สัมภาษณ์
นิจาต ฮาซานลี หัวหน้าฝ่ายผลิตภัณฑ์ของ Lindus Health – ชุดบทสัมภาษณ์

ประเด็นสำคัญระบบปฏิบัติการทดลองของ Lindus Health ที่ใช้ AI เป็นพื้นฐาน…
ดูเพิ่มเติม
- ระบบปฏิบัติการทดลองของ Lindus Health ที่ใช้ AI เป็นพื้นฐาน ส่งผลให้ประสิทธิภาพเพิ่มพูนทวีคูณตลอดขอบเขตการดำเนินการทดลองทั้งหมด
- บริษัทหลีกเลี่ยงการใช้ AI ในขั้นตอนการดูแลผู้ป่วยทางคลินิก เพื่อขจัดความเสี่ยงด้านความปลอดภัยโดยตรงต่อผู้ป่วย
- ความแตกแยกเชิงโครงสร้างในการทดลองแบบดั้งเดิม ก่อให้เกิดการเก็บรวบรวมข้อมูลที่ไม่จำเป็น ซึ่ง AI สามารถช่วยขจัดได้ตั้งแต่ระยะเริ่มแรก
นิจาต ฮาซานลี, หัวหน้าผลิตภัณฑ์ที่ Lindus Health, มีประวัติการทำงานที่เน้นการสร้างและขยายฟังก์ชันผลิตภัณฑ์ข้ามองค์กรเทคโนโลยีสุขภาพและองค์กรที่ขับเคลื่อนด้วยเทคโนโลยี, ปัจจุบันกำลังนำกลยุทธ์และการดำเนินงานผลิตภัณฑ์ที่ Lindus ตั้งแต่ปี 2022 หลังจากทำงานที่ OneCommerce และ Downforce Technologies ก่อนหน้านี้ ประสบการณ์ของเขามีหลายสภาพแวดล้อมในสหราชอาณาจักร โดยที่เขารับผิดชอบในการจัดตำแหน่งการพัฒนาผลิตภัณฑ์ให้สอดคล้องกับผลลัพธ์ของธุรกิจ ส่งเสริมนวัตกรรม และแปลความสามารถทางเทคนิคที่ซับซ้อนให้เป็นโซลูชันที่ขยายขนาดได้และเน้นผู้ใช้ภายในอุตสาหกรรมที่เปลี่ยนแปลงอย่างรวดเร็ว
Lindus Health เป็นบริษัททดลองทางคลินิกที่ขับเคลื่อนด้วย AI โดยดำเนินการเป็น “องค์กรการวิจัยที่รับผิดชอบ” ซึ่งออกแบบมาเพื่อให้บริษัทไบโอเทคและเภสัชกรรมมีการควบคุม ความเร็ว และความน่าเชื่อถือในการดำเนินการศึกษาทางคลินิกมากขึ้น บริษัทนี้แทนที่แบบจำลองการวิจัยสัญญาที่ดั้งเดิมด้วยแพลตฟอร์มที่บูรณาการครบถ้วนและให้ความสำคัญกับเทคโนโลยีซึ่งจัดการทุกอย่างตั้งแต่การออกแบบการทดลองและการสรรหาบุคคลเข้าร่วมจนถึงการเก็บข้อมูลและการดำเนินการทดลองภายในระบบเดียว ซึ่งมักจะเสร็จสิ้นการทดลองเร็วกว่าที่เป็นปกติในอุตสาหกรรมอย่างมาก ระบบปฏิบัติการเฉพาะของบริษัทซึ่งออกแบบตั้งแต่ต้นโดยมี AI เป็นแกนกลางทำให้สามารถมองเห็นผลการดำเนินการทดลองในแบบเรียลไทม์ จัดตำแหน่งแรงจูงใจผ่านการกำหนดราคาตามหมุดหมายที่บรรลุ และใช้ข้อมูลสุขภาพขนาดใหญ่เพื่อปรับปรุงการรับเข้าร่วมและผลลัพธ์ โดยมีเป้าหมายที่กว้างขึ้นในการเร่งการนำวิธีรักษาใหม่มาใช้กับผู้ป่วย
คุณสามารถแบ่งปันช่วงเวลาที่กำหนดหรือความท้าทายในช่วงแรกที่ช่วยกำหนดภารกิจหรือทิศทางผลิตภัณฑ์ของ Lindus Health ได้หรือไม่?
