Інтерв’ю
Ніжат Хасанлі, керівник продуктового напряму Lindus Health – Серія інтерв’ю

Ключові моментиОпераційна система для клінічних досліджень Lindus Health, розроблена з нуля з…
Показати більше
- Операційна система для клінічних досліджень Lindus Health, розроблена з нуля з використанням штучного інтелекту, посилює ефективність на всіх етапах проведення дослідження.
- Компанія не застосовує штучний інтелект у робочих процесах клінічного догляду, щоб повністю виключити прямі ризики для безпеки пацієнтів.
- Структурна фрагментація в традиційних дослідженнях призводить до надмірного збору даних, який штучний інтелект може допомогти усунути на ранніх етапах.
Ніжат Хасанлі, керівник продукту в Lindus Health, має спеціалізований досвід у створенні та масштабуванні продуктових функцій у компаніях медичних технологій та інших технологічно орієнтованих організаціях, зараз очолює продуктову стратегію та її реалізацію в Lindus з 2022 року після попередніх посад в OneCommerce та Downforce Technologies. Його досвід охоплює кілька середовищ продукту у Великій Британії, де він був відповідальним за узгодження розвитку продукту з бізнес-результатами, стимулювання інновацій та перетворення складних технічних можливостей у масштабовані, орієнтовані на користувача рішення у швидкозмінних галузях.
Lindus Health – це компанія клінічних досліджень, що використовує штучний інтелект, яка працює як “Відповідальна організація досліджень”, призначена для надання біотехнологічним та фармацевтичним компаніям більшого контролю, швидкості та надійності при проведенні клінічних досліджень. Компанія замінює традиційні моделі контрактних досліджень на повністю інтегровану, технологічно-орієнтовану платформу, яка керує всім, від дизайну клінічних досліджень та набору пацієнтів до збору даних та виконання в рамках однієї системи, часто завершуючи дослідження значно швидше, ніж галузеві норми. Її власна операційна система, від початку побудована навколо штучного інтелекту, забезпечує огляд перебігу в реальному часі для клінічних досліджень, узгоджує стимули через цінову систему, засновану на віхах, та використовує великомасштабні дані охорони здоров’я для поліпшення реєстрації та результатів, з більш широкою метою прискорення доставки нових методів лікування пацієнтам.
Чи можете Ви поділитися визначальним моментом або раннім викликом, який допоміг сформувати місію або напрямок продукту Lindus Health?
У клінічних дослідженнях інновації часто пов’язані з масштабом: великими організаціями, значним капіталом та встановленою інфраструктурою. Але наш визначальний ранній момент навчив нас протилежному.
Коли ми провели своє перше дослідження, ми навмисно зробили його простим — таким, яке знали, що можемо безпечно провести за допомогою нашої технології. Це обмеження змусило нас спростити дизайн дослідження та покладатися на системи, які ми повністю контролювали, що зробило залежності та неефективності більш видимими. Великі, високоскладні програмні стеки не потрібні для інновацій у проведенні клінічних досліджень. Інновації у проведенні клінічних досліджень залежать від відповідальності за все клінічне дослідження, від початку до кінця, з цілісним потоком даних, що з’єднує все. Ця видимість дозволяє побачити, як все пов’язано, що виявляє можливості, які важко визначити у фрагментованих операційних моделях.
Як ваша платформа, що використовує штучний інтелект, спрощує процес клінічного дослідження порівняно з традиційними моделями?
Ми не позиціюємо її як платформу, просто доповнену штучним інтелектом. CitrusTM – це операційна система клінічних досліджень, від початку побудована навколо штучного інтелекту. Ми приймаємо розподілений підхід до застосування штучного інтелекту – замість того, щоб робити великі ставки на штучний інтелект в одному домені, ми залучаємо нашу інженерну команду для пошуку надійних, контекстно-специфічних застосувань в усіх наших системах. Що робить це можливим, так це те, що ми забезпечуємо виконання клінічних досліджень у повному обсязі. Коли штучний інтелект прискорює аналіз протоколу, це підвищення ефективності переходить у дизайн дослідження. Коли дизайн дослідження швидший, команда даних отримує краще підготовлене налаштування. Ці поступові поліпшення накопичуються, оскільки кожен етап виробляє більш структуровані результати та знижує потребу переробляти роботу на наступних етапах.
