Röportajlar

Nijat Hasanli, Lindus Health Ürün Lideri – Röportaj Serisi

Antoine Tardif
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarLindus Health'ın yapay zeka odaklı deney işletim sistemi, tüm deney yürütme kapsamında…
Daha fazla göster
  • Lindus Health'ın yapay zeka odaklı deney işletim sistemi, tüm deney yürütme kapsamında verimlilik kazanımlarını katlayarak artırır.
  • Şirket, doğrudan hasta güvenliği risklerini ortadan kaldırmak için klinik bakım iş akışlarında yapay zeka kullanmaktan kaçınır.
  • Geleneksel deneylerdeki yapısal parçalanma, yapay zekanın erken aşamada ortadan kaldırmaya yardımcı olabileceği gereksiz veri toplamaya yol açar.

Nijat Hasanli, Lindus Health Ürün Lideri olarak sağlık teknolojisi ve teknoloji odaklı kuruluşlarda ürün fonksiyonları kurma ve büyütme konusunda deneyime sahiptir. OneCommerce ve Downforce Technologies’deki görevlerinin ardından 2022’den beri Lindus’ta ürün stratejisini ve uygulamasını yönetmektedir. Birleşik Krallık’taki farklı ürün ortamlarında ürün geliştirmeyi iş sonuçlarıyla uyumlu hale getirmekten, inovasyonu ilerletmekten ve karmaşık teknik yetenekleri hızla değişen sektörlerde ölçeklenebilir, kullanıcı odaklı çözümlere dönüştürmekten sorumlu olmuştur.

Lindus Health, biyoteknoloji ve ilaç şirketlerine klinik çalışmaların yürütülmesinde daha fazla kontrol, hız ve güvenilirlik sunmayı amaçlayan bir ‘Accountable Research Organization’, yani araştırmanın bütününden sorumlu kuruluş olarak çalışan, yapay zekâ odaklı bir klinik araştırma şirketidir. Geleneksel sözleşmeli araştırma modellerini; çalışma tasarımı, hasta alımı, veri toplama ve uygulamayı tek sistemde yöneten, tamamen entegre ve teknoloji öncelikli bir platformla değiştirir. Çalışmalar çoğu zaman sektörün olağan sürelerinden önemli ölçüde hızlı tamamlanır. Şirketin kendi geliştirdiği, baştan yapay zekâ için tasarlanmış işletim sistemi çalışma performansını gerçek zamanlı gösterir, kilometre taşlarına bağlı fiyatlandırmayla teşvikleri uyumlu hale getirir ve katılım ile sonuçları iyileştirmek için büyük ölçekli sağlık verilerini kullanır. Genel amaç yeni tedavileri hastalara daha hızlı ulaştırmaktır.

Lindus Health’in misyonunu veya ürün yönünü şekillendiren belirleyici bir anı ya da erken dönem zorluğunu paylaşabilir misiniz?

Klinik araştırmalarda inovasyon çoğu zaman büyük kuruluşlar, önemli sermaye ve yerleşik altyapıyla ilişkilendirilir. Ancak başlangıçtaki belirleyici deneyimimiz bize tersini öğretti.

İlk çalışmamızda, teknolojimizle güvenle yürütebileceğimizi bildiğimiz basit bir tasarımı bilinçli olarak seçtik. Bu kısıt, tasarımı sadeleştirmemizi ve tamamen kontrol ettiğimiz sistemlere dayanmamızı sağladı; bağımlılıklar ve verimsizlikler daha görünür oldu. Çalışmaların yürütülmesinde inovasyon için büyük ve çok karmaşık yazılım yığınları gerekmez. Gerekli olan, her şeyi bağlayan tutarlı bir veri hattıyla çalışmanın baştan sona sorumluluğunu üstlenmektir. Böylece parçaların ilişkisi görülür ve parçalı işletim modellerinde fark edilmesi zor fırsatlar ortaya çıkar.