ในงานทดลองทางคลินิก นวัตกรรมมักเกี่ยวข้องกับการขยายขนาด: องค์กรขนาดใหญ่ ทุนจำนวนมาก และโครงสร้างพื้นฐานที่มีอยู่ แต่ช่วงเวลาที่กำหนดในช่วงแรกของเราได้แสดงให้เห็นตรงกันข้าม
เมื่อเราดำเนินการทดลองครั้งแรก เราได้ตัดสินใจที่จะทำให้มันง่ายขึ้น – สิ่งที่เรารู้ว่าเราสามารถดำเนินการได้อย่างปลอดภัยด้วยเทคโนโลยีของเรา ข้อจำกัดนี้บังคับให้เราลดความซับซ้อนของการออกแบบการทดลองและพึ่งพาระบบที่เราควบคุมอย่างเต็มที่ ซึ่งทำให้ความสัมพันธ์และความไร้ประสิทธิภาพมองเห็นได้ชัดเจนยิ่งขึ้น การสร้างนวัตกรรมในการดำเนินการทดลองไม่จำเป็นต้องใช้ซอฟต์แวร์สแต็กขนาดใหญ่และซับซ้อนมาก นวัตกรรมในการส่งมอบการทดลองขึ้นอยู่กับการเป็นเจ้าของการทดลองเต็มรูปแบบ ตั้งแต่ต้นจนจบ โดยมีการเชื่อมต่อท่อข้อมูลที่สอดคล้องกันทั้งหมด ความชัดเจนนี้ช่วยให้คุณเห็นได้ว่าทุกอย่างเชื่อมโยงกันอย่างไร ซึ่งนำเสนอโอกาสที่ยากต่อการระบุในแบบจำลองการดำเนินการที่กระจัดกระจาย
แพลตฟอร์มที่ขับเคลื่อนด้วย AI ของคุณช่วยให้กระบวนการทดลองทางคลินิกเร็วขึ้นเมื่อเทียบกับแบบจำลองดั้งเดิมได้อย่างไร?
เราไม่ได้ถือว่านี่เป็นแพลตฟอร์มที่ขับเคลื่อนด้วย AI CitrusTM เป็นระบบปฏิบัติการการทดลองทางคลินิกที่ออกแบบตั้งแต่ต้นโดยมี AI เป็นแกนกลาง เราใช้แนวทางแบบกระจายในการใช้ AI – แทนที่จะเดิมพันใหญ่ใน AI ในโดเมนเดียว เราใช้ทีมวิศวกรของเราเพื่อค้นหาการใช้งานที่เชื่อถือได้และเฉพาะบริบททั่วทั้งระบบ สิ่งที่ทำให้แนวทางนี้ได้ผลคือเรารับผิดชอบการดำเนินการทดลองครบทุกขั้นตอน เมื่อ AI เร่งการวิเคราะห์โปรโตคอล นั่นจะส่งผลให้มีประสิทธิภาพไหลลงไปสู่การออกแบบการศึกษา เมื่อออกแบบการศึกษาได้เร็วขึ้น ทีมข้อมูลก็ได้รับการตั้งค่าที่พร้อมและเป็นระเบียบยิ่งขึ้น การปรับปรุงเหล่านี้สะสมเนื่องจากแต่ละขั้นตอนจะผลิตผลลัพธ์ที่มีโครงสร้างมากขึ้นและลดการทำงานซ้ำในภายหลัง
เรามีตัวอย่างสองตัวอย่างที่แสดงให้เห็นถึงสิ่งนี้: เราใช้ AI ในการสร้างโค้ดการวิเคราะห์ข้อมูล โดยที่เรามีกลไกที่ชัดเจนในการตรวจสอบผลลัพธ์ก่อนนำโค้ดไปใช้ในงานใดๆ เราใช้ AI ในการวิเคราะห์เอกสารโปรโตคอลเป็นสเคมาการออกแบบการศึกษา – มีการเพิ่มประสิทธิภาพอย่างมากในครั้งแรกของการแปลง แต่การสร้างก็ยังคงผ่านการตรวจสอบและทดสอบความยอมรับเป็นเวลาหลายสัปดาห์
เราไม่ใช้ AI ในการทำงานด้านการดูแลผู้ป่วย เรารู้สึกว่ามีความรับผิดชอบในการรับรองว่าการใช้งานของเราจะไม่ก่อให้เกิดความเสี่ยงต่อผู้ป่วยในการทดลองของเรา เนื่องจากโครงสร้างพื้นฐานที่จำเป็นในการสนับสนุนการป้องกันที่เหมาะสมยังคงพัฒนาอยู่ วิธีนี้หลีกเลี่ยงความเสี่ยงด้านกฎระเบียบและความปลอดภัยที่เกี่ยวข้องกับการใช้ AI ในการทำงานด้านการดูแลผู้ป่วย การใช้งานอื่นๆ ของเรายังคงต้องเผชิญกับการตรวจสอบเช่นเดียวกับการใช้ AI ในอุตสาหกรรมนี้ – แต่ที่สำคัญคือมีเวลาเพียงพอให้มนุษย์ตรวจสอบ การดูแลผู้ป่วยเป็นโปรไฟล์ความเสี่ยงที่แตกต่าง: การตัดสินใจในขณะนั้นซึ่งอาจส่งผลกระทบโดยตรงต่อความปลอดภัยของผู้ป่วย
