Jay Ferro, Chief Information, Technology and Product Officer, Clario – Interview Series

Jay Ferro là Chief Information, Technology and Product Officer tại Clario, ông có hơn 25 năm kinh nghiệm lãnh đạo các đội ngũ Công nghệ Thông tin và Sản phẩm, với trọng tâm mạnh mẽ vào bảo vệ dữ liệu và đam mê tạo ra các công nghệ và sản phẩm mang lại tác động có ý nghĩa.

Trước khi gia nhập Clario, Jay đã giữ các vị trí lãnh đạo cấp cao, bao gồm CIO, CTO và CPO, tại các tổ chức toàn cầu như Quikrete Companies và American Cancer Society. Ông cũng là thành viên của Hội đồng quản trị tại Allata, LLC. Những thành tựu chuyên môn của ông đã được công nhận nhiều lần, bao gồm các giải thưởng từ Atlanta Technology Professionals với tư cách là Nhà lãnh đạo điều hành của năm và HMG Strategy với tư cách là CIO của năm thuộc loại trung bình.

Clario là một nhà lãnh đạo trong quản lý thử nghiệm lâm sàng, cung cấp các công nghệ điểm cuối toàn diện để chuyển đổi cuộc sống thông qua việc tạo ra bằng chứng đáng tin cậy và chính xác. Chuyên về các thử nghiệm ung thư, Clario nhấn mạnh vào kết quả được báo cáo bởi bệnh nhân (PROs) để tăng cường hiệu quả, đảm bảo an toàn và cải thiện chất lượng cuộc sống, đồng thời đề xuất PRO điện tử như một giải pháp thay thế tiết kiệm chi phí hơn cho giấy. Với chuyên môn bao gồm các lĩnh vực trị liệu và tuân thủ quy định toàn cầu, Clario hỗ trợ các thử nghiệm phân tán, kết hợp và dựa trên trang web ở hơn 100 quốc gia, tận dụng các công nghệ tiên tiến như trí tuệ nhân tạo và thiết bị kết nối. Các giải pháp của họ简化 các quy trình thử nghiệm, đảm bảo tuân thủ và giữ chân thông qua hỗ trợ và đào tạo tích hợp cho bệnh nhân và nhà tài trợ.

Clario đã tích hợp hơn 30 mô hình AI trên các giai đoạn khác nhau của thử nghiệm lâm sàng. Ông có thể cung cấp ví dụ về cách các mô hình này tăng cường các khía cạnh cụ thể của thử nghiệm, chẳng hạn như ung thư hoặc tim mạch?

Chúng tôi sử dụng các mô hình AI của mình để cung cấp tốc độ, chất lượng, độ chính xác và bảo mật cho khách hàng của chúng tôi trong hơn 800 thử nghiệm lâm sàng. Tôi tự hào rằng các công cụ của chúng tôi không chỉ là một phần của chu kỳ hype AI – chúng đang cung cấp giá trị thực sự cho khách hàng của chúng tôi trong những thử nghiệm đó.

Ngày nay, các mô hình AI của chúng tôi chủ yếu thuộc bốn loại: bảo mật dữ liệu, hỗ trợ kiểm soát chất lượng, hỗ trợ đọc và phân tích đọc. Ví dụ, chúng tôi có các công cụ trong hình ảnh y tế có thể tự động xóa Thông tin Cá nhân Có thể Xác định (PII) trong hình ảnh tĩnh, video hoặc tệp PDF. Chúng tôi cũng sử dụng các công cụ AI cung cấp dữ liệu với đánh giá chất lượng nhanh chóng tại thời điểm tải lên – vì vậy có rất nhiều niềm tin vào dữ liệu đó. Chúng tôi đã phát triển một công cụ theo dõi dữ liệu ECG liên tục về chất lượng tín hiệu, và một công cụ khác xác nhận định danh bệnh nhân chính xác. Chúng tôi đã phát triển một công cụ hỗ trợ đọc cho phép dự đoán lát cắt, truyền播 tổn thương và phát hiện bệnh. Ngoài ra, chúng tôi đã cải thiện phân tích đọc bằng cách tự động hóa và tiêu chuẩn hóa giải thích dữ liệu với các công cụ như chấm điểm bệnh viêm đại tràng ulcerative Mayo được hỗ trợ bởi AI.

