นิจาต ฮาซานลี, หัวหน้าผลิตภัณฑ์ที่ Lindus Health – ซีรีส์สัมภาษณ์

นิจาต ฮาซานลี, หัวหน้าผลิตภัณฑ์ที่ Lindus Health, มีประวัติการทำงานที่เน้นการสร้างและขยายฟังก์ชันผลิตภัณฑ์ข้ามองค์กรด้านสุขภาพและเทคโนโลยี, ปัจจุบันกำลังนำกลยุทธ์และการดำเนินงานผลิตภัณฑ์ที่ Lindus ตั้งแต่ปี 2022 หลังจากทำงานที่ OneCommerce และ Downforce Technologies ก่อนหน้านี้ ประสบการณ์ของเขามีหลายสภาพแวดล้อมในประเทศอังกฤษ โดยที่เขารับผิดชอบในการจัดตำแหน่งการพัฒนาผลิตภัณฑ์ให้สอดคล้องกับผลลัพธ์ของธุรกิจ ส่งเสริมนวัตกรรม และแปลความสามารถทางเทคนิคที่ซับซ้อนให้เป็นโซลูชันที่มีประสิทธิภาพและใช้งานง่ายภายในอุตสาหกรรมที่เปลี่ยนแปลงอย่างรวดเร็ว

Lindus Health เป็นบริษัททดลองทางคลินิกที่ขับเคลื่อนด้วย AI โดยดำเนินการเป็น “องค์กรการวิจัยที่รับผิดชอบ” ซึ่งออกแบบมาเพื่อให้บริษัทไบโอเทคและเภสัชกรรมมีการควบคุม ความเร็ว และความน่าเชื่อถือในการดำเนินการศึกษาทางคลินิกมากขึ้น บริษัทนี้แทนที่แบบจำลองการวิจัยสัญญาที่ดั้งเดิมด้วยแพลตฟอร์มเทคโนโลยีที่สมบูรณ์แบบซึ่งจัดการทุกอย่างตั้งแต่การออกแบบการทดลองและการสรรหาบุคคลเข้าร่วมจนถึงการเก็บข้อมูลและการดำเนินการทดลองภายในระบบเดียว ซึ่งมักจะเสร็จสิ้นการทดลองเร็ว hơnมาตรฐานอุตสาหกรรม ระบบปฏิบัติการ AI ที่เป็นเอกลักษณ์ของบริษัทนี้ทำให้สามารถมองเห็นผลการดำเนินการทดลองในแบบเรียลไทม์ จัดตำแหน่งแรงจูงใจผ่านการกำหนดราคาตามข้อตกลง และใช้ข้อมูลสุขภาพขนาดใหญ่เพื่อปรับปรุงการลงทะเบียนและการรักษา โดยมีเป้าหมายที่กว้างขึ้นในการเร่งการนำยาตัวใหม่มาใช้กับผู้ป่วย

คุณสามารถแบ่งปันช่วงเวลาที่กำหนดหรือความท้าทายในช่วงแรกที่ช่วยกำหนดภารกิจหรือทิศทางผลิตภัณฑ์ของ Lindus Health ได้หรือไม่?

ในงานทดลองทางคลินิก นวัตกรรมมักเกี่ยวข้องกับการขยายขนาด: องค์กรขนาดใหญ่ ทุนจำนวนมาก และโครงสร้างพื้นฐานที่มีอยู่ แต่ช่วงเวลาที่กำหนดในช่วงแรกของเราได้แสดงให้เห็นตรงกันข้าม