ผลกระทบหลักอยู่ที่ประสิทธิภาพทีมวิจัยทางคลินิก การปรับปรุงกระบวนการจำนวนมากของเรานั้นให้บริการทีมวิจัยทางคลินิกโดยตรง – ประสิทธิภาพที่สะสม ทุกสัปดาห์ที่เราตัดทอนเวลาการส่งมอบการทดลองเป็นสัปดาห์ที่ใกล้จะเสร็จสิ้นวัฏจักรการพัฒนายา ซึ่งสามารถลดระยะเวลาทั้งหมดในการพัฒนายาได้ และนอกเหนือจากความก้าวหน้าในด้านเวลาแล้ว การใช้งาน AI ของเรายังทำมากกว่าการคาดการณ์การสรรหาบุคคลเข้าร่วม มันตรวจสอบข้อมูลที่เข้ามาสำหรับการเปลี่ยนแปลงที่ผิดปกติ สัญญาณความปลอดภัย และตัวบ่งชี้ความเสี่ยง – ให้ทีมการศึกษามีความชัดเจนในการดูแลการทดลองอย่างมีประสิทธิภาพ
ในแบบจำลองดั้งเดิม AI มักถูกนำไปใช้เป็นโซลูชันเฉพาะจุด – เครื่องมือหนึ่งสำหรับการทำงานหนึ่ง โดยแยกออกจากกระบวนการอื่นๆ แพลตฟอร์มแบบครบวงจรของเราช่วยให้ประสิทธิภาพไหลผ่านการทดลองทั้งหมด โดยที่การปรับปรุงแต่ละครั้งจะต่อยอดจากการปรับปรุงก่อนหน้า สิ่งนี้สะท้อนถึงความแตกต่างระหว่างการเพิ่มประสิทธิภาพฟังก์ชันเดียวและการปรับปรุงประสิทธิภาพตลอดการดำเนินการทดลอง
การศึกษาของ Tufts เน้นย้ำว่าเกือบหนึ่งในสามของข้อมูลการทดลองทางคลินิกไม่จำเป็น Lindus Health ใช้ AI เพื่อระบุและกำจัดการเก็บข้อมูลที่ไม่จำเป็นได้อย่างไร?
สิ่งที่การศึกษาของ Tufts อธิบายเป็นสิ่งที่เราได้เห็นด้วยตัวเราเอง ในประสบการณ์ของเรา สาเหตุหลักคือโครงสร้าง: เมื่อการส่งมอบการทดลองกระจัดกระจายไปทั่วทีม แต่ละทีมมีแรงจูงใจในการป้องกันไว้ทุกกรณี การกระทำนี้เป็นการตอบสนองโครงสร้างต่อการกระจายความรับผิดชอบ
ตั้งแต่สัญญาผู้ให้บริการไปจนถึงเครื่องมือเก็บข้อมูล การส่งต่อแต่ละครั้งเพิ่มการป้องกันอีกชั้นหนึ่ง เมื่อถึงผู้ออกแบบแบบฟอร์มรายงานผู้ป่วย พวกเขามักจะอยู่ห่างจากคำถามการวิจัยดั้งเดิมแล้ว ผู้วิจัยอาจถามว่า “น้ำหนักเปลี่ยนแปลงไปอย่างไรในสามเดือนภายใต้การรักษานี้?” แต่ผู้ออกแบบเครื่องมือมุ่งเน้นไปที่ข้อกังวลด้านการดำเนินงาน – เงื่อนไขการจ่ายเงินให้ศูนย์วิจัย ช่องตรวจสอบการปฏิบัติตามกฎ และข้อกำหนดบันทึกการตรวจสอบ ข้อกังวลทั้งสองนี้มีความชอบธรรมและจำเป็น ปัญหาอยู่ที่ฟังก์ชันเหล่านี้ดำเนินการโดยไม่มีบริบทที่ใช้ร่วมกัน โครงสร้างพื้นฐานด้านการดำเนินงานเติบโต และคำถามการวิจัยถูกฝังอยู่
ยังมีระดับที่เรียบง่ายกว่าในการแก้ไขก่อนที่จะใช้โซลูชันทางเทคนิค ทีมวิจัยของเรามีเครื่องมือสนทนาที่ได้รับการสนับสนุนจาก AI แล้ว และพวกเขาใช้มันอย่างต่อเนื่อง เมื่อทีมได้รับเอกสารโปรโตคอลและ PDF หลายสิบฉบับทุกสัปดาห์ การสามารถป้อนเข้าไปในเครื่องมือที่ได้รับการสนับสนุนจาก AI และถามคำถามเปลี่ยนวิธีที่คุณมีปฏิสัมพันธ์กับวัสดุเหล่านั้น สิ่งนี้ช่วยให้ทีมอยู่ใกล้กับคำถามการวิจัยมากกว่าการหลงทางในรายละเอียดการดำเนินงาน
