Οι αριθμοί δείχνουν ότι το 2016 δεν ήταν μια εξαιρετική χρονιά για τη φαρμακευτική βιομηχανία των ΗΠΑ. Από τις αρχές Δεκεμβρίου, μόνο 19 νέα φάρμακα είχε εγκριθεί από την Υπηρεσία Τροφίμων και Φαρμάκων (FDA), λιγότερες από τις μισές από αυτές που εγκρίθηκαν το 2015 και το χαμηλότερο επίπεδο από το 2007. Μεταξύ των μεγαλύτερων παραγόντων, η απόδοση των επενδύσεων για έρευνα και ανάπτυξη (Ε & Α) έπεσε στο 3,7% .

Παρά αυτά τα αποθαρρυντικά στατιστικά στοιχεία, η φαρμακευτική βιομηχανία παραμένει αναπόσπαστη στο ευρύτερο οικοσύστημα υγειονομικής περίθαλψης. Αλλά η βιομηχανία αντιμετωπίζει αυξανόμενη πίεση για βελτίωση της παραγωγικότητας και ελαχιστοποίηση του χρόνου ανάπτυξης. Οι αποδόσεις Ε & Α χρησιμεύουν ως σημαντική μέτρηση απόδοσης για τους επενδυτές, καθώς και αφετηρία για διάλογο μεταξύ της βιομηχανίας, των πληρωτών και των ομάδων αξιολόγησης της τεχνολογίας της υγείας, οι οποίες καθορίζουν συλλογικά την αξία των καινοτόμων φαρμάκων. Οι παίκτες της βιομηχανίας μπορούν ακολουθήστε διαφορετικές στρατηγικές - συμπεριλαμβανομένων επιστημονικών συνεργασιών, επενδύσεων σε αναδυόμενες αγορές και διαφοροποίησης χαρτοφυλακίων προϊόντων - για την αντιμετώπιση προβλημάτων παραγωγικότητας. Ωστόσο, όπως υποδηλώνει αυτό το κομμάτι, μια άλλη λύση περιλαμβάνει την ανάλυση δεδομένων, η οποία μπορεί να βελτιώσει και να επιταχύνει την ανάπτυξη ναρκωτικών.

Αυτό το άρθρο εξετάζει την τρέχουσα κατάσταση της ανάπτυξης ναρκωτικών και πόσο μεγάλα δεδομένα μπορούν να βελτιώσουν τα διάφορα συστατικά του: ανακάλυψη φαρμάκων, σχεδιασμός κλινικών δοκιμών και ανίχνευση ανεπιθύμητων ενεργειών. Στη συνέχεια θα ολοκληρώσει με συστάσεις για εταιρείες που επιθυμούν να ενσωματώσουν αυτούς τους τύπους λύσεων.

Μείωση ROI για φαρμακευτική Ε & Α

Όπως αναφέρθηκε προηγουμένως, λίγοι υποψήφιοι ναρκωτικών τελικά εγκρίνονται στο εμπόριο, πόσο μάλλον εμπορικές επιτυχίες. Μόνο πέντε στα 5.000, ή 0,1% , των φαρμάκων που ξεκινούν προκλινικές δοκιμές το κάνουν ποτέ σε δοκιμές σε ανθρώπους και μόνο ένα εγκρίνεται για ανθρώπινη χρήση.

Σύμφωνα με ένα Έκθεση McKinsey 2012 , τα αθροιστικά ποσοστά επιτυχίας μειώθηκαν κατά 50% καθώς ο αριθμός των προγραμμάτων ανάπτυξης ναρκωτικών και το κόστος ανά πρόγραμμα διπλασιάστηκαν. Πιστεύεται επίσης ευρέως ότι οι εφάπαξ εκδόσεις δείχνουν παροδικές βελτιώσεις στην απόδοση επένδυσης (ROI), επισκιάζοντας βαθύτερα ζητήματα όπως το αυξανόμενο κόστος δοκιμής και οι πολυσύχναστες αγορές. Πολλές φαρμακευτικές εταιρείες έχουν δημιουργήσει σημαντική 25ετή αξία μετόχου, αν και τα αποτελέσματά τους την επόμενη δεκαετία είναι πιο μέτρια (βλ. Παρακάτω).

