Faro Health’in CTO’su Patrick Leung – Röportaj Serisi

Patrick Leung, Faro Health’in CTO’su, şirketin AI destekli platformunu yönetiyor, bu platform klinik deneme protokolü tasarımını basitleştiriyor ve hızlandırıyor. Faro Health’in araçları, deneme planlamasında verimliliği, standartlaştırmayı ve doğruluğu artırıyor, veri odaklı içgörüler ve akışkan süreçleri entegre ediyor, böylece deneme risklerini, maliyetlerini ve hasta yükünü azaltıyor.

Faro Health, klinik araştırma ekiplerine, optimize edilmiş ve standartlaştırılmış deneme protokollerini daha hızlı geliştirme imkanı sunuyor, klinik araştırmalarda inovasyonu ilerletiyor.

Siz Google’ (GOOGL ) da AI alanında uzun yıllar çalıştınız. Google’da çalışırken en heyecan verici projeleriniz nelerdi ve bu deneyimler AI’ye yaklaşımınızı nasıl şekillendirdi?

Google Duplex ekibindeydim, bu bir konuşma AI sistemiydi ve kullanıcıların adına restoranlar ve diğer işletmelerle görüşüyordu. Bu, çok yetenekli insanlarla dolu bir proje idi ve takım çok hızlı ilerliyordu, her hafta yeni fikirleri deniyordu ve son şeylerin demostrarı çok ilham vericiydi. Böyle bir takımda olmak çok ilham vericiydi.

Bu takımda öğrendiğim birçok şeyden biri, en son AI modelleriyle çalışırken bile, bazen kullanıcı deneyimi ve değer elde etmek için hâlâ biraz hileci olmak gerekiyor. Protokol belgesinin teknik bölümlerinde doğru bilgileri sunmak için, takım kayıtları ve temporizer’leri birleştirdi, böylece konuşma daha doğal görünüyordu. Basında bizim “um”ların neden orada olduğu hakkında neler dediklerini okumak çok eğlenceliydi!

Hem siz hem de Faro’nun CEO’su büyük teknoloji şirketlerinden geliyorsunuz. Geçmiş deneyimleriniz Faro’nun gelişimi ve stratejisi üzerinde nasıl bir etkiye sahip oldu?

Kariyerim boyunca birkaç kez büyük şirketlere çeşitli ürün ve hizmetler satan şirketler kurdum. Faro da dünyanın en büyük ilaç şirketlerine hedefleniyor, bu nedenle büyük şirketlerle ortaklık kurmak için gereken deneyimi paylaşıyorum. New York’ta bulunan büyük bir algoritmik hedge fonu olan Two Sigma’da çalışmak, veri bilimine yaklaşımımı şekillendirdi. Onlar, tüm yeni fikirlerin bir araştırma planına girdiği ve titizlikle test edildiği bir hipotez odaklı süreç uyguluyorlar. Ayrıca, yeni veri setlerini entegre etmek ve özellik mühendisliği yapmak için çok iyi geliştirilmiş bir veri mühendisliği organizasyonuna sahipler. Faro, klinik deneme geliştirme sorunlarını çözmek için AI yeteneklerini derinleştirdikçe, bu yaklaşım bizim için çok ilgili ve uygulanabilir olacak.

Faro Health, klinik deneme tasarımındaki karmaşıklığı AI ile basitleştirme üzerine kuruludur. Klinik olmayan bir geçmişten gelen siz, protokol tasarımında ele alınması gereken özel ağrı noktalarını anlamak için ne tür bir “aha” anı yaşadınız?

İlk “aha” anım, “Eroom Yasası” kavramıyla karşılaştığımda oldu. Eroom, aslında “Moore”ün tersi yazılışıdır. Bu alaycı isim, son 50 yılda enflasyona göre ayarlanmış klinik ilaç geliştirme maliyetleri ve zamanlarının yaklaşık olarak her 9 yılda iki katına çıktığını réféans alıyor. Bu, tüm bilgi teknolojisi devrimine aykırı ve gerçekten aklımı karıştırdı. Bu, burada çözülmesi gereken devasa bir problem olduğunu bana kanıtladı!

Bu alana daha derinlemesine girdikçe ve temel sorunları daha iyi anladıkça, birçok benzer içgörü daha oldu. Bir temel ve çok açık gözlem, Word belgelerinin karmaşık klinik denemeleri tasarlamak ve depolamak için iyi bir format olmadığıdır! Bu, Faro’nun CEO’su Scott’un klinik deneyimi temelinde yapılan bir gözlem ve Faro’nun üzerine kurulduğu bir gözlem. Ayrıca, zaman içinde denemelerin daha karmaşık hale geldiği, klinik çalışma ekiplerinin geçmiş protokollerden kopyalayarak ve yeni değerlendirmeler ekleyerek daha fazla veri toplamak için daha fazla değerlendirme eklediği gözlemi var. Kullanıcılara, çalışma tasarımı sürecinin başlangıcında mümkün olduğunca fazla değerli içgörü sunmak, Faro için bir değer önerisidir.