ประการแรก การออกแบบการทดลอง การมีเครื่องมือ AI ที่ฝังอยู่ในกระบวนการออกแบบและสร้างเปิดโอกาสให้พบปัญหาเหล่านี้ในระยะแรก – ก่อนที่จะกลายเป็นส่วนหนึ่งของโปรโตคอล เราใช้ AI ในการสร้างตารางการศึกษาที่มีการแก้ไขและชี้แนะผู้ออกแบบผ่านโปรโตคอล โดยระบุจุดใดที่แผนการวิจัยกำลังซับซ้อนเกินไป ที่ไหนมีการซ้ำกัน หรือที่ไหนมีข้อผิดพลาดเกิดขึ้น จากนั้นผู้ออกแบบสามารถตัดสินใจที่จะลบจุดข้อมูลหรือลดความถี่ในการเก็บข้อมูล – พร้อมด้วยเหตุผลที่ระบุไว้
ประการที่สองคือการวิเคราะห์ข้อมูล เมื่อการทดลองเริ่มแล้ว การเปลี่ยนสิ่งที่วางแผนจะเก็บเป็นความท้าทายอีกแบบหนึ่ง แต่ AI ช่วยให้ทีมแยกข้อมูลสำคัญออกจากสัญญาณรบกวนได้เร็วขึ้น การรวมข้อมูล การตรวจหารูปแบบและความผิดปกติที่เร็วขึ้นช่วยลดงานประมวลผลด้วยมือ ทีมจึงระบุได้คล่องตัวขึ้นว่าการเก็บข้อมูลที่ไม่จำเป็นส่งผลต่อการทดลองจริงหรือไม่และที่ใด เมื่อได้ข้อค้นพบที่เชื่อถือได้เร็วขึ้น ทีมสามารถปรับเปลี่ยน แจ้งปัญหาให้ทีมวิจัย หรือใช้เป็นเหตุผลสนับสนุนการแก้ไขโครงร่างการวิจัยเพื่อให้การเก็บข้อมูลกระชับขึ้นในขณะที่ยังมีเวลาดำเนินการ
สิ่งนี้เป็นปัญหาโครงสร้างที่แก้ไขได้ในสองขั้นตอน: ในการออกแบบ เพื่อจับและกำจัดความซับซ้อนก่อนที่จะถูกล็อก และในการวิเคราะห์ เพื่อให้ทีมมีความเร็วในการระบุปัญหาและดำเนินการในขณะที่การทดลองกำลังดำเนินอยู่
ความเข้าใจผิดที่ใหญ่ที่สุดเกี่ยวกับการใช้ AI ในการทดลองทางคลินิกคืออะไร และคุณแก้ไขมันอย่างไรกับผู้สนับสนุนและหน่วยงานกำกับดูแล?
ความเข้าใจผิดที่ใหญ่ที่สุดคือความลังเล – การสันนิษฐานว่าผู้สนับสนุนและหน่วยงานกำกับดูแลจะขัดขวาง AI ในการทดลองทางคลินิก สิ่งนี้ไม่ได้สะท้อนให้เห็นในประสบการณ์ของเรา
ในด้านกฎระเบียบ การสนทนาตอนต้นของเราบ่งชี้ว่าในขณะที่หน่วยงานกำกับดูแลมีความระมัดระวังที่เหมาะสมเกี่ยวกับการเผยแพร่คำแนะนำ บุคคลในองค์กรเหล่านี้เปิดกว้างในการพูดคุยเกี่ยวกับ AI ในการทดลองทางคลินิก มีการยอมรับโดยทั่วไปว่า AI สามารถปรับปรุงประสิทธิภาพ ความสามารถในการผลิต และคุณภาพ – และมีความตระหนักถึงความซ้ำซ้อนจำนวนมากที่มีอยู่ในอุตสาหกรรมนี้
ในด้านผู้สนับสนุน บางรายถามเราเรื่อง AI ก่อนที่เราจะหยิบยกประเด็นนี้ขึ้นมาเอง พวกเขาต้องการให้เราค้นหาและนำโซลูชันเหล่านี้มาใช้อย่างจริงจัง ด้วยเหตุผลสองประการ: พวกเขาใช้เครื่องมือบางอย่างอยู่แล้วจึงเข้าใจศักยภาพ และตระหนักว่าประสิทธิภาพจาก AI อาจลดระยะเวลาการทดลอง ลดต้นทุน และป้องกันปัญหาที่อาจหลุดรอดไป เราได้ยินจากผู้สนับสนุนหลายรายว่ามีแรงกดดันภายในองค์กรให้แสดงการใช้ AI เพื่อเพิ่มประสิทธิภาพ