Yapay zekâ destekli platformunuz klinik araştırma sürecini geleneksel modellere kıyasla nasıl kolaylaştırıyor?

CitrusTM’yi yapay zekâ destekli bir platform olarak konumlandırmıyoruz; baştan yapay zekâ için tasarlanmış bir araştırma işletim sistemidir. Yapay zekâyı dağıtılmış biçimde uygularız. Tek alanda büyük bahis oynamak yerine mühendislik ekibimizle sistemlerin çeşitli noktalarında güvenilir, bağlama uygun kullanımlar buluruz. Bu yaklaşım, çalışmaların tüm uygulama kapsamını üstlendiğimiz için işler. Protokolün ayrıştırılması hızlanınca kazanç çalışma tasarımına aktarılır; tasarım hızlanınca veri ekibi daha düzenli bir kurulum devralır. Her aşama daha yapılandırılmış çıktılar üretip sonraki aşamalarda tekrar yapılması gereken işi azalttığı için küçük iyileştirmeler birikerek etkisini artırır.

İki örnek verebilirim. Yapay zekâyla veri analiz kodu üretiriz ve kod herhangi bir yerde kullanılmadan önce çıktısını kontrol eden açık mekanizmalarımız vardır. Ayrıca protokol belgelerini çalışma tasarımı şemalarına dönüştürmekte kullanırız. İlk dönüşüm büyük verimlilik sağlar, fakat ortaya çıkan kurulum yine haftalar süren inceleme ve kabul testlerinden geçer.

Klinik hasta bakımı iş akışlarına yapay zekâ uygulamayız. Uygun koruyucu mekanizmaları destekleyen altyapı hâlâ olgunlaşırken, uygulamalarımızın çalışmalardaki hastalara zarar riski oluşturmamasından sorumluluk duyarız. Böylece klinik bakımda yapay zekâya bağlı düzenleme ve güvenlik risklerinden kaçınırız. Diğer kullanımlarımız da sektördeki her yapay zekâ uygulaması kadar titiz incelemeye tabidir; ancak insan incelemesine bol zaman bırakırlar. Klinik bakımın risk profili farklıdır: kararlar o anda verilir ve hatalar hasta güvenliğini doğrudan etkileyebilir.

Başlıca etki klinik araştırma ekibinin verimliliğindedir. Sadeleştirmelerimizin önemli bir bölümü doğrudan ekibe hizmet eder ve kazançlar birikir. Çalışmanın yürütülmesinden kazandığımız her hafta, ilaç geliştirme döngüsünün tamamlanmasına bir hafta yaklaşmak demektir; bu da toplam geliştirme süresini azaltabilir. Yapay zekâ yalnızca zaman kazandırıp hasta alımını tahmin etmez. Gelen verileri anormallikler, güvenlik sinyalleri ve risk göstergeleri açısından izleyerek ekibe etkili gözetim için daha net görünürlük sağlar.

Geleneksel modellerde yapay zekâ, sürecin kalanından kopuk, tek bir fonksiyon için tek bir araç olan noktasal çözüm şeklinde kullanılır. Uçtan uca modelimizde kazanç tüm çalışmaya yayılır ve her iyileştirme öncekinin üzerine kurulur. Bu, tek tek fonksiyonları optimize etmekle bütün çalışmanın uygulama performansını iyileştirmek arasındaki farktır.

Tufts çalışması, klinik araştırma verilerinin neredeyse üçte birinin gerekli olmadığını belirtiyor. Lindus Health gereksiz veri toplamayı belirlemek ve kaldırmak için yapay zekâyı nasıl kullanıyor?

Tufts çalışmasının anlattığını biz de doğrudan gördük. Deneyimimize göre temel neden yapısaldır: uygulama ekipler arasında parçalandığında herkes tüm ihtimallere karşı önlem almaya teşvik edilir. Bu, parçalı hesap verebilirliğe verilen yapısal bir tepkidir. Tedarikçi sözleşmelerinden veri toplama araçlarına kadar her devir yeni bir ihtiyat katmanı ekler.