Λίγοι θα αμφισβητούσαν ότι η διαδικασία ανάπτυξης ναρκωτικών είναι μακρά και επίπονη. Σε τελική ανάλυση, μπορεί να χρειαστούν περισσότερα από 10 χρόνια και 2,6 δισεκατομμύρια δολάρια να φέρει ένα φάρμακο στην αγορά. Ξεκινά όταν οι ερευνητές προσπαθούν να κατανοήσουν τη διαδικασία πίσω από μια ασθένεια σε κυτταρικό ή μοριακό επίπεδο. Μέσω της καλύτερης κατανόησης των διαδικασιών και των οδών της νόσου, πιθανοί «στόχοι» για νέες θεραπείες αναγνωρίζονται . Εάν οι προκλινικές δοκιμές καταδεικνύουν ασφάλεια και αποτελεσματικότητα, ένας υποψήφιος μετακινείται σε διαδοχικές φάσεις δοκιμών, ελέγχου και εξουσιοδότησης.

Σε κάθε βήμα , οι αποφάσεις για την προώθηση ή τη διακοπή ορισμένων ενώσεων λαμβάνονται βάσει πειραματικών και ιστορικών δεδομένων. Η 'γρήγορη αποτυχία' ή ο τερματισμός της περαιτέρω ανάπτυξης που βασίζεται σε μη ικανοποιητική απόδοση, είναι ζωτικής σημασίας. Αυτό συμβαίνει επειδή το κόστος αυξάνεται σε κάθε διαδοχικό στάδιο του αγωγού, και ειδικά όταν ξεκινούν ανθρώπινες δοκιμές. Για την αντιμετώπιση αυτών των δυσκολιών, οι φαρμακευτικές εταιρείες μπορούν να χρησιμοποιούν αναλύσεις δεδομένων.

Εφαρμογές ανάλυσης δεδομένων για φαρμακευτικές εταιρείες

Περιλαμβάνει μεγάλη ανάλυση δεδομένων τη συλλογή, τον χειρισμό και την ανάλυση τεράστιων, διαφορετικών συνόλων δεδομένων. Παρέχει υπόσχεση για τις φαρμακευτικές εταιρείες με διάφορους τρόπους: 1) Η προγνωστική μοντελοποίηση μπορεί να βρει στόχους για τον αγωγό φαρμάκων. 2) Τα στατιστικά εργαλεία μπορούν να βελτιώσουν την πρόσληψη ασθενών και να βελτιώσουν την παρακολούθηση. 3) Η εξόρυξη δεδομένων δημόσιων φόρουμ και ιστότοπων κοινωνικών μέσων μπορεί να εντοπίσει ανεπιθύμητες ενέργειες για ναρκωτικά που δεν αναφέρονται επίσημα. Ας εξετάσουμε κάθε περίπτωση χρήσης.

Προγνωστική μοντελοποίηση στην ανακάλυψη ναρκωτικών

Εάν ήσασταν εταιρεία μάρκετινγκ που θέλατε να βελτιστοποιήσετε τις μετατροπές, θα επενδύατε πόρους στην αγορά-στόχο σας και όχι σε ολόκληρο τον πληθυσμό. Είναι παρόμοιο στην ανακάλυψη φαρμάκων - οι φαρμακευτικές εταιρείες στοχεύουν να επενδύσουν σε ενώσεις που είναι πιθανό να επιτύχουν σε κλινικές δοκιμές και στην αγορά, ώστε να μπορούν να ανακτήσουν τις αρχικές επενδύσεις Ε & Α.