Faro’nun platformunda AI, daha hızlı ve daha doğru klinik deneme protokolü tasarımı sağlamak için nasıl bir rol oynar? Faro’nun “AI Ortak Yazar” aracı, diğer generatif AI çözümlerinden nasıl farklıdır?

Şüphesiz ki, ChatGPT’ye bir klinik deneme protokolü belgesi oluşturmasını isteyemezsiniz. İlk olarak, protokol belgesinin teknik bölümlerinde doğru bilgileri sunmak için, çok özel, yapılandırılmış deneme bilgilerine ihtiyacınız vardır. İkincisi, belirli türdeki denemeler için belgede bulunması gereken birçok ayrıntı ve özel şartlar vardır ve medical yazarlar ve inceleyiciler tarafından beklenen bir tarz ve ayrıntı düzeyi vardır. Faro’da, kullanıcıların ve düzenleyicilerin yüksek standartlarını karşılayan içerik üretecek bir AI çözümünü geliştirebilmek için, klinik uzmanlarla birlikte çalışarak rehberler ve değerlendirme kontrol listeleri geliştirdik.

Nadir hastalıklar ve immüno-onkoloji denemeleri daha karmaşık hale geldikçe, Faro bu özel talepleri nasıl karşılar ve AI’nin doğruluğunu veya kalitesini feda etmeden bunu nasıl başarır?

Bir model, sadece eğitim verisi kadar iyidir. Modern tıbbın ön saflarında ilerledikçe, en son klinik denemelerle modellerimizi eğitmek ve test etmek zorundayız. Bu, klinik deneme protokollerinin dijital kütüphanemizi sürekli olarak genişletmemizi gerektirir – Faro’da zaten çok sayıda klinik deneme protokolünü dijitalleştirdiğimize çok gururluyuz ve bu veri setinin büyümesini önceliklendiriyoruz. Ayrıca, AI modelimizin çıktısını değerlendirmek ve gerekli değişiklikleri “değerlendirme kontrol listeleri”ne sağlamak için klinik uzmanlarla yakın çalışıyoruz.

Faro’nun Veeva ve diğer önde gelen şirketlerle ortaklığı, platformunuzu daha geniş klinik deneme ekosistemine entegre ediyor. Bu işbirlikleri, deneme sürecini, protokol tasarımından yürütme aşamasına kadar nasıl basitleştiriyor?

Klinik denemenin kalbi, Faro’nun Study Designer’ı müşterilerimize yardımcı olan protokoldür. Protokol, denemenin her şeyini etkiler, ancak geleneksel olarak protokoller Word belgelerinde tasarlanır ve depolanır. Bu nedenle, klinik geliştirme operasyonel hale getirilmesindeki büyük bir zorluk, protokolden veya diğer belge tabanlı kaynaklardan diğer sistemlere veya belgelere veri aktarımıdır. İnsan eliyle bu bilgileri elle aktarmak son derece verimsizdir ve hatalara yol açar.

Faro’nun vizyonu, tasarım sisteminden operasyonel aşamaya kadar klinik deneme unsurlarının akışını sağlayan birleşik bir platformdur. Bu tür bir bilgi akışı sağlanırsa, otomasyon ve kalite açısından önemli fırsatlar doğar ve klinik deneme tasarımı ve uygulanması süresini ve maliyetini dramatik olarak azaltabiliriz. Veeva Vault EDC’ye Study Designer’ı bağlamak için Veeva ile我们的 ortaklığımız, bu yöndeki ilk adımdır ve daha banyak şey gelecek.

Klinik denemeleri basitleştirmekte AI’ye karşı bazı temel zorluklar nelerdir ve Faro bunları, özellikle AI çıktılarında şeffaflık sağlama ve yanlılık veya hayal gücü gibi sorunlardan kaçınma konusunda nasıl aşar?

Klinik deneme belgeleri için diğer alanlardan çok daha yüksek bir standart vardır. Bu belgeler gerçek insanların hayatlarını etkiler ve yüksek derecede düzenleyici inceleme geçirir. AI kullanarak klinik belgeler oluşturmaya başladığımızda, hazır AI modellerinin çıktısının beklentileri karşılamaktan çok uzak olduğu açıktı. Ton, ayrıntı düzeyi, format – her şey yanlış ve daha çok genel amaçlı iş iletişimine yönelikti. Faro’da, klinik uzmanlarla birlikte çalışarak, AI çıktısının doğru, eksiksiz ve doğru tonta olmasını sağlamak için rehberler ve değerlendirme kontrol listeleri geliştirdik.

Gelecekte, klinik denemeler bağlamında AI’nin nasıl evrileceğini öngörüyorsunuz? Faro, bu alanda dijital dönüşümde önümüzdeki on yılda nasıl bir rol oynayacak?

