Jay Ferro, Bilgi, Teknoloji ve Ürün Başkanı, Clario – Röportaj Serisi

Jay Ferro Clario’nun Bilgi, Teknoloji ve Ürün Başkanı’dır. Bilgi Teknolojileri ve Ürün ekiplerini yönetme konusunda 25 yılı aşkın deneyime sahiptir ve veri korumasına güçlü bir odaklanma ile anlamlı bir etki yaratmak için teknolojiler ve ürünler oluşturma konusunda bir tutkuya sahiptir.

Clario’ya katılmadan önce, Jay, Quikrete Şirketleri ve Amerikan Kanser Derneği gibi küresel organizasyonlarda CIO, CTO ve CPO gibi üst düzey liderlik rollerini üstlenmiştir. Ayrıca Allata, LLC’nin Yönetim Kurulu üyesidir. Profesyonel başarıları, Atlanta Teknoloji Profesyonelleri tarafından Yılın Yönetici Lideri ve HMG Stratejisi tarafından Orta Ölçekli CIO olarak ödüllendirilmiştir.

Clario klinik deneme yönetimi alanında bir liderdir ve hayatları güvenilir ve kesin kanıtlarla dönüştürmek için kapsamlı son teknoloji sunar. Onkoloji denemelerine uzmanlaşmış olan Clario, etkinliği artırmak, güvenliği sağlamak ve yaşam kalitesini iyileştirmek için hasta raporlu sonuçları (PRO’lar) vurgular ve elektronik PRO’ları kağıt alternatifine göre daha maliyet etkin bir seçenek olarak savunur. Terapötik alanlar ve küresel düzenleyici uyum konusunda uzmanlık sunan Clario, 100’den fazla ülkede merkezden uzak, hibrit ve site tabanlı denemeleri destekler ve yapay zeka ve bağlantılı cihazlar gibi gelişmiş teknolojileri kullanır. Çözümleri, entegre destek ve eğitim yoluyla hasta ve sponsorlar için uyumluluk ve retansiyonu garantileyerek deneme süreçlerini basitleştirir.

Clario, klinik denemelerin çeşitli aşamalarında 30’dan fazla AI modelini entegre etti. Bu modellerin denemelerin belirli yönlerini nasıl geliştirdiğini, örneğin onkoloji veya kardiyoloji gibi, örneklerle açıklar mısınız?

Müşterilerimize 800’den fazla klinik denemede hız, kalite, kesinlik ve gizlilik sunmak için AI modellerimizi kullanıyoruz. Araçlarımızın sadece AI hype döngüsünün bir parçası olmadığını, müşterilerimize gerçek değer sağladığını gurur duyuyorum.

AI modellerimiz büyük ölçüde dört kategoriye girer: veri gizliliği, kalite kontrol yardımı, okuma yardımı ve okuma analizi. Örneğin, tıbbi görüntülerde statik resimlerde, videolarda veya PDF’lerde Kişisel Tanımlayıcı Bilgileri (PII) otomatik olarak silen araçlara sahibiz. Ayrıca, veri yüklendiğinde hızlı kalite değerlendirmeleri sunan AI araçları kullanıyoruz – bu da verinin güvenliği konusunda büyük bir güven sağlar. EKG verilerini sürekli olarak sinyal kalitesi için izleyen ve doğru hasta tanımlayıcılarını onaylayan bir araç geliştirdik. Bir okuma yardımı aracı geliştirdik, bu da dilim öngörüsünü, lezyon propagasyonunu ve hastalık tespitini sağlar. Ayrıca, AI destekli nicel ülseratif kolit Mayo skorlaması gibi araçlar ile veri yorumunu otomatikleştirmek ve standartlaştırmak için okuma analizini iyileştirdik.

Bunlar, 2018’den bu yana geliştirdiğimiz AI modellerinin sadece birkaç örneğidir ve çok ilerleme kaydettik, ancak daha yeni başlıyoruz.

Clario, çeşitli deneme ortamlarında AI tarafından üretilen içgörülerin yüksek doğruluk ve tutarlılığı nasıl sağlar?

AI modellerimizi, iyi veri ve iyi olmayan veya ilgili olmayan veri arasındaki farkı anlamak için büyük miktarda veriyle sürekli olarak eğitiyoruz. Sonuç olarak, AI tarafından yönlendirilen veri analizi, zengin veri geçmişlerini algılar, ön analizler yapar ve sonunda müşterilerimiz için daha yüksek kaliteli sonuçlar sağlar.