Στο παρελθόν, οι ερευνητές χρησιμοποίησαν φυσικές φυτικές ή ζωικές ενώσεις ως βάση για υποψήφια φάρμακα. Η ανάπτυξη ναρκωτικών υπήρξε ιστορικά επαναληπτική διαδικασία χρησιμοποιώντας εργαστήρια διαλογής υψηλής απόδοσης (HTS) για τη φυσική δοκιμή χιλιάδων ενώσεων την ημέρα, με ένα αναμενόμενο ποσοστό επιτυχίας 1% ή λιγότερο . Αλλά τώρα οι επιστήμονες δημιουργούν νέα μόρια με υπολογιστές. Προγνωστική μοντελοποίηση, τόσο εξελιγμένη όσο και βασική, μπορεί να βοηθήσει στην πρόβλεψη υποψήφια αλληλεπίδραση φαρμάκων, αναστολή και τοξικότητα. Μια ευρεία μέθοδος είναι φαρμακοκινητική μοντελοποίηση , η οποία χρησιμοποιεί προηγμένα μαθηματικά μοντέλα και προσομοιώσεις για να προβλέψει πώς θα δρα η ένωση στο σώμα. Ακόμα και χωρίς διαθέσιμες πληροφορίες για τη δομή των πρωτεϊνών, η εξέταση εικονικών βιβλιοθηκών σύνθετων επιτρέπει στους ερευνητές να εξετάσουν το ενδεχόμενο έως 10.000 ενώσεις και περιορίστε το σε 10 ή 20.

Αυτές οι δυνατότητες δεν πρέπει απαραίτητα να ενσωματωθούν εσωτερικά. Πρόσφατα, η IBM Watson Health and Pfizer σφυρηλατούσε μια συνεργασία για να βοηθήσουν τους ερευνητές να ανακαλύψουν νέους στόχους για ναρκωτικά. Ενώ ο μέσος ερευνητής διαβάζει 250-300 άρθρα σε ένα χρόνο, ο Watson έχει επεξεργαστεί 25 εκατομμύρια περιλήψεις Medline, πάνω από ένα εκατομμύριο άρθρα ιατρικού περιοδικού πλήρους κειμένου και τέσσερα εκατομμύρια διπλώματα ευρεσιτεχνίας. Το Watson μπορεί ακόμη και να αυξηθεί με τα προσωπικά δεδομένα ενός οργανισμού για να αποκαλύψει κρυμμένα μοτίβα.

έχετε εγγραφεί σε μια υπηρεσία που βασίζεται σε σύννεφο για συγχρονισμό δεδομένων μεταξύ τους

Μια απλούστερη προσέγγιση περιλαμβάνει την εφαρμογή ιστορικών δεδομένων από προκλινικές μελέτες, κλινικές δοκιμές και παρακολούθηση μετά την κυκλοφορία. Τα δεδομένα μπορούν να χρησιμοποιηθούν για την πρόβλεψη του τελικού αποτελέσματος (έγκριση FDA / αποτελέσματα ασθενών) με βάση διάφορες ανεξάρτητες μεταβλητές.

Οι διεργασίες που απαιτούν δεδομένα οδηγούν σε αυξημένη συνεργασία

Τα paywalls και τα διπλώματα ευρεσιτεχνίας έχουν πολύ καιρό επιβράδυνε τη ροή πληροφοριών στην υπερ-ανταγωνιστική βιομηχανία. Έτσι, μια ενδιαφέρουσα τάση είναι η αυξανόμενη συνεργασία μεταξύ των βιομηχανικών μερών. Για παράδειγμα, μη κερδοσκοπικός οργανισμός Κοινοπραξία δομικής γονιδιωματικής συνεργάζεται με εννέα φαρμακευτικές εταιρείες και εργαστήρια, που έχουν δεσμεύτηκε να μοιραστεί τις λίστες επιθυμιών ναρκωτικών, τα αποτελέσματα σε περιοδικά ανοιχτής πρόσβασης και πειραματικά δείγματα για να επιταχύνουν την ανακάλυψη.