Zaman ilerledikçe, AI, klinik geliştirme sürecindeki daha fazla kararı ve işlemi optimize edecek. Protokol tasarım girdilerine dayanarak, çalışma ekibinin kaydolma zorlukları beklenebileceğini, çalışmanın operasyonel zorluklar nedeniyle değişiklikler gerektirebileceğini öngörebileceğiz. Bu tür öngörülebilir içgörülerle, çalışmanın operasyonel başarı olasılığını en üst düzeye çıkarabilir ve sitelere ve hastalara en iyi deneyimi sunabiliriz. Faro, bu olanakları keşfetmeye devam edecek ve klinik belgelerinin tüm dosya ve kağıt işlerini verimli hale getirecek. Ayrıca, AI’nin platformumuzu, klinik bilim insanlarıyla birlikte çalışarak, hasta yükü, site yükü, zaman, maliyet ve karmaşıklık arasında doğru ticaretleri yapan denemeleri tasarlayan bir tasarım ortağı haline getirmeyi öngörüyoruz.

Faro’nun hasta merkezli tasarım odaklı yaklaşımı, klinik denemelerin verimliliğini ve başarısını, özellikle hasta yükünü azaltma ve çalışma erişilebilirliğini artırma açısından nasıl etkiler?

Klinik denemeler, daha fazla katılımcı verisi toplamak isteyebilir – bu, hasta için daha fazla değerlendirme veya test anlamına gelir – ancak aynı zamanda çalışmanın operasyonel uygulanabilirliğini yönetmek zorundadır, örneğin, katılımcı kaydını ve elde tutmayı. Ancak hasta kaydı ve elde tutma, bugün klinik denemelerin başarılı bir şekilde tamamlanmasının en önemli zorluklarından biridir – bazı tahminlere göre, %20-30’u arasında hasta, katılım yükü nedeniyle çalışmadan çıkacaktır. Klinik araştırma ekipleri, yüksek yükün hastalara etkisinin farkındadır, ancak bunu pratikte azaltmak zor olabilir. Hasta yükünü ölçmek zor, çünkü tasarımınız bir Word belgesinde veya pdf’de.

Faro’nun Study Designer’ı kullanarak, klinik gelişim ekipleri, protokol planlama sürecinin kendisinde, protokollerinin hasta yükü üzerindeki etkisine ilişkin gerçek zamanlı içgörüler alabilir. Çalışmaları, maliyet, hasta yükü, karmaşıklık gibi faktörleri dengelerken, Faro, klinik araştırma ekiplerine, tasarım aşamasında değişiklikler yapmayı kolaylaştıran bir araç sunar. Müşterilerimiz, bize, gerekli olduğunda değişiklikler yapabilmeleri için, hasta yükü ve ilgili metriklere ilişkin görünürlük sağladığımızı seviyorlar. Sonuç olarak, müşterilerimizin kolektif hasta zamanında binlerce saat tasarruf ettiğini gördük, bu da çalışmaya katılanlar için olumlu bir etkiye sahip olacak ve klinik denemelerin zamanında başlaması ve tamamlanmasını sağlayacaktır.

Klinik deneme süreçlerine AI entegre etmeye çalışan şirketlere veya başlangıçlara, Google ve Faro’daki deneyimlerinizden yola çıkarak ne tür tavsiyeler verirsiniz?

Buradaki temel çıkarımlar:

1. AI promtlarınızı ayırın ve değerlendirin. Büyük dil modelleri gibi GPT, klinik düzeyde belgeler oluşturmak için tasarlanmamıştır. Bu nedenle, AI’yi klinik deneme belgelerini otomatikleştirmek için kullanıyorsanız, klinik uzmanlarla rehberlik edilen bir değerlendirme çerçevesine ihtiyacınız vardır.
2. Yapılandırılmış bir deneme temsilini kullanın. Klinik denemeleri optimize etmek için gerekli veri analitiğini oluşturmak için, yapılandırılmış bir depoya ihtiyacınız vardır. Bugün, birçok şirket Word belgelerini kullanıyor – hatta Excel bile değil! Bu, klinik uzmanlardan geri bildirim alarak, denemenin karmaşıklığını doğru bir şekilde temsil eden bir yapıya sahip olmak anlamına geliyor.
3. Klinik uzmanlar, kalite için çok önemlidir. AI tabanlı klinik gelişim sistemlerinin tasarımında ve test edilmesinde, klinik uzmanların doğrudan katılımı çok önemlidir. Bu, çalıştığım diğer alanlardan daha çok böyle, çünkü gerekli bilgi çok özel, ayrıntılı ve her ürünün geliştirilmesini etkiler.

Yenilikleri denemeye ve bulgularımızı şirket blogumuzda paylaşmaya devam ediyoruz, böylece şirketler bu alanda yol alabilsin.

Harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular Faro Health‘i ziyaret edebilir.