เมื่อเราดำเนินการทดลองครั้งแรก เราได้ตัดสินใจที่จะทำให้มันง่ายขึ้น – สิ่งที่เรารู้ว่าเราสามารถดำเนินการได้อย่างปลอดภัยด้วยเทคโนโลยีของเรา ข้อจำกัดนี้ทำให้เราได้รับการออกแบบการทดลองที่เรียบง่ายและพึ่งพาระบบที่เราควบคุมอย่างเต็มที่ ซึ่งทำให้ความสัมพันธ์และความไร้ประสิทธิภาพมองเห็นได้ชัดเจนยิ่งขึ้น ซอฟต์แวร์สแต็กขนาดใหญ่และซับซ้อนไม่จำเป็นต้องมีการสร้างนวัตกรรมในการส่งมอบการทดลอง นวัตกรรมในการส่งมอบการทดลองขึ้นอยู่กับการเป็นเจ้าของการทดลองเต็มรูปแบบ ตั้งแต่ต้นจนจบ โดยมีการเชื่อมต่อท่อข้อมูลที่สอดคล้องกันทั้งหมด ความชัดเจนนี้ช่วยให้คุณเห็นได้ว่าทุกอย่างเชื่อมโยงกันอย่างไร ซึ่งนำเสนอโอกาสที่ยากต่อการระบุในแบบจำลองการดำเนินการที่กระจัดกระจาย

แพลตฟอร์มที่ขับเคลื่อนด้วย AI ของคุณช่วยให้กระบวนการทดลองทางคลินิกเร็วขึ้นเมื่อเทียบกับแบบจำลองดั้งเดิมได้อย่างไร?

เราไม่ได้ถือว่านี่เป็นแพลตฟอร์มที่ขับเคลื่อนด้วย AI Citrus^TM เป็นระบบปฏิบัติการการทดลองทางคลินิกที่เป็นเจ้าของ AI เราใช้แนวทางแบบกระจายในการใช้ AI – แทนที่จะเดิมพันใหญ่ใน AI ในโดเมนเดียว เราใช้ทีมวิศวกรของเราเพื่อค้นหาการใช้งานที่เชื่อถือได้และเฉพาะบริบททั่วทั้งระบบ สิ่งที่ทำให้สิ่งนี้ทำงานได้คือเราดำเนินการทดลองด้วยการดำเนินการเต็มรูปแบบ เมื่อ AI เร่งการวิเคราะห์โปรโตคอล นั่นจะส่งผลให้มีประสิทธิภาพไหลลงไปสู่การออกแบบการศึกษา เมื่อการออกแบบการศึกษามีความเร็ว การออกแบบข้อมูลจะได้รับผลกระทบเช่นกัน การปรับปรุงเหล่านี้สะสมเนื่องจากแต่ละขั้นตอนจะผลิตผลลัพธ์ที่มีโครงสร้างมากขึ้นและลดการทำงานซ้ำในภายหลัง

เรามีตัวอย่างสองตัวอย่างที่แสดงให้เห็นถึงสิ่งนี้: เราใช้ AI ในการสร้างโค้ดการวิเคราะห์ข้อมูล โดยที่เรามีกลไกที่ชัดเจนในการตรวจสอบผลลัพธ์ก่อนที่จะสัมผัสกับสิ่งใดๆ เราใช้ AI ในการวิเคราะห์เอกสารโปรโตคอลเป็นสเคมาการออกแบบการศึกษา – มีการเพิ่มประสิทธิภาพอย่างมากในครั้งแรกของการแปลง แต่การสร้างก็ยังคงผ่านการตรวจสอบและทดสอบความยอมรับเป็นเวลาหลายสัปดาห์

เราจะไม่ใช้ AI ในการทำงานด้านการดูแลผู้ป่วย เรารู้สึกว่ามีความรับผิดชอบในการรับรองว่าการใช้งานของเราจะไม่ก่อให้เกิดความเสี่ยงต่อผู้ป่วยในการทดลองของเรา เนื่องจากโครงสร้างพื้นฐานที่จำเป็นในการสนับสนุนการป้องกันที่เหมาะสมยังคงพัฒนาอยู่ การหลีกเลี่ยงความเสี่ยงด้านกฎระเบียบและความปลอดภัยที่เกี่ยวข้องกับการใช้ AI ในการทำงานด้านการดูแลผู้ป่วย การใช้งานอื่นๆ ของเรายังคงต้องเผชิญกับการตรวจสอบเช่นเดียวกับการใช้ AI ในอุตสาหกรรมนี้ – แต่โดยพื้นฐานแล้วมันให้เวลาในการทบทวนของมนุษย์ การดูแลผู้ป่วยเป็นโปรไฟล์ความเสี่ยงที่แตกต่าง: การตัดสินใจในขณะนั้นซึ่งอาจส่งผลกระทบโดยตรงต่อความปลอดภัยของผู้ป่วย

