Phỏng vấn
Nijat Hasanli, Trưởng bộ phận Sản phẩm tại Lindus Health – Loạt bài phỏng vấn

Điểm chínhHệ điều hành thử nghiệm lấy AI làm gốc của Lindus Health tích lũy lợi ích hiệu suất…
Xem thêm
- Hệ điều hành thử nghiệm lấy AI làm gốc của Lindus Health tích lũy lợi ích hiệu suất xuyên suốt phạm vi thực thi thử nghiệm.
- Công ty không áp dụng AI vào quy trình chăm sóc lâm sàng để loại bỏ rủi ro an toàn trực tiếp cho bệnh nhân.
- Tính phân mảnh cấu trúc trong các thử nghiệm truyền thống tạo ra thu thập dữ liệu không cần thiết mà AI có thể giúp loại bỏ từ sớm.
Nijat Hasanli, Trưởng bộ phận Sản phẩm tại Lindus Health, có kinh nghiệm chuyên sâu trong việc xây dựng và mở rộng hoạt động sản phẩm tại các tổ chức công nghệ y tế và các tổ chức định hướng công nghệ, hiện đang lãnh đạo chiến lược và triển khai sản phẩm tại Lindus từ năm 2022 sau khi làm việc tại OneCommerce và Downforce Technologies. Kinh nghiệm của ông bao gồm nhiều môi trường sản phẩm khác nhau tại Vương quốc Anh, nơi ông đã chịu trách nhiệm về việc điều chỉnh phát triển sản phẩm với kết quả kinh doanh, thúc đẩy đổi mới và chuyển đổi các khả năng kỹ thuật phức tạp thành các giải pháp có thể mở rộng và tập trung vào người dùng trong các ngành thay đổi nhanh chóng.
Lindus Health là một công ty thử nghiệm lâm sàng được điều khiển bởi AI, hoạt động như một “Tổ chức Nghiên cứu Trách nhiệm”, được thiết kế để cung cấp cho các công ty sinh học và dược phẩm quyền kiểm soát, tốc độ và độ tin cậy cao hơn trong việc chạy các nghiên cứu lâm sàng. Công ty này thay thế các mô hình nghiên cứu theo hợp đồng truyền thống bằng một nền tảng công nghệ tích hợp hoàn toàn, quản lý mọi thứ từ thiết kế thử nghiệm và tuyển dụng bệnh nhân đến thu thập dữ liệu và thực hiện trong một hệ thống duy nhất, thường hoàn thành các thử nghiệm nhanh hơn đáng kể so với thông lệ trong ngành. Hệ điều hành độc quyền của công ty, được thiết kế từ đầu xoay quanh AI, cho phép hiển thị thời gian thực về hiệu suất của thử nghiệm, gắn kết động lực của các bên thông qua giá cả dựa trên cột mốc và tận dụng dữ liệu sức khỏe quy mô lớn để cải thiện việc ghi danh và kết quả, với mục tiêu rộng lớn hơn là tăng tốc việc cung cấp các phương pháp điều trị mới cho bệnh nhân.
Có thể chia sẻ một khoảnh khắc quyết định hoặc thách thức đầu tiên đã giúp định hình sứ mệnh hoặc hướng sản phẩm của Lindus Health?
Trong các thử nghiệm lâm sàng, đổi mới thường được liên kết với quy mô: các tổ chức lớn, vốn đáng kể và cơ sở hạ tầng đã thành lập. Nhưng khoảnh khắc quyết định đầu tiên của chúng tôi đã dạy cho chúng tôi điều ngược lại.
Khi chúng tôi chạy thử nghiệm đầu tiên, chúng tôi đã cố ý giữ cho nó đơn giản – điều mà chúng tôi biết có thể thực hiện một cách an toàn với công nghệ của mình. Sự hạn chế đó đã buộc chúng tôi phải đơn giản hóa thiết kế thử nghiệm và dựa vào các hệ thống mà chúng tôi hoàn toàn kiểm soát, điều này đã làm cho những sự phụ thuộc và điểm kém hiệu quả trở nên rõ ràng hơn. Các hệ thống phần mềm nhiều lớp lớn và phức tạp không cần thiết để đổi mới trong việc triển khai thử nghiệm. Đổi mới trong việc triển khai thử nghiệm phụ thuộc vào việc sở hữu toàn bộ thử nghiệm, từ đầu đến cuối, với một đường ống dữ liệu nhất quán kết nối tất cả. Khả năng quan sát đó cho phép bạn nhìn thấy cách mọi thứ phù hợp với nhau, điều này cho phép bạn xác định các cơ hội khó xác định trong các mô hình hoạt động phân mảnh.