İş, olgu rapor formlarını tasarlayan kişiye ulaştığında o kişi çoğu zaman asıl araştırma sorusundan uzaktır. Araştırmacı, “Bu tedavide üç ay içinde kilo nasıl değişti?” diye sorabilir. Form tasarımcısı ise araştırma merkezlerine ödeme koşulları, uyum onay kutuları ve denetim izi gereklilikleri gibi operasyonel konulara odaklanır. Her iki bakış da geçerli ve gereklidir. Sorun, işlevlerin ortak bağlam olmadan çalışmasıdır. Operasyonel destek yapısı büyürken araştırma sorusu altında kalır.

Teknik çözümlerden önce daha basit bir düzey de vardır. Araştırma ekipleri zaten yapay zekâ sohbet araçlarına erişir ve bunları sürekli kullanır. Haftada onlarca protokol belgesi ve PDF geldiğinde bunları yardımcı araçlara aktarıp soru sorabilmek materyalle etkileşimi değiştirir. Bu, operasyonel ayrıntılarda kaybolmadan araştırma sorusuna yakın kalmalarını sağlar.

İlk aşama çalışma tasarımıdır. Tasarım ve kurulum sürecine gömülü yapay zekâ araçları, sorunları protokole sabitlenmeden önce yakalar. Daha ayrıntılandırılmış çalışma takvimleri üretir, tasarımcıyı protokol boyunca yönlendirir ve aşırı karmaşıklık, tekrar ya da hataları işaretleriz. Tasarımcı gerekçesini kaydederek bir veri noktasını kaldırma veya toplama sıklığını azaltma konusunda bilinçli karar verebilir.

İkinci aşama veri analizidir. Çalışma başladıktan sonra planlanan veri toplamayı değiştirmek başka bir zorluktur. Ancak daha hızlı birleştirme, örüntü bulma ve anormallik işaretleme, elle işlemeyi azaltır ve önemli bilgiyi gürültüden çabuk ayırır. Ekipler gereksiz toplamanın çalışmayı etkileyip etkilemediğini ve nerede etkilediğini çevik biçimde görebilir. Güvenilir içgörüler erken gelince hâlâ zaman varken ayarlama yapabilir, araştırma ekibini uyarabilir veya toplamayı sadeleştirecek protokol değişikliğinin gerekçesini oluşturabilirler.

Yapısal sorun iki aşamada ele alınır: tasarımda karmaşıklık sabitlenmeden bulunup kaldırılır, analizde ise çalışma sürerken sorunu belirleyip harekete geçme hızı sağlanır.

Klinik araştırmalarda yapay zekâ kullanımına ilişkin en büyük yanlış anlamalar neler ve bunları sponsorlar ile düzenleyici kuruluşlarla nasıl ele alıyorsunuz?

En büyük yanlış anlama çekingenlik varsayımıdır: sponsorların ve düzenleyicilerin yapay zekâya direneceği sanılır. Deneyimimiz bunu doğrulamıyor.

Erken görüşmelerimiz, düzenleyici kuruluşların rehber yayımlamada haklı olarak ihtiyatlı olmasına rağmen, bu kuruluşlardaki kişilerin klinik araştırmalarda yapay zekâyı konuşmaya açık olduğunu gösterdi. Üretkenlik, verimlilik ve kaliteyi artırabileceği ve sektörde ne kadar yinelenen iş bulunduğu genel olarak kabul ediliyor.

Sponsorlar, biz konuyu açmadan önce yapay zekâyı sordu. Bu çözümleri bulup uygulamamızı aktif olarak istiyorlardı. İki neden var: bazı araçları kendileri zaten kullandığı için potansiyeli biliyorlar. Ayrıca verimliliğin çalışma süresini ve maliyeti azaltabileceğini, aksi halde gözden kaçacak sorunları önleyebileceğini görüyorlar. Birkaç sponsor, kurumlarında verimlilik için yapay zekâ kullanımını gösterme yönünde iç baskı olduğunu anlattı.