ผลกระทบหลักอยู่ที่ประสิทธิภาพทีมวิจัยทางคลินิก ส่วนใหญ่ของการปรับปรุงกระบวนการของเรานั้นให้บริการทีมวิจัยทางคลินิกโดยตรง – ประสิทธิภาพที่สะสม ทุกสัปดาห์ที่เราตัดทอนเวลาการส่งมอบการทดลองเป็นสัปดาห์ที่ใกล้จะเสร็จสิ้นการวัฏจักรการพัฒนายา ซึ่งสามารถลดระยะเวลาทั้งหมดในการพัฒนายาได้ และนอกเหนือจากความก้าวหน้าในด้านเวลาแล้ว การใช้งาน AI ของเรายังทำมากกว่าการคาดการณ์การสรรหาบุคคลเข้าร่วม มันตรวจสอบข้อมูลที่เข้ามาสำหรับการเปลี่ยนแปลงที่ผิดปกติ สัญญาณความปลอดภัย และตัวบ่งชี้ความเสี่ยง – ให้ทีมการศึกษามีความชัดเจนในการดูแลการทดลองอย่างมีประสิทธิภาพ

ในแบบจำลองดั้งเดิม AI มักถูกนำไปใช้เป็นโซลูชันจุด – เครื่องมือหนึ่งสำหรับการทำงานหนึ่ง โดยแยกออกจากกระบวนการอื่นๆ แพลตฟอร์มแบบครบวงจรของเราช่วยให้ประสิทธิภาพไหลผ่านการทดลองทั้งหมด โดยที่การปรับปรุงแต่ละครั้งจะสร้างขึ้นจากอันหลัง สิ่งนี้สะท้อนถึงความแตกต่างระหว่างการเพิ่มประสิทธิภาพฟังก์ชันเดียวและการปรับปรุงประสิทธิภาพตลอดการดำเนินการทดลอง

การศึกษาของ Tufts เน้นย้ำว่าเกือบหนึ่งในสามของข้อมูลการทดลองทางคลินิกไม่จำเป็น Lindus Health ใช้ AI เพื่อระบุและกำจัดการเก็บข้อมูลที่ไม่จำเป็นได้อย่างไร?

สิ่งที่การศึกษาของ Tufts อธิบายเป็นสิ่งที่เราได้เห็นด้วยตัวเราเอง ในประสบการณ์ของเรา สาเหตุหลักคือโครงสร้าง: เมื่อการส่งมอบการทดลองกระจัดกระจายไปทั่วทีม แต่ละทีมมีแรงจูงใจในการปิดทุกประตู การกระทำนี้เป็นการตอบสนองโครงสร้างต่อการกระจายความรับผิดชอบ

เมื่อถึงเวลาที่ผู้ออกแบบแบบฟอร์มรายงานกรณีได้รับเอกสารแล้ว พวกเขามักจะอยู่ห่างจากคำถามการวิจัยดั้งเดิมแล้ว ผู้สืบสวนอาจถามว่า “น้ำหนักเปลี่ยนแปลงไปอย่างไรในสามเดือนภายใต้การรักษานี้?” แต่ผู้ออกแบบเครื่องมือมุ่งเน้นไปที่ข้อกังวลด้านการดำเนินงาน – กฎเกณฑ์การชำระเงินสำหรับไซต์ การตรวจสอบกล่อง การบันทึกการตรวจสอบ 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

