur tidsramar kan reduceras i praktiken.

Hur ser du på relationen mellan AI, data och studiedesign utvecklas under de närmaste fem åren?

Relationen kommer att formas av en strukturell verklighet: AI:s effektivitet är begränsad av den kontextkvalitet den får. Utan rik, exakt kontext – var data kom ifrån, vilka transformationer den genomgick, vad den faktiskt betyder – producerar även starka modeller opålitliga utdata.

De flesta av den kliniska studiebranschen är fragmenterad. CRO:er ser fragment av studielivscykeln. Sponsorer arbetar med flera leverantörer, var och en som håller en bit av bilden. Kontexten går förlorad vid varje överlämning. När du ber ett AI-system att resonera om studiedata i denna miljö, arbetar det med ofullständig information – och ofullständig information producerar opålitliga utdata.

De organisationer som kommer att dra nytta mest av AI är de med fullständig spårbarhet. De kontrollerar datakedjan från protokollkonstruktion till datainsamling till analys. De inför inte kontext – de genererar det. De utformar formulären, definierar fälten, skriver datadictionaryn. Varje datapunkt har ursprung eftersom organisationen skapade ursprunget. Den spårbarheten är inte bara operativ effektivitet – det är vad möjliggör självsäkra beslut som påverkar patienter.

Under de närmaste fem åren kommer denna strukturella fördel att ackumuleras. Organisationer med fullständig synlighet kommer att distribuera AI mer effektivt – från adaptiva studiedesigner som svarar på inkommande data till protokolljusteringar informerade av historiska mönster – fånga lärande som förbättrar deras system och vidga gapet. De som arbetar med fragmenterad data kommer att hitta AI lovande men opålitlig: system som fungerar bra i kontrollerade miljöer men inte generaliserar tillförlitligt i produktionsmiljöer.

Frågan för branschen är inte om AI kommer att spela roll. Det är om den datainfrastruktur som finns för att göra AI pålitlig. För de flesta i branschen finns den inte ännu. Det är det arbete som ligger framför.

Tack för det underbara samtalet, läsare som vill lära sig mer om AI-nativ klinisk prövning, ägande av data från början till slut och snabbare studieleverans bör besöka Lindus Health.