Đó chỉ là một vài ví dụ về các loại mô hình AI chúng tôi đã phát triển từ năm 2018, và trong khi chúng tôi đã đạt được nhiều tiến bộ, chúng tôi mới chỉ bắt đầu.

Làm thế nào Clario đảm bảo rằng các thông tin sâu sắc được thúc đẩy bởi AI duy trì độ chính xác và nhất quán cao trên các môi trường thử nghiệm đa dạng?

Chúng tôi liên tục đào tạo các mô hình AI của mình trên lượng dữ liệu khổng lồ để hiểu sự khác biệt giữa dữ liệu tốt và dữ liệu không tốt hoặc không liên quan. Kết quả là, phân tích dữ liệu được thúc đẩy bởi AI của chúng tôi phát hiện, phân tích trước lịch sử dữ liệu phong phú, và cuối cùng dẫn đến kết quả chất lượng cao hơn cho khách hàng của chúng tôi.

Các giải pháp spirometry của chúng tôi minh họa đẹp cho lý do tại sao chúng tôi làm điều đó. Các bác sĩ lâm sàng sử dụng spirometry để giúp chẩn đoán và theo dõi các tình trạng phổi nhất định bằng cách đo lượng không khí một bệnh nhân có thể thở ra trong một hơi thở cưỡng bức. Có nhiều loại lỗi có thể xảy ra khi bệnh nhân sử dụng máy spirometry. Họ có thể thực hiện thử nghiệm quá chậm, ho trong khi thử nghiệm, hoặc không thể tạo ra một niêm phong hoàn chỉnh xung quanh mảnh miệng của máy spirometry. Bất kỳ sự thay đổi nào trong số đó có thể gây ra một lỗi mà có thể không được phát hiện cho đến khi một con người có thể phân tích kết quả. Chúng tôi đã đào tạo các mô hình học sâu trên hơn 50.000 ví dụ để học cách phân biệt giữa một lần đọc tốt và một lần đọc xấu. Với các thiết bị và thuật toán của chúng tôi, các bác sĩ lâm sàng có thể thấy giá trị của dữ liệu trong thời gian thực thay vì phải chờ phân tích của con người. Điều đó quan trọng một phần vì một số bệnh nhân có thể phải lái xe vài giờ để tham gia một thử nghiệm lâm sàng. Hãy tưởng tượng lái xe khoảng cách đó về nhà từ trang web chỉ để biết bạn sẽ phải thực hiện một thử nghiệm spirometry khác vào tuần sau vì thử nghiệm đầu tiên cho thấy một lỗi. Các mô hình AI của chúng tôi đang cung cấp các lần đọc chính xác trong khi bệnh nhân vẫn còn tại trang web. Nếu có lỗi, nó có thể được giải quyết ngay tại chỗ. Đó chỉ là một trong những cách chúng tôi đang làm việc để giảm gánh nặng cho các trang web và bệnh nhân.

Ông có thể giải thích rõ hơn cách các mô hình AI của Clario giảm thời gian thu thập dữ liệu mà không ảnh hưởng đến chất lượng dữ liệu?

Tạo ra dữ liệu chất lượng cao nhất cho các thử nghiệm lâm sàng luôn là trọng tâm của chúng tôi, nhưng bản chất của các thuật toán AI của chúng tôi có nghĩa là việc thu thập và phân tích được tăng tốc đáng kể. Như tôi đã đề cập, các thuật toán của chúng tôi cho phép chúng tôi thực hiện phân tích kiểm soát chất lượng nhanh hơn và với độ chính xác cao hơn so với giải thích của con người. Chúng cũng cho phép chúng tôi thực hiện các kiểm tra chất lượng khi dữ liệu được nhập. Điều đó có nghĩa là chúng tôi có thể xác định dữ liệu bệnh nhân bị thiếu, sai hoặc chất lượng kém trong khi bệnh nhân vẫn còn tại trang web thử nghiệm, thay vì để họ biết vài ngày hoặc vài tuần sau.

Làm thế nào Clario giải quyết các thách thức của các thử nghiệm phân tán và kết hợp, đặc biệt là về bảo mật dữ liệu, tương tác của bệnh nhân và chất lượng dữ liệu?