ประการที่สอง การวิเคราะห์ข้อมูล เมื่อทดลองกำลังดำเนินอยู่ การเปลี่ยนแปลงสิ่งที่วางแผนจะเก็บข้อมูลเป็นความท้าทายที่แตกต่าง แต่ AI สามารถช่วยให้ทีมตัดผ่านเสียงรบกวนได้เร็วขึ้น – การรวมกลุ่มที่รวดเร็ว การตรวจจับรูปแบบ และการระบุความผิดปกติหมายความว่าใช้เวลาน้อยกว่าในการประมวลผลด้วยตนเอง สิ่งนี้มีความสำคัญที่นี่เนื่องจากให้ความคล่องตัวแก่ทีมในการระบุว่าและที่ไหนการเก็บข้อมูลที่ไม่จำเป็นอาจส่งผลกระทบต่อการทดลอง พวกเขาสามารถดำเนินการได้โดยเร็วที่สุด

สิ่งนี้เป็นปัญหาโครงสร้างที่แก้ไขได้ในสองขั้นตอน: ในการออกแบบ เพื่อจับและกำจัดความซับซ้อนก่อนที่จะถูกล็อก และในการวิเคราะห์ เพื่อให้ทีมมีความเร็วในการระบุปัญหาและดำเนินการในขณะที่การทดลองกำลังดำเนินอยู่

ความเข้าใจผิดที่ใหญ่ที่สุดเกี่ยวกับการใช้ AI ในการทดลองทางคลินิกคืออะไร และคุณแก้ไขมันอย่างไรกับผู้สนับสนุนและผู้ควบคุม?

ความเข้าใจผิดที่ใหญ่ที่สุดคือความลังเล – การสันนิษฐานว่าผู้สนับสนุนและผู้ควบคุมจะขัดขวาง AI ในการทดลองทางคลินิก สิ่งนี้ไม่ได้สะท้อนให้เห็นในประสบการณ์ของเรา

ในด้านกฎระเบียบ การสนทนาตอนต้นของเราบ่งชี้ว่าในขณะที่ผู้ควบคุมมีความระมัดระวังที่เหมาะสมเกี่ยวกับการเผยแพร่คำแนะนำ บุคคลในองค์กรเหล่านี้เปิดกว้างในการพูดคุยเกี่ยวกับ AI ในการทดลองทางคลินิก มีการยอมรับโดยทั่วไปว่า AI สามารถปรับปรุงประสิทธิภาพ ความสามารถในการผลิต และคุณภาพ – และมีความตระหนักถึงความซ้ำซ้อนจำนวนมากที่มีอยู่ในอุตสาหกรรมนี้

ในด้านผู้สนับสนุน เรามีผู้สนับสนุนถามเราถึง AI ก่อนที่จะถูกนำเข้าในการอภิปราย พวกเขาได้เริ่มค้นหาและใช้โซลูชันเหล่านี้แล้ว สิ่งนี้ได้รับแรงผลักดันจากสองปัจจัย: ประการแรก ผู้สนับสนุนกำลังใช้เครื่องมือเหล่านี้ด้วยตัวเองแล้ว ดังนั้นพวกเขาจึงเข้าใจถึงศักยภาพ ประการสอง ผู้สนับสนุนรับรู้ว่าประสิทธิภาพที่ได้รับจาก AI สามารถลดระยะเวลาการทดลอง ลดต้นทุน และป้องกันปัญหาที่อาจไม่ได้รับการสังเกตเห็น

ความกังวลที่เกี่ยวข้องคือ AI และข้อมูลที่ใช้ในการฝึกอบรมแบบจำลอง อุตสาหกรรมกำลังพัฒนาที่นี่ และผู้ให้บริการแบบจำลองมีความชัดเจนมากขึ้นเกี่ยวกับวิธีการทำงานของแผนการฝึกอบรมของพวกเขา เราเป็นอย่างระมัดระวังในการรับรองว่าเครื่องมือ AI ที่เราใช้ไม่ได้ให้ข้อมูลไปยังการฝึกอบรมแบบจำลอง เราเป็นอย่างระมัดระวังในการฝึกอบรมแบบจำลองของเราเองหรือวิธีการ – และที่ใดก็ตามที่ใครทำสิ่งนี้ พวกเขาควรชัดเจนเกี่ยวกับเรื่องนี้ในคำสั่งการทำงานระหว่างลูกค้ากับผู้ให้บริการ การบันทึกที่ชัดเจนเกี่ยวกับการใช้ข้อมูลและการทำงานของแบบจำลองเป็นสิ่งจำเป็น