Làm thế nào nền tảng AI của bạn giúp đơn giản hóa quá trình thử nghiệm lâm sàng so với các mô hình truyền thống?
Chúng tôi không định vị điều này như một nền tảng AI. CitrusTM là một hệ điều hành thử nghiệm được thiết kế từ đầu xoay quanh AI. Chúng tôi áp dụng một cách tiếp cận phân tán để ứng dụng AI – thay vì đặt cược lớn vào AI trong một lĩnh vực, chúng tôi tận dụng đội ngũ kỹ sư của mình để tìm các ứng dụng đáng tin cậy và phù hợp với từng bối cảnh trên toàn bộ các hệ thống của chúng tôi. Điều làm cho điều này hoạt động là chúng tôi đảm nhiệm toàn bộ quá trình triển khai thử nghiệm. Khi AI tăng tốc phân tích đề cương nghiên cứu, hiệu quả đó sẽ chảy vào thiết kế nghiên cứu. Khi thiết kế nghiên cứu nhanh hơn, nhóm dữ liệu sẽ thừa hưởng một thiết lập sạch hơn. Những cải tiến dần dần này sẽ tích lũy vì mỗi giai đoạn sẽ tạo ra các đầu ra có cấu trúc hơn và giảm thiểu việc phải làm lại ở các giai đoạn sau.
Hai ví dụ minh họa điều này: chúng tôi sử dụng AI để tạo mã phân tích dữ liệu, nơi chúng tôi có các cơ chế rõ ràng để xem xét đầu ra trước khi mã được sử dụng ở bất cứ đâu. Chúng tôi cũng sử dụng AI để phân tích các tài liệu đề cương nghiên cứu thành các sơ đồ thiết kế nghiên cứu của chúng tôi – những lợi ích hiệu quả đáng kể về chuyển đổi đầu tiên, nhưng hệ thống được xây dựng vẫn phải trải qua nhiều tuần rà soát và kiểm thử nghiệm thu.
Chúng tôi không áp dụng AI trong các luồng công việc chăm sóc lâm sàng. Chúng tôi cảm thấy có trách nhiệm đảm bảo các ứng dụng của chúng tôi không gây ra rủi ro cho bệnh nhân trong các thử nghiệm của chúng tôi vì cơ sở hạ tầng cần thiết để hỗ trợ các biện pháp bảo vệ phù hợp vẫn đang phát triển. Điều này tránh được các rủi ro về quy định và an toàn liên quan đến AI trong các luồng công việc chăm sóc lâm sàng. Các ứng dụng khác của chúng tôi vẫn phải đối mặt với sự kiểm tra giống như bất kỳ AI nào trong ngành này – nhưng cơ bản, chúng cung cấp rất nhiều thời gian để xem xét của con người. Chăm sóc lâm sàng là một hồ sơ rủi ro khác: các quyết định trong thời gian thực mà các lỗi có thể ảnh hưởng trực tiếp đến an toàn của bệnh nhân.
Tác động chính là hiệu quả của đội nghiên cứu lâm sàng. Nhiều hoạt động tối ưu hóa của chúng tôi phục vụ trực tiếp cho đội nghiên cứu lâm sàng – những lợi ích hiệu quả được tích lũy. Mỗi tuần chúng tôi cắt giảm thời gian triển khai thử nghiệm là một tuần gần hơn với việc hoàn thành chu kỳ phát triển thuốc, điều này có thể giảm thời gian tổng thể trong quá trình phát triển thuốc. Và ngoài những lợi ích về thời gian, các ứng dụng AI của chúng tôi làm được nhiều hơn là dự báo tuyển dụng. Chúng theo dõi dữ liệu đến cho các bất thường, tín hiệu an toàn và chỉ số rủi ro – cung cấp cho đội nghiên cứu cái nhìn rõ ràng hơn về việc giám sát các thử nghiệm một cách hiệu quả.