Spirometri çözümlerimiz, bunu neden yaptığımızı güzel bir şekilde gösterir. Klinikler, belirli akciğer koşullarını teşhis etmek ve izlemek için spirometri kullanır ve bu, bir hastanın bir nefes darbesiyle çıkardığı hava miktarını ölçer. Bir hasta spirometre kullanırken hatalar oluşabilir: testi слишком yavaş yapabilir, test sırasında öksürebilir veya spirometrelerin ağız parçasının etrafında tam bir mühür oluşturamayabilir. Bu varyasyonlar, bir insan sonuçları analiz etmeden önce keşfedilmeyen hatalara neden olabilir. 50.000’den fazla örnek üzerinde derin öğrenme modellerini eğittik ve iyi bir okumadan kötü bir okumayı öğreniyoruz. Cihazlarımız ve algoritmalarımızla, klinikler veri değerini neredeyse gerçek zamanlı olarak görebilir, insan analizi beklemek zorunda kalmaz. Bu önemlidir, çünkü bazı hastalar bir klinik denemeye katılmak için birkaç saat sürüş mesafesinde olabilir. Düşünün, siteye gittiğinizde Spirometri testinin hatalı olduğunu ve ertesi hafta tekrar test yaptırmanız gerektiğini öğrendiğinizde, bu durum hasta ve site için ek bir yük oluşturur. AI modellerimiz, hasta hala sitedeyken hataları doğru bir şekilde tespit ederek ve düzeltmeler yapılmasını sağlayarak bu yükü azaltıyor.

Clario’nun AI modelleri, veri toplama sürelerini veri kalitesini tehlikeye atmadan nasıl azaltır?

Klinik denemelerde en yüksek kalitede veri oluşturmak her zaman odak noktamızdır, ancak AI algoritmalarımızın doğası, veri toplama ve analizinin dramatik bir şekilde hızlanmasını sağlar. Daha önce de söylediğim gibi, algoritmalarımız, insan yorumundan daha hızlı ve daha yüksek bir kesinlikte kalite kontrol analizi gerçekleştirmeye izin verir. Ayrıca, veri girilirken kalite kontrolleri gerçekleştirebiliriz. Bu, hasta hala deneme sitesindeyken, günler veya haftalar sonra değil, eksik, hatalı veya düşük kaliteli hasta verilerini tespit etmemizi sağlar.

Clario, özellikle veri gizliliği, hasta katılımı ve veri kalitesi açısından merkezden uzak ve hibrit denemelerin zorluklarını nasıl ele alır?

Şu anda, bir denemenin merkezden uzak bir bileşeni olması, aslında bir hibrit deneme olması anlamına gelir. Katılımcıların kendi cihazlarını veya evlerinde bağlı cihazları kullanmalarına izin vermenin, özellikle erişilebilirlik açısından denemelere daha büyük olanaklar sunabileceğini düşünüyorum. Denemelere katılma sürecini kolaylaştırmak, teknoloji yol haritamızın odak noktasıdır ve bu, hasta çeşitliliğini artırmak, işe alma ve retansiyonu basitleştirmek, katılımcılar için kolaylık sağlamak ve daha kapsayıcı klinik denemeler için fırsatları genişletmeyi hedefler. Evde spirometri, evde kan basıncı, eCOA ve diğer çözümler sunar ve bunlar, geleneksel çözümlerle aynı veri bütünlüğünü sağlar ve bunları, son noktalar ve terapötik alan uzmanlarımızın gözetiminde gerçekleştiririz. Sonuç, hasta için daha iyi bir deneyim ve daha iyi son noktalar için daha iyi veri kalitesidir.

Clario’nun AI destekli yaklaşımının, ilaç, biyoteknoloji ve tıbbi cihaz şirketleri için deneme sürelerini ve maliyetlerini azaltmaya nasıl benzersiz avantajlar sağladığını düşünüyorsunuz?