ดังนั้นความเข้าใจผิดจึงมีอยู่จริง แต่มันชี้ให้เห็นถึงหน้าที่ความรับผิดชอบ: ให้ความชัดเจนเกี่ยวกับว่า AI ถูกนำไปใช้ที่ไหน อย่างไร ข้อมูลถูกจัดการอย่างไร และการป้องกันอยู่ที่ไหน คำถามที่เกี่ยวข้องสำหรับผู้สนับสนุนไม่ใช่ว่าจะใช้ AI ในการทดลองหรือไม่ แต่เป็นว่าผู้ให้บริการของพวกเขามีความคิดที่จะแก้ไขปัญหาเหล่านี้และเต็มใจที่จะให้ความโปร่งใสเกี่ยวกับเรื่องนี้

คุณสร้างสมดุลระหว่างการทำงานอัตโนมัติและความควบคุมของมนุษย์เพื่อให้แน่ใจถึงความเร็วและคุณภาพในการดำเนินการทดลองอย่างไร?

เรามีความระมัดระวังในการใช้ AI ที่ไม่มีโอกาสให้มนุษย์ทบทวน สิ่งนี้สะท้อนให้เห็นในเอกสารคุณภาพและนโยบาย AI ของเรา

เพื่อแสดงให้เห็น: มีผู้ให้บริการที่นำเสนอแชทบอทที่ประเมินความเหมาะสมของผู้ป่วยผ่านการสนทนา การทำงานอัตโนมัตินี้ต้องการการพิจารณาอย่างรอบคอบมากกว่าการใช้งานส่วนใหญ่ กรณีที่ดีที่สุด AI ผิดพลาดและไม่ผ่านการคัดเลือกบุคคลที่อาจได้รับประโยชน์จากการทดลอง กรณีที่เลวร้ายที่สุด AI ผ่านและบ่งชี้ให้ทีมการศึกษาว่าบุคคลนั้นผ่านการคัดเลือกแล้ว และนำความเสี่ยงเข้ามาในกระบวนการลงทะเบียนที่ไม่ควรจะเกิดขึ้น

การควบคุมของมนุษย์ไม่ช่วยในกรณีนี้ – เมื่อมนุษย์ทบทวนผลลัพธ์ AI ได้ดำเนินการแล้วในกระบวนการทำงานที่มีความเสี่ยงสูง การเปรียบเทียบกับข้อผิดพลาดในการเก็บข้อมูล: หากเก็บข้อมูลผิดพลาด คุณสามารถแก้ไขแบบฟอร์มหรือทิ้งข้อมูลได้ แต่ถ้า AI บอกผู้ป่วยหรือสถานที่วิจัยให้ดำเนินการใดๆ ความเสี่ยงต่ออันตรายที่ไม่สามารถแก้ไขได้จะสูงกว่า – ทั้งในแง่ของความรุนแรงและเมื่อเปรียบเทียบกับสถานที่อื่นๆ ที่ AI อาจผิดพลาดในการทดลอง

สมดุลนี้สามารถทำได้โดยการเน้นไปที่การประยุกต์ใช้ที่มีการทบทวนของมนุษย์ที่รวมอยู่ด้วยและความเสี่ยงที่สามารถจัดการได้ AI มีประสิทธิภาพสูงสุดในกระบวนการทำงานที่การทบทวนของมนุษย์ถูกฝังอยู่และข้อผิดพลาดสามารถแก้ไขได้

เทคโนโลยีหรือหลักการออกแบบใดที่มีประสิทธิภาพสูงสุดในการลดภาระของผู้ป่วยและปรับปรุงการรักษาผู้ป่วย?