Два приклади ілюструють це: ми використовуємо штучний інтелект для генерації коду аналізу даних, де у нас є чіткі механізми для перевірки результату до будь-якого використання коду. Ми також використовуємо штучний інтелект для розбору документів протоколу в нашу схему дизайну дослідження – значні вигоди з ефективності на цьому першому перетворенні, але створена система все ще проходить тижні перевірок і приймальних тестів.
Ми не застосовуємо штучний інтелект у робочих процесах клінічної допомоги. Ми відчуваємо відповідальність за те, щоб наші застосування не становили ризику шкоди пацієнтам у наших дослідженнях, оскільки інфраструктура, необхідна для підтримки відповідних захисних механізмів, ще не дозріла. Це дає змогу уникати регуляторних ризиків і ризиків для безпеки, пов’язаних із застосуванням штучного інтелекту у робочих процесах клінічної допомоги. Наші інші застосування все ще зустрічають ту саму перевірку, як і будь-який штучний інтелект у цій галузі – але фундаментально, вони пропонують багато часу для перевірки людиною. Клінічна допомога – це інший профіль ризику: рішення в моменті, де помилки можуть безпосередньо вплинути на безпеку пацієнта.
Основний вплив припадає на ефективність команди клінічних досліджень. Багато наших оптимізацій служать команді клінічних досліджень безпосередньо – вигоди ефективності, що накопичуються. Кожен тиждень, який ми знімаємо із проведення клінічних досліджень, – це тиждень ближче до завершення циклу розробки ліків, який може зменшити загальні терміни процесу розробки ліків. І крім виграшу часу, наші застосування штучного інтелекту роблять більше, ніж прогнозують реєстрацію. Вони моніторять надходження даних на аномалії, сигнали безпеки та індикатори ризику – надають команді дослідження чіткішу видимість для ефективного нагляду за клінічними дослідженнями.
У традиційних моделях штучний інтелект зазвичай є окремим рішенням: один інструмент для однієї функції, ізольований від решти процесу. Наша модель “від початку до кінця” дозволяє виграшам з ефективності протікати через все клінічне дослідження, з кожним покращенням, яке будується на попередньому. Це відображає різницю між оптимізацією окремих функцій та покращенням продуктивності по всьому виконанню клінічних досліджень.
Дослідження Tufts підкреслює, що майже одна третина даних клінічних досліджень є неважливими. Як Lindus Health використовує штучний інтелект для визначення та ліквідації непотрібного збору даних?
Що описує дослідження Tufts, – це щось, що ми бачили на власному досвіді. У нашому досвіді кореневою причиною є структура: коли проведення клінічних досліджень фрагментоване між командами, кожна команда має стимул перестрахуватися на всі випадки. Ця поведінка є структурною реакцією на фрагментовану відповідальність. Від контрактів постачальників до інструментів збору даних кожна передача додає ще один шар обережності.
До моменту, коли ви дістанетеся до людини, яка проектує форми звітів про випадки, вона часто знаходиться далеко від первісного дослідницького питання. Дослідник може запитувати: “Як змінилася вага за три місяці на цьому лікуванні?” Але дизайнер інструменту зосереджений на операційних проблемах – умови оплати дослідницьким центрам, чекбокси відповідності, вимоги аудиторського сліду. Обидві точки зору є дійсними та необхідними. Проблема полягає в тому, що ці функції працюють без спільного контексту. Операційна опора зростає, а дослідницьке питання закопується.
Є також простіший шар для вирішення до технічних рішень. Наші дослідницькі команди вже мають доступ до інструментів чату штучного інтелекту, і вони використовують їх постійно. Коли команди отримують десятки документів протоколу та PDF кожен тиждень, можливість вводити їх в інструменти на основі штучного інтелекту, і задавати питання змінює те, як ви взаємодієте з цим матеріалом. Це допомагає командам залишатися ближче до дослідницького питання, а не губитися в операційних деталях.
По-перше, дизайн клінічних досліджень. Маємо інструменти штучного інтелекту, вбудовані в процес дизайну та побудови, що відкриває можливості для виявлення цих питань на ранній стадії – до того, як вони стають закріпленими в протоколі. Ми використовуємо штучний інтелект для генерації уточнених графіків дослідження та керівництва дизайнерами через протокол, позначаючи місця, де план дослідження стає надто складним, де є дублікування, або де помилки з’явилися. Відтоді дизайнер може прийняти обґрунтоване рішення про видалення точки даних або зменшення частоти збору – з задокументованими підставами.