Những ngày này, một thử nghiệm phân tán thực sự chỉ là một thử nghiệm có thành phần kết hợp. Tôi nghĩ khái niệm cho phép người tham gia sử dụng thiết bị của riêng họ hoặc thiết bị kết nối tại nhà thực sự mở ra cánh cửa cho nhiều khả năng hơn trong các thử nghiệm, đặc biệt là về khả năng tiếp cận. Làm cho các thử nghiệm dễ dàng tham gia hơn là một trọng tâm chính của đường lối công nghệ của chúng tôi, nhằm phát triển các giải pháp cải thiện đa dạng bệnh nhân,简化 việc tuyển dụng và giữ chân, tăng sự tiện lợi cho người tham gia và mở rộng cơ hội cho các thử nghiệm lâm sàng bao gồm hơn. Chúng tôi cung cấp spirometry tại nhà, huyết áp tại nhà, eCOA và các giải pháp khác cung cấp tính toàn vẹn dữ liệu giống như các giải pháp truyền thống hơn, và chúng tôi làm điều đó dưới sự giám sát của các chuyên gia về điểm cuối và lĩnh vực trị liệu của chúng tôi. Kết quả là một trải nghiệm bệnh nhân tốt hơn cho dữ liệu điểm cuối tốt hơn.

Clario’s AI-driven approach mang lại lợi thế độc đáo nào để giảm thời gian và chi phí thử nghiệm cho các công ty dược phẩm, công nghệ sinh học và thiết bị y tế?

Chúng tôi đã phát triển các công cụ AI từ năm 2018, và chúng đã thấm vào mọi thứ chúng tôi đang làm nội bộ và chắc chắn trên toàn bộ hỗn hợp sản phẩm của chúng tôi. Và điều không bao giờ rời bỏ chúng tôi là đảm bảo rằng chúng tôi đang làm điều đó một cách có trách nhiệm: giữ con người trong vòng lặp, hợp tác với các cơ quan quản lý, hợp tác với khách hàng của chúng tôi và bao gồm cả các nhóm pháp lý, bảo mật và khoa học của chúng tôi để đảm bảo chúng tôi đang làm mọi thứ theo cách đúng đắn.

Phát triển và triển khai AI một cách có trách nhiệm nên ảnh hưởng đến khách hàng của chúng tôi theo nhiều cách tích cực. Nền tảng của chương trình AI của chúng tôi được xây dựng trên những gì chúng tôi tin là Nguyên tắc Sử dụng Có trách nhiệm đầu tiên trong ngành. Bất kỳ ai tại Clario nào chạm vào AI đều tuân theo năm nguyên tắc đó. Trong số đó, chúng tôi thực hiện mọi biện pháp để đảm bảo rằng chúng tôi đang sử dụng dữ liệu đa dạng nhất có sẵn để đào tạo các thuật toán của mình. Chúng tôi theo dõi và kiểm tra để phát hiện và giảm thiểu rủi ro, và chúng tôi chỉ sử dụng dữ liệu匿名 để đào tạo mô hình và thuật toán. Khi chúng tôi áp dụng những loại hướng dẫn đó khi phát triển một công cụ AI mới, chúng tôi có thể cung cấp nhanh chóng dữ liệu chính xác – với quy mô – giảm thiểu偏见, tăng đa dạng và bảo vệ quyền riêng tư của bệnh nhân. Việc chúng tôi có thể cung cấp dữ liệu chính xác cho nhà tài trợ càng nhanh, thì càng có tác động lớn đến lợi nhuận của họ và cuối cùng là kết quả cho bệnh nhân.

Các mô hình AI đôi khi có thể phản ánh sự偏见 vốn có trong dữ liệu. Clario thực hiện những biện pháp nào để đảm bảo phân tích dữ liệu công bằng và không偏见 trong các thử nghiệm?

Chúng tôi biết rằng偏见 xảy ra khi tập dữ liệu đào tạo quá hạn chế cho mục đích sử dụng dự kiến. Ban đầu, tập dữ liệu có thể dường như đủ, nhưng khi người dùng cuối bắt đầu sử dụng công cụ và đẩy AI vượt quá những gì nó được đào tạo để phản hồi, nó có thể dẫn đến lỗi. Chief Medical Officer của Clario, Tiến sĩ Todd Rudo, đôi khi sử dụng ví dụ này: Chúng tôi có thể đào tạo một mô hình để xác định vị trí đặt đúng trong điện tâm đồ (ECG) để các bác sĩ lâm sàng có thể nói cho chúng tôi biết liệu các kỹ thuật viên đã đặt các điện cực ở đúng vị trí trên cơ thể bệnh nhân hay không. Chúng tôi đã đào tạo mô hình đó trên 100.000 ECG. Nhưng điều gì xảy ra nếu chúng tôi chỉ đào tạo mô hình AI của mình bằng dữ liệu từ các thử nghiệm trên người lớn? Làm thế nào mô hình sẽ phản ứng nếu một ECG được thực hiện trên bệnh nhân 2 tuổi? Rõ ràng nó có thể bỏ lỡ các lỗi có tác động đến điều trị.