Ομοίως, η εκκίνηση στο ΗΒ MedChemica βρίσκεται στον πυρήνα μιας συνεργασίας που έχει σχεδιαστεί για να επιταχύνει την ανάπτυξη χρησιμοποιώντας την εξόρυξη δεδομένων, διατηρώντας παράλληλα την πνευματική ιδιοκτησία κάθε συνεργάτη. Η τεχνολογία της MedChemica εξορύσσει βάσεις δεδομένων συνεργατών για να βρει ζευγάρια που ταιριάζουν, πραγματοποιεί ανάλυση μεταξύ των δύο και η έξοδος χρησιμοποιείται στη συνέχεια για τη δημιουργία κανόνων που μπορούν να εφαρμοστούν σε εικονικά μόρια για να προβλέψουν τις επιπτώσεις παρόμοιων δομικών αλλαγών. Όλοι οι συνεργάτες στην κοινοπραξία μπορούν να προτείνουν πού χρειάζονται πρόσθετα δεδομένα και μπορούν ακόμη και να συμφωνήσουν να μοιραστούν το κόστος σε περαιτέρω δοκιμές.

Καλύτερος σχεδιασμός κλινικών δοκιμών

Κλινικές δοκιμές είναι ερευνητικές μελέτες που ελέγχουν εάν μια θεραπεία είναι ασφαλής και αποτελεσματική για τον άνθρωπο. Υπάρχουν τρεις φάσεις προτού ένα φάρμακο μεταβεί στην αναθεώρηση του FDA. Κάθε επόμενη φάση περιλαμβάνει περισσότερα άτομα, αυξάνοντας από δεκάδες στη Φάση Ι σε χιλιάδες στη Φάση III. Η διαδικασία συνήθως παίρνει έξι έως επτά χρόνια για να ολοκληρωθεί. Οι καθυστερήσεις στην κυκλοφορία της αγοράς μπορεί να ανέρχονται σε 15 εκατομμύρια δολάρια την ημέρα στο κόστος ευκαιρίας για ένα blockbuster φάρμακο. Ακολουθούν ορισμένα σημεία πόνου κλινικής δοκιμής και πόσο μεγάλα δεδομένα μπορούν να τα ανακουφίσουν:

Βελτιωμένη, στοχευμένη πρόσληψη

Η δοκιμαστική αποτυχία προκαλείται συχνά από την αδυναμία πρόσληψης αρκετών επιλέξιμων ασθενών. Οι δοκιμές Φάσης III διεξάγονται στις πάνω από 100 ιστότοποι σε δέκα ή περισσότερες χώρες . Και, επειδή τα φάρμακα είναι πλέον συχνά σχεδιασμένα για εξειδικευμένους πληθυσμούς, οι εταιρείες ανταγωνίζονται για την πρόσληψη των ίδιων ασθενών. Ως αποτέλεσμα, το 37% των κλινικών δοκιμών δεν επιτυγχάνουν τους στόχους πρόσληψης και το 11% των ιστότοπων δεν προσλαμβάνουν έναν ασθενή. Σύμφωνα με την Εθνικό Ινστιτούτο Καρκίνου , μόνο το 5% των ασθενών με καρκίνο συμμετέχουν σε κλινικές δοκιμές. Η παραδοσιακή μέθοδος πρόσληψης για επιλέξιμους ασθενείς είναι η μη αυτόματη αναθεώρηση των λιστών ασθενών των ιατρών - αλλά είναι ακριβό και αργό .