ความกังวลที่เกี่ยวข้องคือ AI และข้อมูลที่ใช้ในการฝึกอบรมแบบจำลอง อุตสาหกรรมกำลังพัฒนาที่นี่ และผู้ให้บริการแบบจำลองมีความชัดเจนมากขึ้นเกี่ยวกับวิธีการทำงานของแผนการใช้งานของพวกเขา เราระมัดระวังในการรับรองว่าเครื่องมือ AI ที่เราใช้ไม่ส่งข้อมูลไปฝึกแบบจำลองพื้นฐาน เราระมัดระวังในการฝึกอบรมแบบจำลองของเราเองหรือวิธีการ – และที่ใดก็ตามที่ใครทำสิ่งนี้ พวกเขาควรชัดเจนเกี่ยวกับเรื่องนี้ในเอกสารขอบเขตงานระหว่างลูกค้ากับผู้ให้บริการ การบันทึกที่ชัดเจนเกี่ยวกับการใช้ข้อมูลและการทำงานของแบบจำลองเป็นสิ่งจำเป็น
ดังนั้นความเข้าใจผิดจึงมีอยู่จริง แต่มันชี้ให้เห็นถึงหน้าที่ความรับผิดชอบ: ให้ความชัดเจนเกี่ยวกับว่า AI ถูกนำไปใช้ที่ไหน อย่างไร ข้อมูลถูกจัดการอย่างไร และการป้องกันอยู่ที่ไหน คำถามที่เกี่ยวข้องสำหรับผู้สนับสนุนไม่ใช่ว่าจะใช้ AI ในการทดลองหรือไม่ แต่เป็นว่าผู้ให้บริการของพวกเขามีความคิดที่จะแก้ไขปัญหาเหล่านี้และเต็มใจที่จะให้ความโปร่งใสเกี่ยวกับเรื่องนี้
คุณสร้างสมดุลระหว่างการทำงานอัตโนมัติและการกำกับดูแลของมนุษย์เพื่อให้แน่ใจถึงความเร็วและคุณภาพในการดำเนินการทดลองอย่างไร?
เรามีความระมัดระวังในการใช้ AI ที่ไม่มีโอกาสให้มนุษย์ทบทวน สิ่งนี้สะท้อนให้เห็นในเอกสารคุณภาพและนโยบาย AI ของเรา
เพื่อแสดงให้เห็น: มีผู้ให้บริการที่นำเสนอแชทบอทที่ประเมินความเหมาะสมของผู้ป่วยผ่านการสนทนา การทำงานอัตโนมัตินี้ต้องการการพิจารณาอย่างรอบคอบมากกว่าการใช้งานส่วนใหญ่ กรณีที่ดีที่สุด AI คัดบุคคลออกจากการทดลองที่อาจช่วยเขาได้โดยผิดพลาด กรณีที่เลวร้ายที่สุด AI ประเมินผิดว่าบุคคลนั้นมีคุณสมบัติและแจ้งทีมวิจัยว่าผ่านการคัดกรองแล้ว และนำความเสี่ยงเข้ามาในกระบวนการลงทะเบียนที่ไม่ควรจะเกิดขึ้น
การกำกับดูแลของมนุษย์ไม่ช่วยในกรณีนี้ – เมื่อมนุษย์ทบทวนผลลัพธ์ AI ได้ดำเนินการแล้วในกระบวนการทำงานที่มีความเสี่ยงสูง การเปรียบเทียบกับข้อผิดพลาดในการเก็บข้อมูล: หากเก็บข้อมูลผิดพลาด คุณสามารถแก้ไขแบบฟอร์มหรือทิ้งข้อมูลได้ แต่ถ้า AI บอกผู้ป่วยหรือสถานที่วิจัยให้ดำเนินการใดๆ ความเสี่ยงต่ออันตรายที่ไม่สามารถแก้ไขได้จะสูงกว่า – ทั้งในแง่ของความรุนแรงและเมื่อเปรียบเทียบกับสถานที่อื่นๆ ที่ AI อาจผิดพลาดในการทดลอง
สมดุลนี้สามารถทำได้โดยการเน้นไปที่การประยุกต์ใช้ที่มีการทบทวนของมนุษย์ที่รวมอยู่ด้วยและความเสี่ยงที่สามารถจัดการได้ AI มีประสิทธิภาพสูงสุดในกระบวนการทำงานที่การทบทวนของมนุษย์ถูกฝังอยู่และข้อผิดพลาดสามารถแก้ไขได้
เทคโนโลยีหรือหลักการออกแบบใดที่มีประสิทธิภาพสูงสุดในการลดภาระของผู้ป่วยและช่วยให้ผู้ป่วยคงอยู่ในการทดลอง?