Đó là lý do tại sao tại Clario, các nhóm sản phẩm, dữ liệu, Nghiên cứu và Phát triển và khoa học của chúng tôi đều làm việc chặt chẽ cùng nhau để đảm bảo rằng chúng tôi đang sử dụng dữ liệu đào tạo toàn diện nhất để đảm bảo độ chính xác và độ tin cậy trong các ứng dụng thế giới thực. Chúng tôi sử dụng dữ liệu đa dạng nhất có sẵn để đào tạo các thuật toán được tích hợp vào các sản phẩm của chúng tôi. Đó cũng là lý do tại sao chúng tôi khăng khăng sử dụng giám sát của con người để giảm thiểu rủi ro trong quá trình phát triển và sử dụng AI.

Làm thế nào quá trình giám sát và kiểm tra của con người tại Clario tích hợp với đầu ra AI để đảm bảo tuân thủ quy định và tiêu chuẩn đạo đức?

Giám sát của con người có nghĩa là chúng tôi có các đội ngũ con người biết chính xác cách các mô hình của chúng tôi được phát triển, đào tạo và xác thực. Cả trong quá trình phát triển và sau khi chúng tôi đã tích hợp một mô hình vào một công nghệ, các chuyên gia của chúng tôi theo dõi đầu ra để phát hiện sự偏见 tiềm năng và đảm bảo rằng đầu ra là công bằng và đáng tin cậy. Tôi tin rằng AI là về việc tăng cường khoa học và sự thông minh của con người. AI mang lại cho con người khả năng tập trung vào một cấp độ thách thức cao hơn. Chúng tôi rất giỏi trong việc giải quyết vấn đề và vẫn tốt hơn nhiều so với máy móc về trực giác và sắc thái. Tại Clario, chúng tôi sử dụng AI để loại bỏ gánh nặng khỏi những thứ có thể lặp lại. Chúng tôi sử dụng nó để phân tích các tập dữ liệu rộng lớn, cho dù đó là hình ảnh bệnh nhân, các thử nghiệm trước đó hay bất cứ thứ gì khác mà chúng tôi muốn phân tích. Generally, máy móc có thể làm điều đó nhanh hơn, và trong một số trường hợp, tốt hơn con người có thể. Nhưng chúng không thể thay thế trực giác của con người và khoa học, cũng như kinh nghiệm thực tế mà những người tuyệt vời trong ngành của chúng tôi có.

Làm thế nào ông dự đoán AI sẽ ảnh hưởng đến các thử nghiệm lâm sàng trong những năm tới, đặc biệt là trong các lĩnh vực như ung thư, tim mạch và nghiên cứu hô hấp?

Trong lĩnh vực ung thư, tôi rất hào hứng về việc phát triển việc áp dụng AI trong radiomics, giúp trích xuất các chỉ số định lượng từ hình ảnh y tế. Radiomics bao gồm một số bước, bao gồm thu thập hình ảnh của khối u, tiền xử lý hình ảnh, trích xuất tính năng và phát triển mô hình, sau đó là xác thực và ứng dụng lâm sàng. Sử dụng AI ngày càng tiên tiến, chúng tôi sẽ có thể dự đoán hành vi của khối u, điều chỉnh phản ứng điều trị và dự đoán kết quả bệnh nhân dựa trên hình ảnh không xâm lấn của khối u. Chúng tôi sẽ có thể sử dụng nó để phát hiện các dấu hiệu đầu tiên của bệnh và phát hiện sớm sự tái phát của bệnh. Khi các công cụ AI tiên tiến hơn trở nên tích hợp hơn vào radiomics và các quy trình lâm sàng, chúng tôi sẽ thấy những bước tiến khổng lồ trong lĩnh vực ung thư và chăm sóc bệnh nhân.