По-друге, аналіз даних. Як тільки клінічне дослідження розпочато, зміна того, що було сплановано для збору, – це інша проблема. Але штучний інтелект може допомогти командам швидше розібратися в шумі – швидша агрегація, виявлення закономірностей та позначення аномалій означає менше часу на ручну обробку. Це має значення тут, оскільки надає командам гнучкість для визначення, чи впливає зайвий збір даних на клінічне дослідження і де саме. З надійними висновками, що приходять раніше, вони можуть внести зміни, позначити проблему для дослідницької команди або обґрунтувати поправку до протоколу для оптимізації збору, поки ще є час для дії.
Це є структурна проблема, яка вирішується на двох етапах: на стадії дизайну, щоб виявити та видалити складність до того, як вона буде закріплена, і на стадії аналізу, щоб надати командам швидкість для визначення проблем та дії під час клінічного дослідження.
Які є найбільші помилкові уявлення про використання штучного інтелекту у клінічних дослідженнях, і як ви обговорюєте їх зі спонсорами та регуляторами?
Найбільшим помилковим уявленням є вагання – припущення, що спонсори та регулятори будуть опиратися штучному інтелекту у клінічних дослідженнях. Це не відображено в нашому досвіді.
На регулювальному боці наші ранні розмови показали, що, хоча регулятори є належним чином обережними щодо публікації настанов, люди в цих організаціях відкриті для обговорення штучного інтелекту у клінічних дослідженнях. Є загальне визнання того, що штучний інтелект може покращити продуктивність, ефективність та якість – і усвідомлення того, скільки зайвого існує в цій галузі.
На боці спонсора ми мали спонсорів, які запитували нас про штучний інтелект до того, як ми самі порушували цю тему. Вони активно хотіли, щоб ми знаходили й упроваджували ці рішення. Це стимулюється двома факторами: по-перше, спонсори вже самі використовують деякі з цих інструментів, тому вони розуміють потенціал. По-друге, вони визнають, що ефективності, засновані на штучному інтелекті, могли б скоротити тривалість клінічних досліджень, зменшити витрати та запобігти проблемам, які могли б інакше залишитися непоміченими. Ми чули від кількох спонсорів, що існує внутрішній тиск у їхніх організаціях, щоб продемонструвати використання штучного інтелекту для ефективності.
Пов’язана проблема полягає в штучному інтелекті та даних, які використовуються для навчання моделей. Галузь рухається тут, і постачальники моделей стають все більш чіткими щодо того, як працюють їх плани використання. Ми обережно забезпечуємо те, що інструменти штучного інтелекту, які ми використовуємо, не передають дані для навчання базових моделей. Ми також обережно ставимося до навчання наших власних моделей або методологій – і якщо хтось це робить, це має бути прямо вказано в описі обсягу робіт між клієнтом та постачальником. Чітка документація використання даних та поведінки моделі є необхідною.
Таким чином, помилкові уявлення реальні, але вони вказують на обов’язок відповідальності: бути чіткими щодо того, де використовується штучний інтелект, як обробляються дані та які захисні механізми діють. Відповідне питання для спонсорів не полягає в тому, чи використовувати штучний інтелект у дослідженнях – а чи їх постачальник подумав про ці питання та готовий бути прозорим щодо цього.
Як Ви балансуєте автоматизацію та людський нагляд, щоб забезпечити швидкість та якість виконання клінічних досліджень?
Ми обережні щодо використання штучного інтелекту там, де немає можливості для перевірки людиною. Це відображено в наших документах якості та політиці штучного інтелекту.
Для ілюстрації: є постачальники, які пропонують чат-боти, які оцінюють придатність пацієнта через розмову. Така автоматизація потребує більш ретельного розгляду, ніж більшість застосувань. Найкращий випадок – штучний інтелект помилково виключає когось з клінічного дослідження, яке могло б допомогти їм. Найгірший випадок – він помилково визнає їх придатними, сигналізує команді дослідження, що вони пройшли скринінг, і вводить ризик у реєстрацію, який там не повинен бути. Людський нагляд не допомагає тут – до того часу, як людина перевірить результат, штучний інтелект вже діяв у високоризиковому робочому процесі. Порівняйте це з помилкою форми звітів про випадки: якщо збір даних піде не так, ви можете налаштувати інструмент або викинути дані. Але якщо штучний інтелект скаже пацієнту або дослідницькому центру зробити дію, потенціал незворотної шкоди більший – як за тяжкістю, так і порівняно з іншими місцями, де штучний інтелект може піти не так у клінічному дослідженні.
