Lindus Health’ten Ürün Başkanı Nijat Hasanli ile Röportaj Serisi

Nijat Hasanli, Lindus Health’in Ürün Başkanı, sağlık teknolojisi ve teknoloji odaklı organizasyonlarda ürün fonksiyonlarının oluşturulması ve ölçeklendirilmesinde odaklanmış bir geçmişe sahiptir ve şu anda 2022’den beri Lindus’ta ürün stratejisi ve yürütmesini yönetmektedir. Önceki görevleri OneCommerce ve Downforce Technologies’de bulunmuştur. Deneyimi, ürün geliştirme ile iş sonuçlarını eşleştirmekten, inovasyonu teşvik etmekten ve hızlı hareket eden endüstrilerde ölçeklenebilir, kullanıcı odaklı çözümler oluşturmak için karmaşık teknik yetenekleri çevirmekten sorumluydu.

Lindus Health, bir “Sorumlu Araştırma Organizasyonu” olarak faaliyet gösteren bir AI destekli klinik araştırma şirketidir. Biyotek ve ilaç şirketlerine klinik çalışmalarını yürütmede daha fazla kontrol, hız ve güvenilirlik sağlar. Şirket, geleneksel sözleşmeli araştırma modellerini, tasarım ve hasta alımı dahil olmak üzere her şeyin yönetildiği tek bir sistem içinde yönetilen, teknoloji öncelikli bir platformla değiştirir. Proprietary AI-native işletim sistemi, gerçek zamanlı görünürlük sağlar, döneme bağlı fiyatlandırma ile teşvikleri hizalar ve büyük ölçekli sağlık verilerini kayda ve sonuçları iyileştirmek için kullanır.

Lindus Health’in misyonu veya ürün yönünü şekillendirmeye yardımcı olan bir tanımlayıcı anı veya erken zorluğu paylaşabilir misiniz?

Klinik araştırmalarda inovasyon genellikle ölçekle ilişkilendirilir: büyük organizasyonlar, önemli sermaye ve kurulmuş altyapı. Ancak bizim tanımlayıcı erken anımız bize bunun tersini öğretti.

İlk denemeyi çalıştırdığımızda, basit tutmaya özen gösterdik – teknolojiyle güvenli bir şekilde gerçekleştirebileceğimiz bir şey. Bu kısıtlama, deneme tasarımını basitleştirmemize ve tamamen kontrol ettiğimiz sistemlere güvenmemize zorladı, bu da bağımlılıkları ve verimsizlikleri daha görünür hale getirdi. Büyük, karmaşık yazılım yığınları, deneme teslimatında inovasyona ihtiyaç duymaz. Deneme teslimatındaki inovasyon, her şeyin nasıl bir araya geldiğini görebileceğiniz, tüm denemeye sahip olmak ve tümünü bağlayan tutarlı bir veri işlem hattına sahip olmakla ilgilidir.

AI destekli platformunuz, geleneksel modellere kıyasla klinik araştırma sürecini nasıl basitleştiriyor?

Bu platformu AI destekli olarak konumlandırmıyoruz. Citrus^TM, bir AI-native deneme işletim sistemidir. AI uygulamasına dağıtılmış bir yaklaşım uyguluyoruz – tek bir domaine büyük bahis oynamak yerine, mühendislik ekibimizi, sistemlerimiz boyunca güvenilir, bağlam özgü uygulamalar bulmaya yönlendiriyoruz. Bu işe yarayan şey, tam kapsamlı yürütme ile denemeleri çalıştırmamızdır. AI, protokol analizi hızlandırduğunda, bu verimlilik, çalışma tasarımı ve veri ekibine temiz bir kurulum sağlar.

İki örnek bunu göstermektedir: AI kullanarak veri analiz kodu oluşturuyoruz ve AI kullanarak protokol belgelerini çalışma tasarımı şemalarımıza parse ediyoruz – ilk dönüşümde önemli verimlilik kazanımları, ancak inşa hala haftalarca inceleme ve kabul testinden geçer.

Klinik bakım iş akışlarında AI uygulamıyoruz. AI uygulamalarının hasta güvenliğini riske atmamasını sağlamak için bir sorumluluk hissediyoruz, çünkü uygun güvenlik önlemlerini desteklemek için gereken altyapı hala olgunlaşmaktadır. Bu, klinik bakım iş akışlarında AI ile ilgili düzenleyici ve güvenlik risklerini de避er.

Primær etki, klinik araştırma ekibi verimliliğinde görülür. Çoğu basitleştirme, klinik araştırma ekibine doğrudan hizmet eder – artımlar birikir. Her hafta deneme teslimatından kazandığımız zaman, ilaç geliştirme döngüsünü tamamlamaya bir hafta daha yaklaştığımız anlamına gelir ve zaman kazanımlarının ötesinde, AI uygulamalarımız yalnızca işe alım tahmini yapmaz, aynı zamanda gelen verileri anormallikler, güvenlik sinyalleri ve risk göstergeleri için izler – çalışma ekibine daha net bir görünüm sağlar.

Geleneksel modellerde AI, genellikle bir noktada çözüm olarak uygulanır – bir araç, bir fonksiyon, işlemin geri kalanından izole. Tam kapsamlı modelimiz, verimlilik kazanımlarının tüm denemeye akmasına izin verir, her iyileştirme bir önceki üzerine kurulur.