Trong các mô hình truyền thống, AI thường được áp dụng như một giải pháp cho chức năng riêng lẻ – một công cụ cho một chức năng, cách ly với quá trình còn lại. Mô hình từ đầu đến cuối của chúng tôi cho phép các lợi ích hiệu quả chảy qua toàn bộ thử nghiệm, với mỗi cải tiến xây dựng trên cái trước. Điều này phản ánh sự khác biệt giữa việc tối ưu hóa các chức năng riêng lẻ và cải thiện hiệu suất trên toàn bộ phạm vi thực hiện thử nghiệm.
Nghiên cứu của Tufts nhấn mạnh rằng gần một phần ba dữ liệu thử nghiệm lâm sàng là không cần thiết. Lindus Health đang sử dụng AI như thế nào để xác định và loại bỏ việc thu thập dữ liệu không cần thiết?
Điều mà nghiên cứu của Tufts mô tả là điều mà chúng tôi đã chứng kiến trực tiếp. Trong kinh nghiệm của chúng tôi, nguyên nhân gốc rễ là cấu trúc: khi triển khai thử nghiệm bị phân mảnh trên các đội, mỗi đội có động lực đề phòng mọi tình huống. Hành vi này là một phản ứng cấu trúc đối với trách nhiệm bị phân mảnh.
Từ hợp đồng với nhà cung cấp đến công cụ thu thập dữ liệu, mỗi lần bàn giao lại thêm một lớp phòng ngừa. Khi đến người thiết kế biểu mẫu báo cáo ca bệnh, họ thường xa rời khỏi câu hỏi nghiên cứu ban đầu. Nghiên cứu viên có thể hỏi, “Trọng lượng thay đổi như thế nào trong ba tháng trên phương pháp điều trị này?” Nhưng người thiết kế công cụ tập trung vào các vấn đề hoạt động – điều kiện thanh toán cho trung tâm nghiên cứu, hộp kiểm tra tuân thủ, yêu cầu theo dõi kiểm toán. Cả hai quan điểm đều hợp lệ và cần thiết. Vấn đề là những chức năng này hoạt động mà không có ngữ cảnh chung. Cấu trúc hoạt động tăng lên, và câu hỏi nghiên cứu bị chôn vùi.
Cũng có một lớp đơn giản hơn để giải quyết trước khi giải pháp kỹ thuật. Các nhóm nghiên cứu của chúng tôi đã có quyền truy cập vào các công cụ trò chuyện AI, và họ sử dụng chúng liên tục. Khi các đội nhận được hàng chục tài liệu đề cương nghiên cứu và tệp PDF mỗi tuần, việc có thể nhập chúng vào các công cụ hỗ trợ AI và hỏi câu hỏi thay đổi cách bạn tương tác với tài liệu đó. Điều này giúp các đội ở gần câu hỏi nghiên cứu hơn thay vì bị mất trong chi tiết hoạt động.
Trước hết, thiết kế thử nghiệm. Có các công cụ AI nhúng trong quá trình thiết kế và xây dựng mở ra cơ hội để bắt các vấn đề này sớm – trước khi chúng bị khóa vào đề cương nghiên cứu. Chúng tôi sử dụng AI để tạo ra các lịch trình nghiên cứu tinh chế và hướng dẫn các nhà thiết kế thông qua đề cương nghiên cứu, đánh dấu nơi kế hoạch nghiên cứu đang trở nên phức tạp, nơi có sự trùng lặp, hoặc nơi các lỗi đã xâm nhập. Từ đó, nhà thiết kế có thể đưa ra quyết định thông minh để loại bỏ một điểm dữ liệu hoặc giảm tần suất thu thập – với lý do được ghi lại.
Thứ hai, phân tích dữ liệu. Một khi thử nghiệm đang chạy, việc thay đổi những gì bạn đã lên kế hoạch thu thập là một thách thức khác. Nhưng AI có thể giúp các đội nhanh chóng tách thông tin hữu ích khỏi nhiễu – tổng hợp nhanh hơn, phát hiện mẫu và đánh dấu bất thường có nghĩa là ít thời gian dành cho xử lý thủ công. Điều đó quan trọng ở đây vì nó cung cấp cho các đội sự linh hoạt để xác định liệu việc thu thập dữ liệu không cần thiết có thực sự ảnh hưởng đến thử nghiệm hay không và ảnh hưởng ở đâu. Với những nhận định đáng tin cậy đến sớm hơn, họ có thể thực hiện các điều chỉnh, đánh dấu vấn đề cho đội nghiên cứu, hoặc đưa ra căn cứ cho việc sửa đổi đề cương nghiên cứu để tinh giản thu thập trong khi vẫn còn thời gian để hành động.