ภาระของผู้ป่วยและความสำเร็จในการรักษาผู้ป่วยขึ้นอยู่กับการดำเนินการที่เล็กๆ แต่เจาะจงเพื่อให้แน่ใจว่ามีประสบการณ์ที่ดี ไม่มีการแทรกแซงใดๆ ที่แก้ไขปัญหานี้ได้อย่างเป็นอิสระ

มีหลักการออกแบบสองประการที่สำคัญที่สุด

ประการแรก คุณภาพของเนื้อหาที่เผยแพร่ต่อผู้ป่วยและอินเทอร์เฟซ ผู้ป่วยข้อมูลชีท ใบอนุญาต การใช้งานที่ผู้ป่วยใช้ระหว่างการทดลอง – สิ่งเหล่านี้ล้วนกำหนดประสบการณ์ เนื้อหาควรมีความชัดเจนและกระชับ อินเทอร์เฟซควรเรียบง่าย: การนำทางที่直截ถึงใจ ความเสี่ยงต่ำ ไม่มีเอกสารที่ฝังอยู่ การปรึกษาหารือของผู้ป่วยสามารถช่วยให้วัสดุเหล่านี้ได้รับการปรับปรุงก่อนที่จะถึงผู้เข้าร่วม

ประการที่สอง วิธีที่ทีมวิจัยเชื่อมโยงกับผู้ป่วย สิ่งนี้หมายถึงเครื่องมือสื่อสาร – การเตือน การเชิญ การแจ้ง – และโครงสร้างการตรวจสอบที่แสดงสถานะของผู้ป่วย การปฏิบัติตามข้อกำหนด และสัญญาณความปลอดภัย สคริปต์ตรวจสอบอัตโนมัติช่วยในเรื่องนี้ โดยระบุสิ่งที่ต้องการความสนใจเพื่อให้ทีมสามารถตอบสนองได้อย่างรวดเร็ว การเรียนรู้ของเครื่องสามารถตรวจจับรูปแบบในข้อมูลการปฏิบัติตามข้อกำหนด – สัญญาณเริ่มต้นของการไม่เชื่อมต่อของผู้ป่วยก่อนที่พวกเขาจะออกจากการทดลอง – ทำให้สามารถดำเนินการได้เชิงรุกมากกว่าการตามหลัง

การปรับปรุงเหล่านี้ไม่ได้ขึ้นอยู่กับเทคโนโลยีใหม่ แต่ก็ไม่ได้มาจากโซลูชันที่พร้อมใช้งานเช่นกัน – ไม่มีผลิตภัณฑ์ที่คุณสามารถใส่เข้าไปในการทดลองและคาดหวังให้ทำงาน มันต้องใช้ความสนใจ: ความเข้าใจว่าผู้ป่วยพบกับจุดเสี่ยงและจัดการกับมันอย่างเป็นเจตนา สิ่งที่เครื่องมือ AI แบบสมัยใหม่มอบให้คือวิธีการทำสิ่งนี้ได้เร็วขึ้น – การปรับปรุงเนื้อหา การทบทวนโทน การทำให้สคริปต์ตรวจสอบอัตโนมัติ เทคโนโลยีนี้เป็นเทคโนโลยีที่เติบโตแล้ว ความแตกต่างคือว่าคุณกำลังแก้ไขปัญหาให้กับการทดลองหรือแก้ไขปัญหาให้กับผู้ป่วย

Lindus Health รวบรวมและรวมคำติชมของผู้ป่วยเข้ากับการออกแบบการทดลองอย่างไร ในขณะเดียวกันก็รักษาความเรียบง่ายและประสิทธิภาพของกระบวนการ?

ข้อกำหนดด้านความเป็นส่วนตัวและความสอดคล้องกำหนดวิธีการรวบรวมคำติชมของผู้ป่วย – วิธีการต้องทำงานภายในขอบเขตเหล่านั้น การติดตามขั้นพื้นฐานจะจับเวลาในการใช้งานข้อมูลที่ไม่ระบุชื่อ (ประเภทอุปกรณ์ พฤติกรรมของแอปพลิเคชัน) และรูปแบบการปฏิบัติตามข้อกำหนด – ความสม่ำเสมอในการทำการประเมินตามกำหนดเวลา เมื่อข้อมูลนี้แสดงจุดเสี่ยง จะนำไปสู่การตัดสินใจในการออกแบบการทดลองในอนาคต

