Saat data protokol benar-benar mengalir antar sistem, yang berubah bukan hanya kecepatan kerja. Yang berubah adalah cara uji klinis dijalankan, dari proses manual yang tersebar menjadi alur digital yang lebih konsisten dan lebih mudah diaudit.
Di klinis riset, teknologi sudah banyak tersedia, tetapi skalanya belum cukup untuk membuat informasi bergerak otomatis lintas sistem. Akibatnya, isi protokol masih sering dipindahkan ulang, diformat ulang, direkonsiliasi, dan dikoreksi di berbagai organisasi yang sistemnya tidak dirancang untuk saling berbicara.
Rob DiCicco, vice president of portfolio management, dan Bill Illis, workstream leader digital data flow di TransCelerate BioPharma, menyoroti bahwa protokol digital kini makin dilihat sebagai jalan keluar dari pola itu. Pertanyaannya pun bergeser dari apakah protokol perlu didigitalkan menjadi bagaimana informasi protokol bisa mengalir tanpa kerja manual.
Perubahan itu mulai terlihat di forum industri. Pada SCOPE Summit di AS, digital protocol muncul di lebih dari 30 agenda dalam tiga setengah hari, termasuk presentasi dari sponsor, vendor, dan pemangku kepentingan lain yang membahas pengalaman adopsi dan data implementasi.
Dari konsep ke implementasi
Regulator juga masuk ke pembahasan yang sama. US Food and Drug Administration, European Medicines Agency, dan Pharmaceuticals and Medical Devices Agency sedang mengeksplorasi bagaimana aset protokol digital dapat membantu penerapan ICH M11, yang disetujui ICH Assembly pada akhir 2025.
Fokusnya bukan lagi sekadar desain studi yang lebih modern. Peluang yang menonjol mencakup desain studi yang lebih cerdas, otomasi sebagian proses review, dan posting registri yang lebih otomatis.
Di sisi sponsor, jalurnya tidak seragam. Organisasi kecil dengan lebih sedikit beban sistem lama cenderung menerapkan protokol terstruktur lebih luas di sepanjang siklus studi, sementara sponsor besar biasanya memulai dari hambatan operasional yang paling terasa seperti startup studi, contracting, dan sample management.
Perbedaan ini lebih banyak mencerminkan kondisi infrastruktur daripada strategi. Banyak organisasi besar tidak mencoba mengubah semuanya sekaligus, melainkan mencari titik gesekan tertinggi lalu mulai dari sana.
Bagian yang paling sering diulang
Salah satu titik paling penting ada pada Schedule of Activities atau SoA. Komponen ini sering disalin ke budgeting tools, contracting systems, data acquisition systems, dan data transfer specifications, sehingga informasi yang sama harus dimasukkan ulang berulang kali.
Setiap pengulangan menambah waktu dan membuka peluang variasi. Saat data protokol dibuat terstruktur dan bisa dibaca mesin, alur kerja itu menjadi lebih ramping karena informasi dapat mengalir langsung ke sistem hilir.
Demonstrasi di SCOPE menunjukkan automated budget builds dan sample management memangkas waktu proses sekitar 70 hingga 85 persen. Aktivitas study build yang bergantung pada SoA juga selesai jauh lebih cepat melalui pembuatan otomatis, sementara langkah contracting dan reporting yang sebelumnya memakan waktu berminggu-minggu ikut dipersingkat lewat otomasi.
Di banyak organisasi, masalah baru terlihat setelah protokol difinalisasi dan studi berjalan. Data yang sama masuk manual ke EDC, CTMS, budget tools, dan contracting templates, lalu selisih kecil baru muncul belakangan sebagai protocol deviations yang lebih mahal dan lebih mengganggu untuk diperbaiki lewat amendment.
Data terstruktur mengurangi titik sentuh manual itu. Semakin sedikit re-entry, semakin kecil peluang transcription error, semakin sedikit kebutuhan rekonsiliasi, dan semakin mudah jadwal studi diprediksi.
Mengapa kualitas data ikut menentukan AI
Pola ini juga relevan untuk AI. Di lingkungan terregulasi, model yang terdengar meyakinkan tidak cukup bila inputnya tidak konsisten, karena hasil yang plausible tidak sama dengan hasil yang reliable.
Structured protocol data memberi dasar yang lebih stabil karena elemen, relasi, dan terminologi dijaga secara konsisten. Stabilitas itu meningkatkan kepercayaan pada workflow berbasis AI dan mengurangi ambiguitas dalam interpretasi model.
Konsistensi semacam itu juga penting untuk digital twins, external control arms, dan integrasi real-world data. Semua aplikasi itu bergantung pada data yang seragam agar analitik dan otomatisasi bisa berjalan lebih dapat dipertanggungjawabkan.
Apa yang mendorong adopsi meluas
Adopsi skala besar tidak cukup hanya dengan antusiasme tim lapangan. Dibutuhkan dukungan eksekutif yang terkoordinasi lintas clinical development, clinical operations, data management, statistics, programming, dan regulatory.
Ada juga jeda waktu antara membangun infrastruktur dan memetik manfaatnya. Proses perlu diulang lebih dulu agar menjadi andal, dan fase itu menuntut kesabaran dari organisasi yang sedang beralih dari eksperimen ke implementasi.
Gelombang early adopter yang kini mendorong perubahan ini punya toleransi lebih besar terhadap percobaan. Pengalaman mereka menjadi bukti yang nanti dipakai oleh adopsi berikutnya, yang biasanya lebih pragmatis dan menunggu sinyal manfaat yang jelas.
Belum ada satu momen tunggal ketika protokol digital langsung menjadi standar. Namun ketika organisasi berhenti memperdebatkan apakah perlu diadopsi dan mulai fokus pada kapan serta bagaimana menerapkannya, arah perubahan itu sudah terlihat jelas.