Цей баланс досяжний, зосереджуючись на застосунках, де перевірка людиною інтегрована, а ризики керовані. Штучний інтелект є найбільш ефективним у робочих процесах, де перевірка людиною вбудована, а помилки можна виправити.
Які технології чи принципи дизайну найбільш ефективні для зменшення навантаження на пацієнта та продовження його участі в дослідженні?
Навантаження на пацієнта та продовження його участі залежать від малих, свідомих кроків, щоб забезпечити добрий досвід. Жодне окреме втручання не вирішує це самостійно.
Найважливішими є два принципи дизайну.
По-перше, якість пацієнтського контенту та інтерфейсів. Аркуш інформації пацієнта, форма згоди, застосунок, який вони використовують під час клінічного дослідження – все це формує досвід. Текст має бути простим та лаконічним. Інтерфейси повинні бути простими: інтуїтивна навігація, мінімум перешкод і легкий доступ до документів. Консультації з організаціями захисту прав пацієнтів можуть допомогти уточнити ці матеріали до того, як вони дістануться учасникам. Якісний користувацький досвід має значення тут так само, як і будь-де, особливо у клінічних дослідженнях, де ви не маєте справу з мільйонами користувачів, які в кінцевому підсумку адаптуються.
По-друге, як дослідницькі команди залишаються на зв’язку з пацієнтами. Це означає інструменти зв’язку – нагадування, запрошення, сповіщення – та інфраструктуру моніторингу, яка показує стан пацієнта, дотримання вимог та сигнали безпеки. Автоматизовані скрипти нагляду допомагають тут, позначаючи те, що потребує уваги, щоб команди могли реагувати оперативно. Машинне навчання може виявляти закономірності в даних про дотримання вимог – ранні ознаки зниження залученості пацієнта до того, як він вийде з дослідження – що дозволяє провести активне втручання, а не реактивне подальше слідкування. Метою є правильна інформація правильним людям у правильний час, без шуму, який розбавляє те, що має значення.
Ці покращення не залежать від нової технології, але вони й не є готовим універсальним рішенням: немає продукту, який можна просто додати до дослідження й очікувати, що все запрацює. Це вимагає уваги: розуміння того, де пацієнти натрапляють на труднощі, та цілеспрямоване вирішення їх. Сучасне інструментування штучного інтелекту пропонує спосіб зробити це швидше – редагуючи текст, переглядаючи тон, автоматизуючи скрипти моніторингу. Технологія зріла. Різниця полягає в тому, чи ви розв’язуєте проблему клінічного дослідження чи розв’язуєте проблему пацієнта.
Як Lindus Health збирає та інтегрує відгук пацієнта у дизайн клінічних досліджень, зберігаючи процес простим та ефективним?
Вимоги щодо конфіденційності та відповідності формують те, як відгук пацієнта може бути зібраний – підхід повинен працювати в межах цих обмежень. Базовий моніторинг захоплює час роботи служби, дані використання без ідентифікаторів (тип пристрою, поведінка застосування), а також закономірності дотримання вимог – як послідовно учасники завершують заплановані оцінки. Коли ці дані виявляють труднощі, вони впливають на рішення щодо дизайну майбутніх клінічних досліджень.
Пряміший зворотний зв’язок надходить через дослідницький персонал. Координатори заохочуються до взаємодії з учасниками та збору сигналів щодо їхнього досвіду, а потім передають цю інформацію ширшій команді. Це підтримується культурно – відгук пацієнта про досвід публікується в спільних каналах та висвітлюється на загальнокорпоративних зустрічах.
Є також структурна перевага. На відміну від традиційної моделі, де нова дослідницька команда збирається для кожного дослідження, Lindus проводить клінічні дослідження на тій же технології з членами команди, які працювали над декількома дослідженнями. Ця безперервність дозволяє знанням – як кодифікованим, так і неявним – текти з одного клінічного дослідження в дизайн наступного. Коли координатор зустрічає труднощі в одному дослідженні, цей висновок може вплинути на налаштування наступного дослідження.
Групи захисту пацієнтів розширюють це далі, додаючи погляди, які не прийшли б через внутрішні канали – особливо щодо того, як різні групи пацієнтів сприймають матеріали й процедури дослідження.