การรวมที่ตรงไปตรงมามากขึ้นมาจากทีมวิจัย ผู้ประสานงานได้รับการสนับสนุนให้เชื่อมต่อกับผู้ป่วยและรวบรวมสัญญาณรอบประสบการณ์ของพวกเขา จากนั้นจึงส่งต่อไปยังทีมที่กว้างขึ้น สิ่งนี้ได้รับการเสริมสร้างทางวัฒนธรรม – คำติชมประสบการณ์ของผู้ป่วยได้รับการเผยแพร่ในแชแนลที่ใช้ร่วมกันและถูกเรียกในงานสัมมนาของบริษัท

ยังมีประโยชน์ทางโครงสร้างอีกด้วย ไม่เหมือนกับแบบจำลองดั้งเดิมที่ทีมวิจัยใหม่จะถูกจัดตั้งขึ้นสำหรับการศึกษาใหม่ๆ Lindus ดำเนินการทดลองบนเทคโนโลยีเดียวกันโดยมีสมาชิกในทีมที่ทำงานร่วมกันหลายๆ การศึกษา ความต่อเนื่องนี้ทำให้การเรียนรู้ – ทั้งแบบเข้ารหัสและแบบไม่เข้ารหัส – สามารถไหลจากการทดลองหนึ่งไปยังอีกการทดลองหนึ่ง เมื่อผู้ประสานงานพบจุดเสี่ยงในหนึ่งการศึกษา ข้อมูลนั้นสามารถแจ้งให้ทราบวิธีการตั้งค่าการศึกษาต่อไป

กลุ่มผู้สนับสนุนผู้ป่วยขยายสิ่งนี้ต่อไป โดยนำเสนอความเห็นที่จะไม่ผ่านช่องทางภายใน – โดยเฉพาะอย่างยิ่งเกี่ยวกับวัสดุการศึกษาและกระบวนการลง陆ในกลุ่มผู้ป่วยที่แตกต่างกัน

กระบวนการยังคงเรียบง่ายเพราะคำติชมไหลผ่านโครงสร้างที่มีอยู่แล้ว แทนที่จะกำหนดให้ต้องมีเครื่องมือแยกต่างหากสำหรับการศึกษาแต่ละครั้ง

อะไรที่ต้องเปลี่ยนแปลงในอุตสาหกรรมสำหรับการวิจัยทางคลินิกเพื่อให้เร็วขึ้นและเชื่อถือได้มากขึ้น?

อุตสาหกรรมมีแรงเฉื่อยโครงสร้างที่ต้องการให้ผู้ปฏิบัติงานดำเนินการแตกต่างออกไปและแสดงแนวทางที่แตกต่างในทางปฏิบัติ โปรแกรมนวัตกรรมขององค์กรและคำสั่งผู้บริหารมีผลกระทบต่อการเปลี่ยนแปลงการดำเนินงานที่จำกัด – สิ่งที่ต้องการคือผู้ปฏิบัติงานที่จะดำเนินการแตกต่างและพิสูจน์ว่ามันทำงานได้

การเขียนโปรแกรมทางสถิติแสดงรูปแบบนี้ สิ่งนี้เป็นงานที่มีทักษะ – การเปลี่ยนแปลงข้อมูลทางคลินิกสำหรับการวิเคราะห์ทางชีวสถิติ – โดยผู้เชี่ยวชาญที่มีความเชี่ยวชาญในโดเมนอย่างลึกซึ้ง แต่มีการต่อสู้เพื่อดึงดูดผู้มีความสามารถ มืออาชีพที่มีภูมิหลังด้านวิทยาศาสตร์ข้อมูลหรือวิศวกรรมศาสตร์ไม่ค่อยเลือกสิ่งนี้ แม้ว่าทักษะจะทับซ้อนกันอย่างมีนัยสำคัญ การทำงานยังคงแยกจากกัน วิธีการที่ไม่โปร่งใสต่อคนนอก และท่อผู้มีความสามารถถูกจำกัด

