Intervjuer

Nijat Hasanli, produktchef på Lindus Health – Intervjuserien

Antoine Tardif
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterLindus Healths AI-baserade studieoperativsystem ackumulerar effektivitetsvinster över…
Visa mer
  • Lindus Healths AI-baserade studieoperativsystem ackumulerar effektivitetsvinster över hela studiegenomförandet.
  • Företaget undviker AI i kliniska vårdflöden för att eliminera direkta patientsäkerhetsrisker.
  • Strukturell fragmentering i traditionella studier skapar onödig datainsamling som AI kan bidra till att eliminera i ett tidigt skede.

Nijat Hasanli, produktchef på Lindus Health, har gedigen erfarenhet av att bygga upp och skala produktfunktioner i hälsoteknikföretag och teknikdrivna organisationer. Han har lett 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 företag för kliniska studier som fungerar som en “Accountable Research Organization” med helhetsansvar för forskningen, 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 plattform som sätter tekniken i centrum och hanterar allt från studiedesign och patientrekrytering till datainsamling och genomförande i ett enda system och slutför ofta studier betydligt snabbare än vad som är normalt i branschen. Deras egenutvecklade AI-nativa operativsystem möjliggör realtidsöversikt över studieprestation, justerar incitament genom milstolpsbaserad 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 ett avgörande ögonblick eller en 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 ett avgörande ögonblick tidigt i vår historia lärde oss det motsatta.

När vi genomförde vår första studie höll vi den medvetet 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, mycket komplexa programvarustackar krävs inte för att innovera i studiegenomförande. Innovation i studiegenomförande 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 synliggör 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. CitrusTM 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. Detta fungerar eftersom vi ansvarar för hela studiens genomförande. När AI påskyndar protokollparsning, flyter den effektiviteten in i studiedesign. När studiedesignen är snabbare, övertar datateamet ett tydligare upplägg. 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 koden används till något. Vi använder också AI för att parsa protokollhandlingar till våra studiedesignscheman – betydande effektivitetsvinster på den första transformationen, men det färdiga upplägget genomgår fortfarande flera veckors 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 skyddsåtgärder 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 annan AI i branschen – men i grunden erbjuder de gott om tid för mänsklig granskning. Klinisk vård har en annan riskprofil: beslut fattas i stunden och fel kan direkt påverka patientsäkerheten.

Den främsta effekten gäller det kliniska forskningsteamets effektivitet. Mycket av förbättringsarbetet stöder teamet direkt, och vinsterna förstärker varandra. Varje vecka vi sparar i genomförandet för oss en vecka närmare slutet av läkemedelsutvecklingscykeln och kan förkorta den totala utvecklingstiden. Utöver tidsvinsterna gör våra AI-tillämpningar mer än att förutsäga rekrytering. De övervakar inkommande data för avvikelser, säkerhetssignaler och riskindikatorer – vilket ger studieteamet bättre överblick för effektiv tillsyn.

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 data från kliniska studier är onödiga. Hur använder Lindus Health AI för att identifiera och eliminera onödig datainsamling?

Vad Tufts-studien beskriver är något vi har sett på nära håll. I vår erfarenhet är roten till problemet strukturell: när studiegenomförandet är uppdelat mellan team, har varje team incitament att gardera sig mot alla eventualiteter. Detta beteende är en strukturell reaktion på fragmenterat ansvar. Från leverantörsavtal till datainsamlingsverktyg tillför varje överlämning ytterligare ett lager försiktighetsåtgärder.

När vi når den person som utformar patientregistreringsformulären 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 – villkor för utbetalningar till prövningsställen, kontrollpunkter för regelefterlevnad och krav på revisionsspår. Båda perspektiven är giltiga och nödvändiga. Problemet är att dessa funktioner fungerar utan gemensam kontext. Den operativa stödstrukturen växer, och forskningsfrågan begravs.

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, med markering av onödig komplexitet, överlappningar och fel som smugit sig 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 tillförlitliga insikter tidigare, kan de göra justeringar, flagga problemet för forskningsteamet eller ta fram underlag 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 tillsynsmyndigheter?

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

På den regulatoriska sidan har våra tidiga samtal visat att även om tillsynsmyndigheter 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 insikt om att AI kan förbättra produktivitet, effektivitet och kvalitet – och en medvetenhet om hur mycket redundans som finns i denna bransch.