İlgili başka bir endişe, verilerin modelleri eğitmekte kullanılmasıdır. Sektör bu konuda ilerliyor; model sağlayıcıları kullanım planlarını giderek netleştiriyor. Kullandığımız araçların temel model eğitimine veri aktarmamasına dikkat ederiz. Kendi modellerimizi veya yöntemlerimizi eğitirken de aynı özeni gösteririz. Bunu yapan her taraf, müşteri ve sağlayıcı arasındaki iş kapsamı belgesinde açıkça belirtmelidir. Veri kullanımı ve model davranışı net biçimde belgelenmelidir.

Yanlış anlamalar gerçek olsa da sorumluluğu hatırlatır: yapay zekânın nerede kullanıldığı, verinin nasıl işlendiği ve korumaların neler olduğu açık olmalıdır. Sponsor açısından soru, araştırmada yapay zekâ kullanılıp kullanılmaması değil, sağlayıcının bunları düşünüp düşünmediği ve şeffaf olmaya hazır olup olmadığıdır.

Çalışmaların yürütülmesinde hem hız hem kalite için otomasyon ile insan gözetimini nasıl dengeliyorsunuz?

İnsan incelemesine fırsat olmayan yerlerde yapay zekâ kullanmaya ihtiyatla yaklaşırız. Bu, kalite belgelerimize ve yapay zekâ politikamıza yansır.

Örneğin bazı sağlayıcılar konuşmayla hasta uygunluğunu değerlendiren sohbet botları sunuyor. Bu otomasyon, çoğu uygulamadan çok daha dikkatli değerlendirilmelidir. En iyi durumda yapay zekâ, yarar görebilecek kişiyi yanlışlıkla çalışmadan dışlar. En kötü durumda uygun bulur, ekibe taramayı geçtiğini söyler ve hasta alımına bulunmaması gereken bir risk ekler.

Burada insan gözetimi işe yaramaz: kişi çıktıyı incelediğinde yapay zekâ sonuçları ciddi olabilecek iş akışında zaten harekete geçmiştir. Olgu rapor formundaki hatada veri toplama aracı değiştirilebilir veya veri atılabilir. Oysa hastaya ya da araştırma merkezine bir eylem talimatı verilirse geri döndürülemez zarar ihtimali, hem ciddiyet bakımından hem çalışmadaki diğer hata noktalarına göre daha büyüktür.

Denge, insan incelemesi entegre ve riski yönetilebilir uygulamalara odaklanarak sağlanır. Yapay zekâ, insan kontrolü gömülü ve hataları telafi edilebilir iş akışlarında en etkilidir.

Hasta yükünü azaltıp çalışmaya devam oranını yükseltmede hangi teknolojiler veya tasarım ilkeleri en etkilidir?

Yükün azaltılması ve katılımın sürmesi, iyi deneyim sağlayan küçük ve bilinçli adımlara dayanır. Tek bir müdahale bunu tek başına çözmez.

İki tasarım ilkesi en önemlisidir.

Birincisi, hastaya yönelik içerik ve arayüz kalitesidir. Hasta bilgi formu, onam formu ve çalışma uygulaması deneyimi şekillendirir. Metin sade ve kısa, arayüz kolay olmalıdır: sezgisel gezinme, asgari sürtünme ve saklanmış belge olmaması. Hasta savunucularıyla görüşmeler, materyali katılımcılara ulaşmadan iyileştirebilir. İyi kullanıcı deneyimi burada da her yerdeki kadar önemlidir; özellikle klinik çalışmalarda sonunda uyum sağlayacak milyonlarca kullanıcıyla çalışmıyorsunuz.