AI สามารถเปิดสิ่งนี้ได้ – เครื่องมือสมัยใหม่สามารถจัดการงานการเปลี่ยนแปลงได้มาก และความต้องการในการเขียนโปรแกรมแบบคู่ (โดยที่โปรแกรมเมอร์สองคนผลิตผลลัพธ์โดยอิสระ) สามารถตอบสนองได้ด้วยคู่ AI-มนุษย์ แทนที่จะเป็นคู่มนุษย์-มนุษย์ แต่เทคโนโลยีเพียงอย่างเดียวไม่ได้แก้ไขปัญหาโครงสร้าง คุณต้องการผู้ปฏิบัติงานที่เต็มใจที่จะใช้งานอย่างรอบคอบและพิสูจน์ว่ามันตรงตามมาตรฐานการควบคุม

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 โดยแต่ละรายถือภาพที่แตกต่างกัน บริบทถูกสูญเสียที่ทุกการถ่ายโอน เมื่อคุณขอให้ระบบ AI ตัดสินใจเกี่ยวกับข้อมูลการทดลองในบรรยากาศนี้ มันทำงานกับข้อมูลที่ไม่สมบูรณ์ – และข้อมูลที่ไม่สมบูรณ์จะทำให้เกิดผลลัพธ์ที่ไม่น่าเชื่อถือ

องค์กรที่จะได้รับประโยชน์มากที่สุดจาก AI คือผู้ที่มีการสืบค้นจากจุดสิ้นสุดต่อจุดสิ้นสุด พวกเขาควบคุมโซ่ข้อมูลตั้งแต่การออกแบบโปรโตคอลไปจนถึงการเก็บข้อมูลและการวิเคราะห์ พวกเขาไม่สรุปบริบท – พวกเขาสร้างมัน พวกเขาออกแบบแบบฟอร์ม ระบุฟิลด์ และเขียนพจนานุกรมข้อมูล แต่ละจุดข้อมูลมีประวัติเพราะองค์กรสร้างประวัตินั้น ความสามารถในการสืบค้นนี้ไม่ใช่แค่ประสิทธิภาพในการดำเนินงาน – แต่เป็นสิ่งที่ทำให้การตัดสินใจที่มั่นใจซึ่งส่งผลกระทบต่อผู้ป่วย

ในอีกห้าปีข้างหน้า ความได้เปรียบโครงสร้างนี้จะสะสม องค์กรที่มีการสืบค้นจากจุดสิ้นสุดต่อจุดสิ้นสุดจะใช้ AI ได้อย่างมีประสิทธิภาพมากขึ้น – ตั้งแต่การออกแบบการทดลองแบบปรับเปลี่ยนตามข้อมูลที่เข้ามา ไปจนถึงการเพิ่มประสิทธิภาพโปรโตคอลที่ได้รับแจ้งจากรูปแบบทางประวัติศาสตร์ – จับความรู้ที่ปรับปรุงระบบของพวกเขา และขยายช่องว่าง ผู้ที่ทำงานกับข้อมูลที่กระจัดกระจายจะพบว่า AI มีแนวโน้มที่จะน่าสนใจแต่ไม่น่าเชื่อถือ: ระบบที่ทำงานได้ดีในสถานการณ์ที่ควบคุม แต่ไม่ทำงานได้ดีในสถานการณ์จริง

คำถามสำหรับอุตสาหกรรมไม่ใช่ว่า AI จะมีความสำคัญหรือไม่ แต่เป็นว่าโครงสร้างพื้นฐานด้านข้อมูลมีอยู่เพื่อให้ AI น่าเชื่อถือหรือไม่ สำหรับอุตสาหกรรมส่วนใหญ่ ยังไม่มีอยู่ นี่คืองานที่จะทำต่อไป

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม Lindus Health เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการดำเนินการทดลองทางคลินิกที่เป็นเจ้าของ AI การเป็นเจ้าของข้อมูลตั้งแต่ต้นจนจบ และการส่งมอบการศึกษาที่เร็วขึ้น