Tôi cũng rất hào hứng về tương lai của các nghiên cứu về hô hấp. Năm ngoái, chúng tôi đã mua lại ArtiQ, một công ty Bỉ đã xây dựng các mô hình AI để cải thiện việc thu thập dữ liệu hô hấp trong các thử nghiệm lâm sàng. Người sáng lập của họ hiện là Chief AI Officer của tôi, và chúng tôi đang mong đợi những điều lớn lao trong các giải pháp hô hấp. Cách tiếp cận của chúng tôi đối với việc áp dụng thuật toán đã trở thành một yếu tố thay đổi trò chơi, không chỉ vì nó đang giúp giảm gánh nặng cho bệnh nhân và trang web. Khi dữ liệu thở ra không được phân tích trong thời gian thực và một bất thường được phát hiện sau, nó buộc bệnh nhân phải quay lại phòng khám để thực hiện một thử nghiệm khác. Điều này không chỉ thêm căng thẳng cho bệnh nhân, mà còn có thể tạo ra sự chậm trễ và chi phí bổ sung cho nhà tài trợ thử nghiệm, và điều đó dẫn đến các thách thức hoạt động khác. Các thiết bị spirometry mới của chúng tôi tận dụng các mô hình ArtiQ để giải quyết gánh nặng đó bằng cách cung cấp các lần đọc lại gần thời gian thực. Điều đó có nghĩa là nếu có vấn đề gì, chúng sẽ được xác định và giải quyết ngay tại chỗ trong khi bệnh nhân vẫn còn tại phòng khám.

Cuối cùng, chúng tôi đang phát triển các công cụ sẽ có tác động trên nhiều lĩnh vực trị liệu. Sắp tới, ví dụ, chúng tôi sẽ thấy AI cung cấp giá trị ngày càng tăng trong các đánh giá kết quả lâm sàng điện tử (eCOA). Chúng tôi sẽ thấy các mô hình AI thu thập và đo lường các thay đổi tinh vi mà bệnh nhân trải qua. Công nghệ này sẽ giúp rất nhiều nhà nghiên cứu, nhưng ví dụ, các nhà nghiên cứu về bệnh Alzheimer sẽ có thể hiểu bệnh nhân đang ở giai đoạn nào của bệnh. Với kiến thức như vậy, hiệu quả của thuốc có thể được đánh giá tốt hơn trong khi bệnh nhân và người chăm sóc của họ có thể được chuẩn bị tốt hơn để quản lý bệnh.

Ông tin rằng AI sẽ đóng vai trò gì trong việc mở rộng sự đa dạng trong các thử nghiệm lâm sàng và cải thiện công bằng sức khỏe trên các quần thể bệnh nhân?

Nếu bạn chỉ nhìn vào AI thông qua một ống kính công nghệ, tôi nghĩ bạn sẽ gặp rắc rối. AI cần được tiếp cận từ mọi góc độ: công nghệ, khoa học, quy định và như vậy. Trong ngành của chúng tôi, sự xuất sắc thực sự chỉ đạt được thông qua sự hợp tác của con người, điều này mở rộng khả năng đặt câu hỏi đúng, chẳng hạn như: “Chúng tôi có đang đào tạo các mô hình xem xét tuổi tác, giới tính, giới và chủng tộc không?” Nếu mọi người trong ngành của chúng tôi hỏi những loại câu hỏi đó trước khi phát triển các công cụ, AI sẽ không chỉ tăng tốc phát triển thuốc, nó sẽ tăng tốc cho tất cả các quần thể bệnh nhân.

Ông có thể chia sẻ kế hoạch hoặc dự đoán của Clario về sự tiến hóa của AI trong lĩnh vực thử nghiệm lâm sàng vào năm 2025 và hơn thế nữa?

Vào năm 2025, chúng tôi sẽ chứng kiến ngành công nghiệp dược phẩm và sinh học tận dụng AI và phân tích thời gian thực như chưa từng có. Những tiến bộ này sẽ简化 các thử nghiệm lâm sàng và tăng cường việc ra quyết định. Bằng cách tăng tốc xây dựng nghiên cứu và thực hiện giám sát dựa trên rủi ro, chúng tôi sẽ có thể tăng tốc thời gian, giảm gánh nặng cho bệnh nhân và cho phép các nhà tài trợ đưa ra các phương pháp điều trị cứu sống với độ chính xác và hiệu quả cao hơn. Đây là một thời điểm thú vị cho tất cả chúng tôi, khi chúng tôi cùng nhau chuyển đổi chăm sóc sức khỏe.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Clario.