İkincisi, ekiplerin hastayla bağını korumasıdır. Hatırlatıcılar, davetler ve bildirimler gibi iletişim araçları ile hasta durumunu, uyumu ve güvenlik sinyallerini gösteren izleme altyapısı gerekir. Otomatik gözetim betikleri dikkat gerekenleri işaretler, ekip hızla yanıt verir. Makine öğrenmesi uyum verisindeki örüntülerden, hasta ayrılmadan önce azalan katılımı sezebilir; böylece olaydan sonra takip yerine önleyici müdahale olur. Amaç, önemliyi sulandıran gürültü olmadan doğru bilgiyi doğru kişiye doğru zamanda vermektir.

Bunlar yeni teknolojiye dayanmaz, ancak hazır çözümlerden de gelmez: çalışmaya eklenince kendiliğinden işlemesi beklenen bir ürün yoktur. Hastanın nerede zorluk yaşadığını anlamak ve bilinçli çözmek gerekir. Modern yapay zekâ, metni iyileştirme, tonu gözden geçirme ve izleme betiklerini otomatikleştirmeyi hızlandırır. Teknoloji olgundur; fark, çalışma için mi hasta için mi sorun çözdüğünüzdür.

Lindus Health, süreci yalın ve verimli tutarken hasta geri bildirimini nasıl topluyor ve çalışma tasarımına katıyor?

Gizlilik ve mevzuata uyum, geri bildirim toplamanın sınırlarını belirler; yaklaşım bunlara uymalıdır. Temel izleme, hizmetin çalışma süresini, kimlik belirleyicileri çıkarılmış kullanım verilerini (cihaz türü, uygulama davranışı) ve planlanan değerlendirmelerin ne kadar düzenli tamamlandığını kaydeder. Bu veriler sorunları gösterince gelecekteki tasarım kararlarına girdi olur.

Daha doğrudan aktarım araştırma personeliyle sağlanır. Koordinatörler katılımcıyla iletişime ve deneyim işaretlerini toplayıp geniş ekibe iletmeye teşvik edilir. Kültür bunu destekler: hasta deneyimi geri bildirimleri ortak kanallarda yayımlanır ve tüm şirket çalışanlarının toplantılarında vurgulanır.

Yapısal bir avantaj da vardır. Geleneksel modelde her çalışma için yeni ekip kurulur. Lindus aynı teknolojiyi ve birden çok çalışmada deneyim kazanmış kişileri kullanır. Süreklilik hem kayda geçmiş hem örtük bilgiyi sonraki tasarıma taşır. Koordinatörün bir çalışmada gördüğü zorluk, sonrakinin kuruluşunu etkileyebilir.

Hasta savunuculuğu grupları, iç kanallardan gelmeyecek bakışlar getirir; özellikle farklı hasta gruplarının materyal ve süreçleri nasıl karşıladığını ortaya koyar.

Geri bildirim mevcut yapılar üzerinden aktığı ve her çalışmaya ayrı bir düzenek gerekmediği için süreç yalın kalır.

Klinik araştırmaların hızlanıp güvenilirleşmesi için sektör genelinde ne değişmeli?

Sektörün yapısal ataleti, uygulayıcıların farklı çalışıp alternatifleri pratikte kanıtlamasını gerektirir. Kurumsal inovasyon programları ve yönetici direktifleri operasyonel değişimi sınırlı etkiler. Gerçekten farklı yapan ve işe yaradığını gösteren kişilere ihtiyaç vardır.

İstatistiksel programlama buna örnektir. Klinik veriyi biyoistatistik analiz için dönüştürmek derin alan bilgisi gerektiren uzmanlık işidir. Ancak yetenek çekmekte zorlanır. Veri bilimi veya mühendislik geçmişi olanlar, beceriler çok örtüşse de nadiren bu alanı seçer. İş silolarda, yöntemler dışarıdakilere kapalı ve yeni uzman akışı sınırlı kalır.

Yapay zekâ alanı açabilir: modern araçlar dönüşüm işinin önemli bir bölümünü yapabilir. İki programcının bağımsız sonuç ürettiği çift programlama şartı, iki insan yerine yapay zekâ–insan çiftiyle karşılanabilir. Ama teknoloji tek başına yapısal sorunları çözmez; düşünerek uygulayıp düzenleyici standartları karşıladığını kanıtlayan uygulayıcılar gerekir. Yoksa kapasite yeterince kullanılmaz.