Đây là một vấn đề cấu trúc được giải quyết ở hai giai đoạn: trong thiết kế, để bắt và loại bỏ sự phức tạp trước khi nó bị khóa, và trong phân tích, để cung cấp cho các đội tốc độ để xác định vấn đề và hành động trong khi thử nghiệm đang chạy.
Những quan niệm sai lầm lớn nhất về việc sử dụng AI trong các thử nghiệm lâm sàng là gì, và bạn giải quyết chúng với các nhà tài trợ và các cơ quan quản lý như thế nào?
Quan niệm sai lầm lớn nhất là sự do dự – giả định rằng các nhà tài trợ và các cơ quan quản lý sẽ phản đối AI trong các thử nghiệm lâm sàng. Điều này không được phản ánh trong kinh nghiệm của chúng tôi.
Về phía quản lý, các cuộc trò chuyện đầu tiên của chúng tôi đã chỉ ra rằng trong khi các cơ quan quản lý có sự thận trọng hợp lý khi xuất bản hướng dẫn, các cá nhân trong những tổ chức này cởi mở với việc thảo luận về AI trong các thử nghiệm lâm sàng. Có một sự công nhận chung rằng AI có thể cải thiện năng suất, hiệu quả và chất lượng – và nhận thức về sự dư thừa tồn tại trong ngành này.
Về phía nhà tài trợ, chúng tôi đã có các nhà tài trợ hỏi về AI trước khi chúng tôi tự đưa vấn đề này ra thảo luận. Họ chủ động muốn chúng tôi tìm và triển khai các giải pháp này. Điều này được thúc đẩy bởi hai yếu tố: trước hết, các nhà tài trợ đã sử dụng một số công cụ này cho chính họ, vì vậy họ hiểu tiềm năng. Thứ hai, họ nhận ra rằng các hiệu quả AI có thể cắt giảm thời gian thử nghiệm, giảm chi phí và ngăn chặn các vấn đề có thể không được chú ý. Chúng tôi đã nghe từ một số nhà tài trợ rằng có áp lực nội bộ trong các tổ chức của họ để chứng minh việc sử dụng AI cho hiệu quả.
Một mối quan tâm liên quan là về AI và dữ liệu được sử dụng để đào tạo mô hình. Ngành đang tiến bộ ở đây, và các nhà cung cấp mô hình ngày càng rõ ràng về cách các kế hoạch sử dụng của họ hoạt động. Chúng tôi cẩn thận để đảm bảo các công cụ AI mà chúng tôi sử dụng không đưa dữ liệu vào quá trình huấn luyện các mô hình nền tảng. Chúng tôi cũng cẩn thận về việc đào tạo các mô hình hoặc phương pháp của riêng chúng tôi – và ở bất cứ nơi nào ai đó làm điều này, họ nên rõ ràng về nó trong văn bản xác định phạm vi công việc giữa khách hàng và nhà cung cấp. Tài liệu rõ ràng về việc sử dụng dữ liệu và hành vi mô hình là cần thiết.
Vậy những quan niệm sai lầm là có thực, nhưng chúng chỉ ra một nghĩa vụ trách nhiệm: phải rõ ràng về nơi AI được sử dụng, cách dữ liệu được xử lý và những biện pháp bảo vệ nào được đưa ra. Câu hỏi liên quan cho các nhà tài trợ không phải là liệu có sử dụng AI trong các thử nghiệm hay không – mà liệu nhà cung cấp của họ đã suy nghĩ về những vấn đề này và sẵn sàng minh bạch về nó.
Làm thế nào bạn cân bằng tự động hóa và giám sát con người để đảm bảo cả tốc độ và chất lượng trong việc thực hiện thử nghiệm?
Chúng tôi thận trọng khi sử dụng AI ở nơi không có cơ hội để xem xét của con người. Điều này được phản ánh trong tài liệu chất lượng và chính sách AI của chúng tôi.