ภาระของผู้ป่วยและการคงอยู่ของผู้ป่วยในการทดลองขึ้นอยู่กับการดำเนินการที่เล็กๆ แต่เจาะจงเพื่อให้แน่ใจว่ามีประสบการณ์ที่ดี ไม่มีการแทรกแซงใดๆ ที่แก้ไขปัญหานี้ได้อย่างเป็นอิสระ
มีหลักการออกแบบสองประการที่สำคัญที่สุด
ประการแรกคือคุณภาพเนื้อหาและอินเทอร์เฟซสำหรับผู้ป่วย เอกสารข้อมูลผู้ป่วย แบบฟอร์มยินยอม และแอปที่ใช้ระหว่างการทดลองล้วนกำหนดประสบการณ์ ข้อความควรเรียบง่ายและกระชับ อินเทอร์เฟซควรนำทางได้ง่าย มีอุปสรรคน้อย และค้นหาเอกสารได้สะดวก การปรึกษากลุ่มพิทักษ์สิทธิผู้ป่วยช่วยปรับปรุงเนื้อหาก่อนถึงมือผู้เข้าร่วม การออกแบบประสบการณ์ผู้ใช้ที่ดีสำคัญพอๆ กับในบริบทอื่น โดยเฉพาะในการทดลองทางคลินิกที่ไม่ได้มีผู้ใช้หลายล้านคนซึ่งจะปรับตัวได้ในที่สุด
ประการที่สองคือการเชื่อมต่อระหว่างทีมวิจัยกับผู้ป่วย ทั้งเครื่องมือสื่อสาร เช่น การเตือน คำเชิญ และการแจ้งเตือน ตลอดจนโครงสร้างติดตามสถานะผู้ป่วย การปฏิบัติตามกำหนด และสัญญาณความปลอดภัย สคริปต์กำกับดูแลอัตโนมัติระบุสิ่งที่ต้องใส่ใจให้ทีมตอบสนองทันเวลา แมชชีนเลิร์นนิงตรวจหารูปแบบในข้อมูลการปฏิบัติตามกำหนด เช่น สัญญาณการมีส่วนร่วมที่ลดลงก่อนผู้ป่วยออกจากการทดลอง เพื่อให้แทรกแซงเชิงรุกแทนการติดตามภายหลัง เป้าหมายคือข้อมูลที่ถูกต้องถึงคนที่เหมาะสมในเวลาที่เหมาะสม โดยไม่มีสัญญาณรบกวนกลบสิ่งสำคัญ
การปรับปรุงเหล่านี้ไม่ได้ขึ้นอยู่กับเทคโนโลยีใหม่ แต่ก็ไม่ได้มาจากโซลูชันที่พร้อมใช้งานเช่นกัน – ไม่มีผลิตภัณฑ์ที่คุณสามารถใส่เข้าไปในการทดลองและคาดหวังให้ทำงาน มันต้องใช้ความสนใจ: ความเข้าใจว่าผู้ป่วยเผชิญอุปสรรคที่ใดและจัดการกับมันอย่างเป็นเจตนา สิ่งที่เครื่องมือ AI แบบสมัยใหม่มอบให้คือวิธีการทำสิ่งนี้ได้เร็วขึ้น – การปรับปรุงเนื้อหา การทบทวนโทน การทำให้สคริปต์ตรวจสอบอัตโนมัติ เทคโนโลยีนี้เป็นเทคโนโลยีที่เติบโตแล้ว ความแตกต่างคือว่าคุณกำลังแก้ไขปัญหาให้กับการทดลองหรือแก้ไขปัญหาให้กับผู้ป่วย
Lindus Health รวบรวมและรวมคำติชมของผู้ป่วยเข้ากับการออกแบบการทดลองอย่างไร ในขณะเดียวกันก็รักษาความเรียบง่ายและประสิทธิภาพของกระบวนการ?