2018’den bu yana AI araçları geliştiriyoruz ve bunlar iç ve dış ürün karışımımızda her şeyi sarmış durumda. Bizi asla terk etmeyen şey, bunu sorumlu bir şekilde yapmamızdır: insanları döngüde tutmak, düzenleyicilerle ortaklık kurmak, müşterilerimizle ortaklık kurmak ve yasal, gizlilik ve bilim ekiplerimizi dahil etmek, her şeyi doğru şekilde yaptığımızdan emin olmak için. AI’nin geliştirilmesi ve dağıtılması, müşterilerimize çeşitli olumlu şekillerde etki etmelidir. AI programımızın temeli, endüstrinin ilk Sorumlu Kullanım İlkelerine dayanmaktadır. Clario’da AI’ye dokunan herkes bu beş ilkeyi takip eder. Bu ilkeler arasında, algoritmalarımızı eğitmek için kullanılabilir olan en çeşitli verilerin kullanılmasına dikkat ederiz. Riskleri tespit etmek ve hafifletmek için izler ve test ederiz ve yalnızca anonim veri kullanarak modelleri ve algoritmaları eğitiyoruz. Bu tür rehberleri AI aracı geliştirirken uyguladığımızda, hızlı, ölçeklenebilir ve paciente gizliliğini koruyan kesin verileri sunabiliriz. Sponsorlara doğru verileri ne kadar hızlı sağlayabilirsek, bu, onların gelirlerine ve nihayetinde hasta sonuçlarına o kadar büyük bir etkiye sahiptir.

AI modelleri bazen verideki önyargılara yansıyabilir. Clario, denemelerde adil ve önyargısız veri analizini sağlamak için hangi önlemleri alır?

Önyargı, eğitim veri kümesinin amaçlanan kullanım için çok sınırlı olduğu zaman ortaya çıkar. İlk olarak, veri kümesi yeterli gibi görünse de, son kullanıcı aracı kullanmaya başladığında ve AI’yi eğitildiği şeyin ötesine iterse, hatalar oluşabilir. Clario’nun Başhekimimiz Dr. Todd Rudo,sometimes bu örneği kullanır: Elektrokardiyogramlar (ECG’ler) için uygun lead yerleştirme belirlemek için bir modeli eğitebiliriz, böylece klinikler teknisyenlerin leadleri doğru yerlere yerleştirdiğini belirleyebilir. Tonlarca harika veri ile bu modeli 100.000 ECG üzerinde eğitebiliriz. Ancak, AI modelimizi sadece yetişkin testleri verisiyle eğittiğimizde ne olur? Bir ECG, 2 yaşındaki bir hastada yapıldığında, model nasıl tepki verir? Açıkça, potansiyel olarak tedaviyi etkileyen hataları kaçırabilir.

Bu nedenle Clario’da, ürün, veri, Ar-Ge ve bilim ekiplerimiz, gerçek dünya uygulamalarında doğruluk ve güvenilirlik sağlamak için en kapsamlı eğitim verilerini kullanarak algoritmaları eğitmek için yakın bir şekilde çalışır. Ürünlerimize entegre ettiğimiz algoritmaları eğitmek için kullanılabilir olan en çeşitli verileri kullanırız. Ayrıca, AI’nin geliştirilmesi ve kullanımında riskleri hafifletmek için insan denetimine başvururuz.

Clario, AI çıktılarını insan denetimi ve izleme süreciyle nasıl entegre eder ve düzenleyici uyumluluk ve etik standartlarını sağlar?

İnsan denetimi, AI modellerimizin geliştirilmesi, eğitilmesi ve doğrulanması konusunda uzmanlaşmış insan ekiplerimizin olduğunu anlamına gelir. Hem geliştirme aşamasında hem de bir modeli bir teknolojiye entegre ettikten sonra, uzmanlarımız çıktıları izler ve olası önyargıları tespit eder, ayrıca çıktıların adil ve güvenilir olduğundan emin olur. AI, bilimi ve insan zekasını güçlendirmek için kullanılmalıdır. AI, insanlara, tekrar eden şeyleri ortadan kaldırarak, daha yüksek düzeydeki zorluklara odaklanabilmeleri için yetenek sağlar. Verileri analiz etmek, önceki denemeleri veya herhangi bir şeyi analiz etmek için makineler çok iyidir, ancak insan sezgisini ve endüstrimizdeki harika insanların deneyimini ve bilimsel deneyimini asla yerine geçemezler. Clario’da, AI’yi tekrarlanan işleri ortadan kaldırmak için kullanıyoruz. Verileri analiz etmek, hasta resimlerini veya önceki denemeleri analiz etmek için kullanıyoruz – makineler bunu genellikle insanlardan daha hızlı ve bazen daha iyi yapabilir. Ancak, insan sezgisini ve biliminsanlarının ve endüstrimizin gerçek dünya deneyimini asla yerine geçemez.

AI’nin, özellikle onkoloji, kardiyoloji ve solunum çalışmaları gibi alanlarda, önümüzdeki birkaç yıl içinde klinik denemelere nasıl bir etki yapacağını öngörüyorsunuz?