Để minh họa: có các nhà cung cấp cung cấp các bot trò chuyện đánh giá sự đủ điều kiện của bệnh nhân thông qua cuộc trò chuyện. Loại tự động hóa này cần phải được xem xét cẩn thận hơn so với hầu hết các ứng dụng. Trường hợp tốt nhất, AI sai khi loại trừ một người khỏi một thử nghiệm mà có thể đã giúp họ. Trường hợp tồi tệ nhất, nó đánh giá sai rằng họ đủ điều kiện, gửi tín hiệu đến đội nghiên cứu rằng họ đã vượt qua quá trình sàng lọc và giới thiệu rủi ro vào việc ghi danh mà không nên có ở đó.
Sự giám sát của con người không giúp ích ở đây – đến lúc con người xem xét đầu ra, AI đã hành động trong một luồng công việc có rủi ro cao. So sánh với một lỗi biểu mẫu báo cáo: nếu thu thập dữ liệu sai, bạn có thể điều chỉnh công cụ hoặc loại bỏ dữ liệu. Nhưng nếu AI yêu cầu bệnh nhân hoặc trung tâm nghiên cứu thực hiện một hành động, tiềm năng cho thiệt hại không thể khắc phục là lớn hơn – cả về mức độ nghiêm trọng và so với những nơi khác AI có thể sai trong một thử nghiệm.
Sự cân bằng này có thể đạt được bằng cách tập trung vào các ứng dụng mà giám sát con người được tích hợp và rủi ro có thể quản lý được. AI hiệu quả nhất trong các luồng công việc mà giám sát con người được nhúng và lỗi có thể khắc phục.
Công nghệ hoặc nguyên tắc thiết kế nào hiệu quả nhất trong việc giảm gánh nặng cho bệnh nhân và cải thiện việc giữ chân?
Gánh nặng cho bệnh nhân và việc giữ chân phụ thuộc vào các bước nhỏ, có chủ đích để đảm bảo một trải nghiệm tốt. Không có một can thiệp nào giải quyết vấn đề này độc lập.
Hai nguyên tắc thiết kế quan trọng.
Trước hết, chất lượng của nội dung và giao diện hướng đến bệnh nhân. Biểu mẫu thông tin bệnh nhân, biểu mẫu đồng ý, ứng dụng họ sử dụng trong quá trình thử nghiệm – tất cả những điều này định hình trải nghiệm. Văn bản nên rõ ràng và súc tích. Giao diện nên đơn giản: điều hướng trực quan, ít trở ngại nhất và không để tài liệu bị chôn sâu khó tìm. Việc tham vấn các nhóm đại diện quyền lợi bệnh nhân có thể giúp tinh chỉnh những tài liệu này trước khi chúng đến với người tham gia. Thiết kế trải nghiệm người dùng tốt quan trọng ở đây cũng như ở bất kỳ nơi nào, đặc biệt là trong các thử nghiệm lâm sàng nơi bạn không phải đối mặt với hàng triệu người dùng sẽ cuối cùng thích nghi.
Thứ hai, cách các đội nghiên cứu ở gần với bệnh nhân. Điều này có nghĩa là các công cụ giao tiếp – nhắc nhở, mời, thông báo – và cơ sở giám sát cho thấy tình trạng bệnh nhân, tuân thủ và tín hiệu an toàn. Các tập lệnh giám sát tự động giúp ở đây, đánh dấu những gì cần chú ý để các đội có thể phản ứng kịp thời. Học máy có thể phát hiện các mẫu trong dữ liệu tuân thủ – những dấu hiệu sớm của việc mất hứng thú trước khi một bệnh nhân bỏ thử nghiệm – cho phép can thiệp chủ động thay vì theo dõi phản ứng. Mục tiêu là cung cấp thông tin đúng cho đúng người vào đúng thời điểm, mà không có tiếng ồn làm giảm đi những gì quan trọng.
Các cải tiến này không phụ thuộc vào công nghệ mới, nhưng chúng cũng không đến từ các giải pháp có sẵn: không có sản phẩm nào mà bạn chỉ việc đưa vào thử nghiệm rồi kỳ vọng nó sẽ hoạt động. Điều này đòi hỏi sự chú ý: hiểu nơi bệnh nhân gặp phải ma sát và giải quyết nó một cách có chủ đích. Những gì các công cụ AI hiện đại cung cấp là cách để làm điều này nhanh hơn – chỉnh sửa văn bản, xem xét giọng điệu, tự động hóa các tập lệnh giám sát. Công nghệ đã trưởng thành. Sự khác biệt là liệu bạn giải quyết vấn đề của thử nghiệm hay vấn đề của bệnh nhân.