ข้อกำหนดด้านความเป็นส่วนตัวและการปฏิบัติตามกฎกำหนดขอบเขตการเก็บความคิดเห็นผู้ป่วย วิธีการต้องทำงานภายในขอบเขตเหล่านั้น การติดตามพื้นฐานบันทึกความพร้อมใช้งานของบริการ ข้อมูลการใช้งานที่นำตัวระบุบุคคลออกแล้ว เช่น ประเภทอุปกรณ์และพฤติกรรมแอป และรูปแบบการปฏิบัติตามกำหนด เช่น ผู้เข้าร่วมทำการประเมินตามนัดสม่ำเสมอเพียงใด เมื่อข้อมูลเผยอุปสรรค ก็จะนำไปประกอบการออกแบบการทดลองในอนาคต
การรวมที่ตรงไปตรงมามากขึ้นมาจากทีมวิจัย ผู้ประสานงานได้รับการสนับสนุนให้เชื่อมต่อกับผู้ป่วยและรวบรวมสัญญาณรอบประสบการณ์ของพวกเขา จากนั้นจึงส่งต่อไปยังทีมที่กว้างขึ้น สิ่งนี้ได้รับการเสริมสร้างทางวัฒนธรรม – คำติชมประสบการณ์ของผู้ป่วยได้รับการเผยแพร่ในแชแนลที่ใช้ร่วมกันและถูกยกขึ้นกล่าวในการประชุมพนักงานทั้งบริษัท
ยังมีประโยชน์ทางโครงสร้างอีกด้วย ไม่เหมือนกับแบบจำลองดั้งเดิมที่ทีมวิจัยใหม่จะถูกจัดตั้งขึ้นสำหรับการศึกษาใหม่ๆ Lindus ดำเนินการทดลองบนเทคโนโลยีเดียวกันโดยมีสมาชิกในทีมที่ทำงานร่วมกันหลายๆ การศึกษา ความต่อเนื่องนี้ทำให้การเรียนรู้ – ทั้งความรู้ที่บันทึกเป็นระบบและความรู้ที่สั่งสมโดยไม่เขียนออกมา – สามารถไหลจากการทดลองหนึ่งไปยังอีกการทดลองหนึ่ง เมื่อผู้ประสานงานพบอุปสรรคในหนึ่งการศึกษา ข้อค้นพบนั้นช่วยกำหนดวิธีตั้งค่าการศึกษาครั้งถัดไปได้
กลุ่มพิทักษ์สิทธิผู้ป่วยช่วยเพิ่มมุมมองที่อาจไม่ได้รับผ่านช่องทางภายใน โดยเฉพาะว่าผู้ป่วยกลุ่มต่างๆ รับรู้เอกสารและกระบวนการศึกษาวิจัยอย่างไร
กระบวนการยังคงเรียบง่ายเพราะคำติชมไหลผ่านโครงสร้างที่มีอยู่แล้ว แทนที่จะกำหนดให้ต้องมีเครื่องมือแยกต่างหากสำหรับการศึกษาแต่ละครั้ง
อะไรที่ต้องเปลี่ยนแปลงในอุตสาหกรรมสำหรับการวิจัยทางคลินิกเพื่อให้เร็วขึ้นและเชื่อถือได้มากขึ้น?
อุตสาหกรรมมีแรงเฉื่อยโครงสร้างที่ต้องการให้ผู้ปฏิบัติงานดำเนินการแตกต่างออกไปและแสดงแนวทางที่แตกต่างในทางปฏิบัติ โปรแกรมนวัตกรรมขององค์กรและคำสั่งผู้บริหารมีผลกระทบต่อการเปลี่ยนแปลงการดำเนินงานที่จำกัด – สิ่งที่ต้องการคือผู้ปฏิบัติงานที่จะดำเนินการแตกต่างและพิสูจน์ว่ามันทำงานได้
การเขียนโปรแกรมทางสถิติแสดงรูปแบบนี้ สิ่งนี้เป็นงานที่มีทักษะ – การเปลี่ยนแปลงข้อมูลทางคลินิกสำหรับการวิเคราะห์ทางชีวสถิติ – โดยผู้เชี่ยวชาญที่มีความเชี่ยวชาญในโดเมนอย่างลึกซึ้ง แต่มีการต่อสู้เพื่อดึงดูดผู้มีความสามารถ มืออาชีพที่มีภูมิหลังด้านวิทยาศาสตร์ข้อมูลหรือวิศวกรรมศาสตร์ไม่ค่อยเลือกสิ่งนี้ แม้ว่าทักษะจะทับซ้อนกันอย่างมีนัยสำคัญ การทำงานยังคงแยกจากกัน วิธีการที่ไม่โปร่งใสต่อคนนอก และช่องทางดึงบุคลากรใหม่มีจำกัด
AI อาจช่วยเปิดโอกาสในด้านนี้ เครื่องมือสมัยใหม่จัดการงานแปลงข้อมูลได้มาก และข้อกำหนดการเขียนโปรแกรมซ้ำโดยโปรแกรมเมอร์สองคนสร้างผลลัพธ์อย่างอิสระอาจทำได้ด้วยคู่ AI กับมนุษย์แทนคู่มนุษย์สองคน แต่เทคโนโลยีเพียงอย่างเดียวไม่แก้ปัญหาเชิงโครงสร้าง ต้องมีผู้ปฏิบัติงานที่นำไปใช้อย่างรอบคอบและพิสูจน์ว่าเป็นไปตามมาตรฐานกำกับดูแล มิฉะนั้นศักยภาพจะยังถูกใช้ไม่เต็มที่
บทเรียนที่กว้างขึ้น: การทดลองที่เร็วขึ้นและเชื่อถือได้มากขึ้นต้องการมากกว่าเครื่องมือใหม่ๆ มันจำเป็นต้องสร้างพื้นที่ – ในการสรรหาบุคลากร ในการตีความกฎระเบียบ ในวัฒนธรรมขององค์กร – สำหรับผู้ที่จะทำงานแตกต่าง นี่คือวิธีที่สามารถลดระยะเวลาการทดลองได้จริง
คุณคิดว่าความสัมพันธ์ระหว่าง AI, ข้อมูล, และการออกแบบการทดลองจะพัฒนาไปอย่างไรในอีกห้าปี?