Daha geniş ders, hızlı ve güvenilir çalışmaların yeni araçlardan fazlasını gerektirmesidir. İşe alımda, düzenlemeleri yorumlamada ve kurum kültüründe farklı çalışacak kişilere alan açılmalıdır. Süreler pratikte böyle kısalır.

Önümüzdeki beş yılda yapay zekâ, veri ve çalışma tasarımı ilişkisi nasıl gelişecek?

İlişkiyi yapısal gerçek belirleyecek: yapay zekânın etkinliği aldığı bağlamın kalitesiyle sınırlıdır. Veri nereden geldi, hangi dönüşümlerden geçti ve ne anlama geliyor gibi zengin ve doğru bağlam olmadan güçlü modeller bile güvenilmez çıktılar verir.

Klinik araştırma sektörünün çoğu parçalıdır. Sözleşmeli araştırma kuruluşları (CRO) döngünün parçalarını görür. Sponsorlar, her biri resmin bir bölümünü tutan tedarikçilerle çalışır. Her devirde bağlam kaybolur. Yapay zekâdan bu ortamda çalışma verisini yorumlaması istenince eksik bilgiyle hareket eder ve eksik bilgi güvenilmez sonuç verir.

En fazla yararlanacaklar uçtan uca izlenebilirliği olan kuruluşlardır. Protokol tasarımından toplamaya ve analize kadar zinciri kontrol ederler. Bağlamı çıkarsamaz, üretirler: formları tasarlar, alanları tanımlar ve veri sözlüğünü yazarlar. Her noktanın kökeni bilinir, çünkü köken zincirini kuruluş oluşturmuştur. İzlenebilirlik yalnızca operasyonel verimlilik değil, hastaları etkileyen güvenilir kararların temelidir.

Önümüzdeki beş yılda bu yapısal avantaj birikecek. Uçtan uca görünürlüğü olanlar, gelen veriye yanıt veren uyarlanabilir tasarımlardan tarihsel örüntülere dayalı protokol optimizasyonlarına kadar yapay zekâyı daha etkili kullanacak; öğrendiklerini sistemlerini geliştirmeye aktararak farkı açacaklar. Parçalı veriyle çalışanlar için yapay zekâ umut verici fakat güvenilmez kalacak: kontrollü koşullarda iyi işleyen ancak üretim ortamlarına güvenilir biçimde genellenemeyen sistemler.

Sektörün sorusu yapay zekânın önemli olup olmayacağı değil, onu güvenilir yapacak veri altyapısının mevcut olup olmadığıdır. Sektörün büyük kısmında henüz yoktur. Önümüzdeki çalışma budur.

Bu değerli röportaj için teşekkür ederiz. Baştan yapay zekâ için tasarlanmış klinik araştırma uygulaması, uçtan uca veri sahipliği ve hızlı çalışma yürütümü hakkında bilgi edinmek isteyen okuyucular Lindus Health sitesini ziyaret edebilir.

Antoine, Unite.AI'nin vizyoner lideri ve kurucu ortağıdır. Yapay zekâ ve robotiğin geleceğini şekillendirmeye ve ilerletmeye yönelik sarsılmaz bir tutku taşır. Birden fazla şirket kurmuş bir girişimci olarak yapay zekânın toplumu elektrik kadar köklü biçimde dönüştüreceğine inanır ve çığır açan teknolojiler ile yapay genel zekânın (AGI) potansiyelinden sık sık heyecanla söz eder.

Bir fütürist olarak bu yeniliklerin dünyamızı nasıl şekillendireceğini araştırmaya kendini adamıştır. Ayrıca geleceği yeniden tanımlayan ve tüm sektörleri dönüştüren ileri teknolojilere yatırım yapmaya odaklanan Securities.io platformunun kurucusudur.