Làm thế nào Lindus Health thu thập và tích hợp phản hồi của bệnh nhân vào thiết kế thử nghiệm trong khi giữ cho quá trình tinh gọn và hiệu quả?
Yêu cầu về quyền riêng tư và tuân thủ định hình cách phản hồi của bệnh nhân có thể được thu thập – cách tiếp cận phải hoạt động trong những ranh giới đó. Giám sát cơ bản thu thập thời gian hoạt động của dịch vụ, dữ liệu sử dụng đã loại bỏ các thông tin nhận dạng (loại thiết bị, hành vi ứng dụng), và mẫu tuân thủ – mức độ đều đặn khi người tham gia hoàn thành các đánh giá đã lên lịch. Khi dữ liệu này cho thấy các điểm ma sát, nó sẽ được đưa vào các quyết định thiết kế cho các thử nghiệm trong tương lai.
Sự tích hợp trực tiếp hơn đến từ nhân viên nghiên cứu. Các điều phối viên được khuyến khích trao đổi với người tham gia và thu thập tín hiệu xung quanh trải nghiệm của họ, sau đó đưa thông tin đó trở lại đội rộng lớn hơn. Điều này được củng cố về mặt văn hóa – phản hồi về trải nghiệm bệnh nhân được chia sẻ trong các kênh chung và nêu bật tại các cuộc họp toàn công ty.
Cũng có một lợi thế cấu trúc. Không giống như mô hình truyền thống, nơi một đội nghiên cứu mới được tập hợp cho mỗi nghiên cứu, Lindus chạy thử nghiệm trên cùng một công nghệ với các thành viên trong đội đã làm việc trên nhiều nghiên cứu. Sự liên tục này cho phép các bài học – cả kiến thức đã được ghi chép thành hệ thống lẫn kiến thức ngầm – chảy từ một thử nghiệm vào thiết kế của thử nghiệm tiếp theo. Khi một điều phối viên gặp phải ma sát trong một nghiên cứu, nhận định đó có thể định hướng cách thiết lập nghiên cứu tiếp theo.
Các nhóm vận động bệnh nhân mở rộng điều này thêm – đưa ra các quan điểm mà không đến từ các kênh nội bộ – đặc biệt là về cách các nhóm bệnh nhân khác nhau đón nhận tài liệu và quy trình nghiên cứu.
Quá trình vẫn tinh gọn vì phản hồi chảy qua các cấu trúc hiện có chứ không yêu cầu một bộ máy riêng biệt cho mỗi nghiên cứu.
Cần thay đổi gì trong toàn ngành để nghiên cứu lâm sàng trở nên nhanh hơn và đáng tin cậy hơn?
Ngành có quán tính cấu trúc đòi hỏi các nhà hành nghề phải hoạt động khác biệt và chứng minh các phương pháp thay thế trong thực tế. Các chương trình đổi mới doanh nghiệp và các yêu cầu của ban điều hành có tác động hạn chế đến thay đổi hoạt động – điều cần thiết là các nhà hành nghề sẽ thực sự làm việc khác biệt và chứng minh nó hoạt động.
Lập trình thống kê là một ví dụ. Đây là công việc chuyên môn cao: chuyển đổi dữ liệu lâm sàng để phân tích thống kê sinh học, do các chuyên gia am hiểu sâu lĩnh vực thực hiện. Tuy nhiên, công việc này khó thu hút nhân lực. Những người có nền tảng khoa học dữ liệu hoặc kỹ thuật hiếm khi chọn con đường này, dù kỹ năng của họ trùng khớp đáng kể. Công việc vẫn tách biệt, phương pháp khó hiểu với người ngoài và nguồn nhân lực bổ sung bị hạn chế.