ความสัมพันธ์นี้จะถูกกำหนดโดยความเป็นจริงโครงสร้าง: ประสิทธิภาพของ AI ถูกจำกัดโดยคุณภาพของบริบทที่ได้รับ หากไม่มีบริบทที่มีรายละเอียดและแม่นยำ – ที่บอกว่าข้อมูลมาจากไหน ผ่านการแปลงอะไร และหมายถึงอะไร – แม้แต่แบบจำลองที่แข็งแกร่งก็จะผลิตผลลัพธ์ที่ไม่น่าเชื่อถือ
ส่วนใหญ่ของอุตสาหกรรมการทดลองทางคลินิกนั้นกระจัดกระจาย CROs มองเห็นเพียงเศษส่วนของวงจรชีวิตของการทดลอง ผู้สนับสนุนทำงานกับผู้ขายหลายราย โดยแต่ละรายเห็นเพียงส่วนหนึ่งของภาพรวม บริบทถูกสูญเสียที่ทุกการถ่ายโอน เมื่อคุณขอให้ระบบ AI ใช้เหตุผลกับข้อมูลการทดลองในบริบทนี้ มันทำงานกับข้อมูลที่ไม่สมบูรณ์ – และข้อมูลที่ไม่สมบูรณ์จะทำให้เกิดผลลัพธ์ที่ไม่น่าเชื่อถือ
องค์กรที่จะได้รับประโยชน์มากที่สุดจาก AI คือผู้ที่มีการตรวจสอบย้อนกลับตลอดกระบวนการ พวกเขาควบคุมโซ่ข้อมูลตั้งแต่การออกแบบโปรโตคอลไปจนถึงการเก็บข้อมูลและการวิเคราะห์ พวกเขาไม่สรุปบริบท – พวกเขาสร้างมัน พวกเขาออกแบบแบบฟอร์ม ระบุฟิลด์ และเขียนพจนานุกรมข้อมูล แต่ละจุดข้อมูลมีประวัติเพราะองค์กรสร้างประวัตินั้น ความสามารถในการสืบค้นนี้ไม่ใช่แค่ประสิทธิภาพในการดำเนินงาน – แต่ช่วยให้ตัดสินใจอย่างมั่นใจบนฐานข้อมูลที่มั่นคงในเรื่องที่ส่งผลต่อผู้ป่วย
ในอีกห้าปีข้างหน้า ความได้เปรียบโครงสร้างนี้จะสะสม องค์กรที่มองเห็นตลอดกระบวนการจะใช้ AI ได้อย่างมีประสิทธิภาพมากขึ้น – ตั้งแต่การออกแบบการทดลองแบบปรับเปลี่ยนตามข้อมูลที่เข้ามา ไปจนถึงการปรับปรุงโปรโตคอลโดยอาศัยรูปแบบจากข้อมูลในอดีต – จับความรู้ที่ปรับปรุงระบบของพวกเขา และขยายช่องว่าง ผู้ที่ทำงานกับข้อมูลที่กระจัดกระจายจะพบว่า AI มีแนวโน้มที่จะน่าสนใจแต่ไม่น่าเชื่อถือ: ระบบที่ทำงานได้ดีในสถานการณ์ที่ควบคุม แต่ไม่สามารถนำไปใช้ทั่วไปในระบบใช้งานจริงได้อย่างน่าเชื่อถือ
คำถามสำหรับอุตสาหกรรมไม่ใช่ว่า AI จะมีความสำคัญหรือไม่ แต่เป็นว่าโครงสร้างพื้นฐานด้านข้อมูลมีอยู่เพื่อให้ AI น่าเชื่อถือหรือไม่ สำหรับอุตสาหกรรมส่วนใหญ่ ยังไม่มีอยู่ นี่คืองานที่จะทำต่อไป
ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม Lindus Health เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการดำเนินการทดลองทางคลินิกที่ออกแบบตั้งแต่ต้นโดยมี AI เป็นแกนกลาง การเป็นเจ้าของข้อมูลตั้งแต่ต้นจนจบ และการส่งมอบการศึกษาที่เร็วขึ้น