Tufts çalışması, klinik araştırma verilerinin neredeyse üçte birinin gereksiz olduğunu vurgulamaktadır. Lindus Health, AI kullanarak gereksiz veri koleksiyonunu tanımlamak ve ortadan kaldırmak için nasıl çalışmaktadır?

Tufts çalışmasının tanımladığı şey, bizim de şahsen gördüğümüz bir şeydir. Deneme teslimatı parçalandığında, her ekip kendi temelini kapsamak için teşvik edilir. Bu davranış, parçalı sorumluluğun bir yapısal tepkisidir.

Deneme teslimatının tasarımı ve hasta alımı dahil olmak üzere her şey, tek bir sistem içinde yönetilir. AI araçlarını kullanarak, veri analiz kodunu oluşturabilir, protokol belgelerini çalışma tasarımı şemalarımıza parse edebiliriz. Bu, daha hızlı ve daha verimli bir süreç sağlar.

En büyük AI kullanımındaki yanlış anlaşılmalar nelerdir ve bunları sponsorlar ve düzenleyicilerle nasıl ele alırsınız?

En büyük yanlış anlaşılmadır – AI’nin klinik araştırmalarda kullanıldığından şüphelenmek. Bu, bizim deneyimimizde yansıtılmamaktadır.

Düzenleyicilerle erken konuşmalarımız, rehberlik yayınlamaya karşı uygun bir ihtiyatlılık göstermelerine rağmen, bu organizasyonlardaki bireylerin klinik araştırmalarda AI hakkında tartışmaya açık olduğunu göstermiştir. AI’nin verimliliği, kaliteyi ve üretkenliği iyileştirebileceğinin genel bir tanınması vardır.

Sponsorların AI kullanımına ilişkin endişeleri vardır, ancak bunlar genellikle AI’nin potansiyelinden kaynaklanmaz. AI’nin veri kullanımını ve model davranışını şeffaf bir şekilde belgelendirmek önemlidir.

Deneme yürütmesinde hız ve kaliteyi sağlamak için otomasyonu ve insan denetimini nasıl dengelersiniz?

AI’yi insan incelemesi olmadan kullandığımızdan dikkatliyiz. Bu, kalite belgelerimizde ve AI politikamızda yansıtılır.

Örneğin, hasta uygunluğunu değerlendiren sohbet botları gibi otomasyonlar, dikkatli bir şekilde değerlendirilmelidir. AI’nin hasta güvenliğini riske atmamasını sağlamak için bir sorumluluk hissediyoruz.

İnsan denetimi, AI’nin çalıştığı tüm iş akışlarında entegre edilmelidir. AI, insan incelemesi ile birlikte çalışmalıdır, böylece AI’nin çıktısı insan tarafından gözden geçirilebilir ve doğrulanabilir.

Hasta yükünü azaltmak ve tutma oranını artırmak için en etkili teknolojiler veya tasarım ilkeleri nelerdir?

Hasta yükü ve tutma oranı, küçük, bilinçli adımlarla sağlanabilir. Tek bir müdahale, bu sorunu bağımsız olarak çözmez.

İki tasarım ilkesi önemlidir. İlk olarak, hasta odaklı içerik ve arayüzlerin kalitesi. İkinci olarak, araştırma ekiplerinin hastalarla nasıl iletişim kurduğu.

AI, hasta experience tasarımını iyileştirmek için kullanılabilir. Örneğin, hasta anketlerini analiz etmek ve hasta geri bildirimini toplamak için kullanılabilir.

Endüstri genelinde klinik araştırmaların daha hızlı ve daha güvenilir hale gelmesi için ne gibi değişikliklere ihtiyaç vardır?

Endüstri, yapısal bir atalet sahiptir ve uygulayıcıların farklı bir şekilde çalışmasını ve alternatif yaklaşımları uygulamalarını gerektirir. Kurumsal inovasyon programları ve yöneticilerin direktifleri, operasyonel değişimi sınırlı bir şekilde etkiler – benöt什么 gerekir, farklı bir şekilde çalışmaya istekli uygulayıcılar.

İstatistiksel programlama, bu kalıbı gösterir. Bu, klinik verilerin biyoistatistiksel analiz için dönüştürülmesi için uzmanlık gerektiren bir işlemdir. Ancak yetenek çekmek için mücadele ediliyor.

AI, bu alanı açabilir – modern araçlar, dönüşüm işinin çoğunu ele alabilir ve çift programlama gereksinimleri, AI-insan çiftleri ile yerine getirilebilir. Ancak teknoloji alone yapısal sorunları çözmez. Düzenleyici standartları karşılayacak şekilde düşünceli bir şekilde uygulamaya istekli uygulayıcılar gerekir.

AI, veri ve deneme tasarımı arasındaki ilişkinin gelecek beş yıl içinde nasıl evrileceğini öngörüyorsunuz?

İlişki, AI’nin aldığı bağlamın kalitesi tarafından şekillendirilecektir. Zengin, doğru bağlam olmadan, AI’nin çıktısı güvensiz olacaktır.

Çoğu klinik araştırma endüstrisi parçalıdır. AI sistemlerine verilen bağlam, genellikle eksik veya yanlış olacaktır. AI’nin güvenilir bir şekilde çalışması için, endüstri, AI’nin çalıştığı bağlamı anlamak ve AI’nin çıktısını değerlendirmek için daha iyi bir şekilde çalışmalıdır.