AI có thể mở ra điều này – các công cụ hiện đại có thể xử lý nhiều công việc biến đổi, và các yêu cầu lập trình kép (trong đó hai lập trình viên tạo ra các đầu ra độc lập) có thể được đáp ứng bằng các cặp AI-người thay vì cặp người-người. Nhưng chỉ riêng công nghệ không giải quyết các vấn đề cấu trúc. Bạn cần các nhà hành nghề sẵn sàng triển khai nó một cách thận trọng và chứng minh nó đáp ứng các tiêu chuẩn quản lý. Nếu không, tiềm năng này vẫn chưa được khai thác đúng mức.
Bài học rộng hơn: các thử nghiệm nhanh hơn và đáng tin cậy hơn đòi hỏi nhiều hơn là các công cụ mới. Chúng đòi hỏi tạo không gian – trong việc tuyển dụng, trong việc giải thích quy định, trong văn hóa tổ chức – cho những người sẽ làm việc khác biệt. Đây là cách thời gian triển khai có thể được giảm trong thực tế.
Bạn nhìn thấy mối quan hệ giữa AI, dữ liệu và thiết kế thử nghiệm sẽ phát triển như thế nào trong năm năm tới?
Mối quan hệ sẽ bị ảnh hưởng bởi một thực tế cấu trúc: hiệu quả của AI bị giới hạn bởi chất lượng ngữ cảnh mà nó nhận được. Không có ngữ cảnh phong phú và chính xác – nơi dữ liệu đến, những biến đổi mà nó đã trải qua, những gì nó thực sự có nghĩa – ngay cả các mô hình mạnh cũng sẽ tạo ra đầu ra không đáng tin cậy.
Hầu hết ngành công nghiệp thử nghiệm lâm sàng bị phân mảnh. Các tổ chức nghiên cứu hợp đồng (CRO) chỉ thấy các mảnh của chu kỳ sống thử nghiệm. Các nhà tài trợ làm việc với nhiều nhà cung cấp, mỗi nhà cung cấp nắm giữ một phần của bức tranh. Ngữ cảnh bị mất qua mỗi lần bàn giao. Khi bạn yêu cầu một hệ thống AI suy luận về dữ liệu thử nghiệm trong môi trường này, nó đang làm việc với thông tin không đầy đủ – và thông tin không đầy đủ tạo ra đầu ra không đáng tin cậy.
Các tổ chức sẽ được hưởng lợi nhiều nhất từ AI là những tổ chức có khả năng truy xuất nguồn gốc từ đầu đến cuối. Họ kiểm soát chuỗi dữ liệu từ thiết kế đề cương nghiên cứu đến thu thập dữ liệu đến phân tích. Họ không suy luận về ngữ cảnh – họ tạo ra nó. Họ thiết kế các biểu mẫu, định nghĩa các trường, viết từ điển dữ liệu. Mỗi điểm dữ liệu có nguồn gốc vì tổ chức đã tạo ra nguồn gốc. Khả năng theo dõi này không chỉ là hiệu quả hoạt động – mà còn là điều cho phép đưa ra những quyết định có căn cứ vững chắc và sự tự tin, ảnh hưởng đến bệnh nhân.
Trong năm năm tới, lợi thế cấu trúc này sẽ tích lũy. Các tổ chức có khả năng quan sát toàn bộ quá trình sẽ triển khai AI hiệu quả hơn – từ thiết kế thử nghiệm thích ứng phản ứng với dữ liệu đến, tối ưu hóa đề cương nghiên cứu dựa trên các mẫu hình trong quá khứ – thu thập các bài học để cải thiện hệ thống của họ và mở rộng khoảng cách. Những người làm việc với dữ liệu bị phân mảnh sẽ tìm thấy AI đầy hứa hẹn nhưng không đáng tin cậy: hệ thống hoạt động tốt trong môi trường được kiểm soát nhưng không tổng quát hóa đáng tin cậy trong môi trường sản xuất.
Câu hỏi cho ngành không phải là liệu AI sẽ quan trọng. Đó là liệu cơ sở hạ tầng dữ liệu có tồn tại để làm cho AI đáng tin cậy. Đối với hầu hết ngành, điều đó vẫn chưa xảy ra. Đó là công việc phía trước.
Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm về việc triển khai thử nghiệm lâm sàng được thiết kế từ đầu xoay quanh AI, quyền sở hữu dữ liệu từ đầu đến cuối và triển khai nghiên cứu nhanh hơn nên truy cập Lindus Health.