Onkolojide, tıbbi görüntülerden nicel ölçümler çıkaran radyomikte uygulamalı AI’nin ilerlemesinden heyecan duyuyorum. Radyomik, several adımları içerir: görüntü edinimi, görüntü ön işleme, özellik çıkarma, model geliştirme ve klinik uygulama. AI’nin giderek daha gelişmiş araçlarını kullanarak, tümör davranışını, tedavi yanıtını ve hasta sonuçlarını öngörebiliriz. Hastalığın erken belirtilerini ve hastalığın erken nüksünü tespit edebiliriz. Radyomik ve klinik iş akışlarına daha gelişmiş AI araçlarının entegre edilmesi, onkoloji ve hasta bakımında büyük ilerlemeler sağlayacaktır.

Solunum çalışmaları konusunda da aynı derecede heyecan duyuyorum. Geçen yıl, klinik denemelerde solunum verilerini toplamak için AI modelleri geliştiren Belçikalı bir şirket olan ArtiQ’yi satın aldık. Kurucu şimdi benim AI Başkanımdır ve solunum çözümlerinden büyük şeyler bekliyoruz. Algoritmaların uygulamasına yaklaşımımız, özellikle hasta ve site yükünü azaltmaya yardımcı olduğu için oyun değiştirici oldu. Solunum verisi gerçek zamanlı olarak analiz edilmezse ve bir anormallik daha sonra tespit edilirse, hastanın kliniğe geri dönerek başka bir test yaptırması gerekir. Bu, hasta için stres ekler, sponsor için de ek maliyetler ve operasyonel zorluklar oluşturur. Yeni spirometri cihazlarımız, ArtiQ modellerini kullanarak bu yükü azaltır ve near gerçek zamanlı olarak overread’leri sunar. Bu, herhangi bir sorun oluştuğunda, hastanın hala klinekteyken hemen tespit edilip düzeltilmesini sağlar.

Son olarak, çeşitli terapötik alanları etkileyecek araçlar geliştiriyoruz. Örneğin, yakın zamanda elektronik klinik sonuç değerlendirmelerinde (eCOA) AI’nin giderek daha fazla değer sağlayacağına şahit olacağız. AI modelleri, hasta tarafından trảilenen ince değişiklikleri yakalayacak ve ölçecektir. Bu teknoloji, birçok araştırmacıya yardımcı olacaktır, örneğin Alzheimer araştırmacıları, hastanın hastalığın hangi aşamasında olduğunu anlayabilecektir. Bu bilgiyle, ilaç etkinliği daha iyi ölçülebilir ve hasta ile bakıcıları hastalığın yönetimine hazırlanabilir.

AI’nin klinik denemelerdeki çeşitliliği genişletmede ve hasta popülasyonlarındaki sağlık eşitliğini iyileştirmede nasıl bir rol oynayacağını düşünüyorsunuz?

Eğer sadece teknoloji açısından AI’ye bakarsanız, sorunlara yol açabilirsiniz. AI, teknoloji, bilim, düzenleme ve benzeri açılardan ele alınmalıdır. Endüstrimizde gerçek mükemmellik, insan işbirliği ile elde edilir ve bu, doğru soruları sormayı sağlar: “Yaş, cinsiyet, cinsellik, ırk ve etnik kökeni dikkate alan modelleri eğitiyor muyuz?” Endüstrimizdeki herkes bu tür soruları AI araçları geliştirmeden önce sorarsa, AI sadece ilaç geliştirmeyi hızlandırmakla kalmaz, tüm hasta popülasyonları için hızlandırır.

Clario’nun 2025 ve ötesi için AI’nin klinik deneme sektöründeki evrimi konusunda planları veya öngörülerini paylaşabilir misiniz?

2025’te, biyofarma şirketlerinin AI ve gerçek zamanlı analitikleri hiç olmadığı kadar kullanacağını göreceğiz. Bu ilerlemeler, klinik denemeleri basitleştirecek ve karar alma süreçlerini hızlandıracaktır. Çalışma yapılarını hızlandırarak ve risk tabanlı izlemeyi uygulayarak, zaman çizelgemizi hızlandırabilir, hastalara yükü hafifletebilir ve sponsorların yaşamı kurtaran tedavileri daha büyük bir kesinlik ve verimlilikle sunmasını sağlayabiliriz. Bu, hepimiz için heyecan verici bir zaman, birlikte sağlık bakımını dönüştürüyoruz.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Clario‘yu ziyaret edebilir.