På sponsorsidan har vi haft sponsorer som frågat oss om AI innan det introducerades i diskussioner. De ville aktivt att vi skulle hitta och införa dessa lösningar. Detta drivs av två faktorer: först, sponsorer använder redan några av dessa verktyg själva, så de förstår potentialen. För det andra inser de att AI-baserad effektivisering kan förkorta studietiden, minska kostnaderna och förhindra problem som annars kunde ha gått obemärkt förbi. Vi har hört från flera sponsorer att det finns ett internt 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 tydliga om det i beskrivningen av uppdragets omfattning 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 utesluter AI felaktigt någon från en studie som kunde ha hjälpt personen. I värsta fall godkänner AI personen, meddelar studieteamet att personen har klarat screeningen 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 fel i ett patientregistreringsformulär: om datainsamlingen går fel, kan du justera instrumentet eller kassera data. Men om AI uppmanar en patient eller ett prövningsställe att vidta en åtgärd, är potentialen för irreversibel skada större – både till sin allvarlighetsgrad 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 går att åtgärda.

Vilka teknologier eller designprinciper är mest effektiva för att minska patientbördan och förbättra deltagarnas fortsatta medverkan?

Patientbelastningen och den fortsatta medverkan handlar om små, medvetna steg för att säkerställa en bra upplevelse. Ingen enskild insats löser detta på egen hand.

Två designprinciper spelar roll.

För det första, kvaliteten på patientorienterat innehåll och gränssnitt. Patientinformationen, samtyckesformuläret, applikationen som används under studien – allt detta formar upplevelsen. Texter bör vara enkla och kortfattade. Gränssnitt bör vara enkla: intuitiv navigering, minimal friktion, inga begravda dokument. Samråd med patientföreträdare kan hjälpa till att finslipa materialet innan det når deltagare. God användarupplevelsedesign 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 synliggör patientstatus, följsamhet och säkerhetssignaler. Automatiserade övervakningsskript hjälper till genom att markera det som kräver uppmärksamhet, så att teamen kan reagera snabbt. Maskinlärning kan upptäcka mönster i följsamhetsdata – tidiga tecken på minskat engagemang innan en patient hoppar av – möjliggör proaktiva insatser snarare än reaktiv uppföljning. Målet är rätt information till rätt personer i rätt tid, utan brus som utspäder vad som är viktigt.

Dessa förbättringar beror inte på ny teknik, men de kommer inte från färdiga lösningar heller – det finns ingen produkt som man bara kan lägga in i en studie och förvänta sig ska fungera. Det kräver uppmärksamhet: förstå var patienter möter friktion och hantera det medvetet. Moderna AI-verktyg erbjuder ett sätt att göra detta snabbare – finslipa texter, granska ton, automatisera övervakningsskript. Teknologin är mogen. Skillnaden är om man löser problem för studien eller för patienten.

Hur samlar Lindus Health in och integrerar patientåterkoppling i studiedesign medan man håller processen enkel 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 dessa data visar hinder påverkar de 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 lyfts fram på företagets gemensamma personalmöten.

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 både dokumenterad och tyst kunskap flöda från en studie till designen av nästa. När en koordinator möter friktion i en studie, kan den insikten informera hur nästa studie konfigureras.

Patientorganisationer vidgar perspektivet ytterligare och lyfter fram synpunkter som inte skulle komma genom interna kanaler – särskilt kring hur studiematerial och processer landar med olika patientpopulationer.

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

Vad behöver ändras i hela branschen för att klinisk forskning ska bli snabbare och mer tillförlitlig?

Branschen har en strukturell tröghet som kräver att yrkesverksamma arbetar annorlunda och demonstrerar alternativa tillvägagångssätt i praktiken. Företagsinnovationsprogram och direktiv från ledningen har begränsad påverkan på operativ förändring – vad som behövs är yrkesverksamma som faktiskt gör saker annorlunda och visar 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 kompetenserna överlappar betydligt. Arbetet förblir avskilt, metoderna svårgenomträngliga 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 underutnyttjad.

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.

Större delen av branschen för kliniska studier 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 störst nytta av AI är de med fullständig spårbarhet. De kontrollerar datakedjan från protokollkonstruktion till datainsamling till analys. De härleder inte kontexten, utan skapar den. De utformar formulären, definierar fälten, skriver dataordboken. Varje datapunkt har ursprung eftersom organisationen skapade ursprunget. Den spårbarheten är inte bara operativ effektivitet – det är det som möjliggör välgrundade beslut som påverkar patienter.

Under de närmaste fem åren kommer denna strukturella fördel att ackumuleras. Organisationer med överblick över hela kedjan kommer att införa 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 krävs för att göra AI pålitlig finns. 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 studiegenomförande bör besöka Lindus Health.

Antoine är en visionär ledare och medgrundare av Unite.AI, driven av en orubblig passion för att forma och främja framtiden för AI och robotik. Som serieentreprenör tror han att AI kommer att förändra samhället lika genomgripande som elektriciteten, och han talar ofta entusiastiskt om potentialen i banbrytande teknik och artificiell generell intelligens (AGI).

Som futurist ägnar han sig åt att utforska hur dessa innovationer kommer att forma vår värld. Han är även grundare av Securities.io, en plattform med fokus på investeringar i spetsteknik som omdefinierar framtiden och omformar hela branscher.