Процес залишається простим, оскільки відгук пацієнта тече через існуючі структури, а не вимагає окремого апарату для кожного дослідження.
Що повинно змінитися в галузі для того, щоб клінічні дослідження стали швидшими та більш надійними?
Галузь має структурну інерцію, яка вимагає від практиків діяти інакше та демонструвати альтернативні підходи на практиці. Корпоративні програми інновацій та розпорядження керівництва мають обмежений вплив на оперативні зміни – що потрібно, так це практики, які будуть насправді діяти інакше та доводити, що це працює.
Статистичне програмування ілюструє цей шаблон. Це кваліфікована робота – перетворення клінічних даних для біостатистичного аналізу – виконана спеціалістами, які мають глибокий досвід у галузі. Але виникають труднощі з залученням фахівців. Фахівці з підготовкою в науці про дані чи інженерії рідко вибирають це, хоча навички перекриваються суттєво. Робота залишається ізольованою, методи не прозорі для зовнішніх спостерігачів, а потік талантів обмежений.
Штучний інтелект міг би відкрити це – сучасні інструменти можуть обробляти значну частину роботи з перетворення. І вимоги до подвійного програмування (де два програмісти створюють незалежні результати) можуть бути виконані парами “людина-штучний інтелект” замість пар “людина-людина”. Але технологія сама по собі не вирішує структурні проблеми. Вам потрібні практики, які будуть застосовувати це вдумливо та доводити, що це відповідає нормативним стандартам. Без цього можливості залишаються недостатньо використаними.
Ширший висновок: швидші, більш надійні клінічні дослідження вимагають більше, ніж нових інструментів. Вони вимагають створення простору – у найманні, у тлумаченні нормативних вимог, у корпоративній культурі – для людей, які будуть працювати інакше. Це те, як строки можуть бути скорочені на практиці.
Як Ви бачите розвиток відносин між штучним інтелектом, даними та дизайном клінічних досліджень за наступні п’ять років?
Відносини будуть сформовані структурною реальністю: ефективність штучного інтелекту обмежена якістю контексту, який він отримує. Без багатого, точного контексту – звідки походять дані, які перетворення вони пройшли, що вони насправді означають – навіть сильні моделі виробляють ненадійні результати.
Більшість клінічної галузі фрагментована. Контрактні дослідницькі організації бачать фрагменти життєвого циклу клінічного дослідження. Спонсори працюють з кількома постачальниками, кожен з яких володіє частиною картини. Контекст втрачається на кожній передачі. Коли ви просите систему штучного інтелекту міркувати про дані клінічного дослідження в цьому середовищі, вона працює з неповною інформацією – і неповна інформація виробляє ненадійні результати.
Організації, які найбільш виграють від штучного інтелекту, – це ті, які мають наскрізну простежуваність “від початку до кінця”. Вони контролюють ланцюжок даних від дизайну протоколу до збору даних та аналізу. Вони не припускають контекст – вони генерують його. Вони проектують форми, визначають поля, пишуть словник даних. Кожна точка даних має походження, оскільки організація створила походження. Ця наскрізна простежуваність не тільки операційна ефективність – це те, що дозволяє впевнено ухвалювати обґрунтовані рішення, які впливають на пацієнтів.
За наступні п’ять років ця структурна перевага накопичуватиметься. Організації з наскрізним оглядом “від початку до кінця” будуть розгортати штучний інтелект більш ефективно – від адаптивних дизайнів клінічних досліджень, які реагують на вхідні дані, до оптимізації протоколу на основі історичних закономірностей. Вони засвоюватимуть знання, що поліпшують їхні системи, і збільшуватимуть розрив. Ті, хто працює з фрагментованими даними, знайдуть штучний інтелект перспективним, але ненадійним: системи, які виконуються добре в контрольованих умовах, але не узагальнюються надійно у виробничих середовищах.
Питання для галузі не полягає в тому, чи матиме значення штучний інтелект. Питання в тому, чи існує інфраструктура даних, щоб зробити штучний інтелект надійним. Для більшості галузі цього ще немає. Це робота, яка залишається.
Дякуємо за чудове інтерв’ю. Читачам, які бажають дізнатися більше про клінічні дослідження, від початку побудовані навколо штучного інтелекту, наскрізне володіння даними та швидше проведення досліджень, слід відвідати Lindus Health.