Εδώ είναι τα ηλεκτρονικά δεδομένα νοσοκομείων ασθενών και μεγάλα δεδομένα μπορώ να βοηθήσω . Με αναλυτικά στοιχεία και επιστήμονες δεδομένων , οι ασθενείς μπορούν να εγγραφούν βάσει πηγών διαφορετικών από τους επισκέπτες των ιατρών, όπως τα μέσα κοινωνικής δικτύωσης. Τα κριτήρια για την επιλογή του ασθενούς μπορούν τώρα να περιλαμβάνουν παράγοντες όπως γενετικές πληροφορίες, κατάσταση ασθένειας και μεμονωμένα χαρακτηριστικά, επιτρέποντας στις δοκιμές να είναι μικρότερες, μικρότερες και λιγότερο δαπανηρές. «Είναι σαν να ψαρεύεις με ένα ψάρι,» είπε ο John Potthoff, διευθύνων σύμβουλος της Έρευνα για την υγεία του Έλιγκο . «Μπορείτε πραγματικά να δείτε πού βρίσκονται οι ασθενείς και πού να πάνε για να τους πάρουν. Όταν ψάχνετε σε μια μεγαλύτερη ομάδα, μπορείτε να είστε πιο στοχευμένοι στην εύρεση ασθενών που πληρούν τα καλύτερα κριτήρια ένταξης και αποκλεισμού. ' Ellen Kelso, εκτελεστικός διευθυντής της Chesapeake IRB , μια ανεξάρτητη επιτροπή θεσμικής αναθεώρησης που συμβουλεύεται φαρμακευτικές εταιρείες, εκτιμά ότι περισσότερο από 60% των δοκιμών χρησιμοποιούν προκαταρκτική διαδικτυακή ανάλυση για τον εντοπισμό πιθανών συμμετεχόντων.

Ισχυρότερη και πιο αποτελεσματική διαχείριση δοκιμών

Ο αυτοματισμός και τα μεγάλα δεδομένα επιτρέπουν την παρακολούθηση των δοκιμών σε πραγματικό χρόνο. Μπορούν να προσδιορίσουν σήματα ασφάλειας ή λειτουργίας, βοηθώντας στην αποφυγή δαπανηρών ζητημάτων, όπως ανεπιθύμητα συμβάντα και καθυστερήσεις. Σύμφωνα με ένα πρόσφατη έκθεση McKinsey , τα πιθανά κέρδη απόδοσης κλινικής δοκιμής περιλαμβάνουν:

• Η δυναμική εκτίμηση μεγέθους δείγματος και άλλες αλλαγές στο πρωτόκολλο θα μπορούσαν να επιτρέψουν γρήγορες αποκρίσεις σε αναδυόμενες πληροφορίες από τα κλινικά δεδομένα. Επιτρέπουν επίσης μικρότερες δοκιμές ισοδύναμης ισχύος ή μικρότερους χρόνους δοκιμής, οδηγώντας σε αύξηση της απόδοσης.
• Η προσαρμογή στις διαφορές στα ποσοστά πρόσληψης ασθενών από ιστότοπους θα επέτρεπε σε μια εταιρεία να αντιμετωπίσει καθυστερημένους ιστότοπους, να φέρει νέους ιστότοπους εάν είναι απαραίτητο και να αυξήσει την πρόσληψη από επιτυχημένους ιστότοπους.
• Η χρήση ηλεκτρονικών ιατρικών αρχείων ως πρωταρχικής πηγής δεδομένων κλινικών δοκιμών αντί να υπάρχει ξεχωριστό σύστημα θα μπορούσε να επιταχύνει τις δοκιμές και να μειώσει τα χειροκίνητα σφάλματα εισαγωγής δεδομένων.
• Η απομακρυσμένη παρακολούθηση τοποθεσιών επόμενης γενιάς που ενεργοποιείται με πρόσβαση δεδομένων σε πραγματικό χρόνο θα μπορούσε να βελτιώσει τη διαχείριση και τις απαντήσεις σε ζητήματα που προκύπτουν σε δοκιμές.

Συμπλήρωση δεδομένων κλινικής δοκιμής με δεδομένα πραγματικού κόσμου

Η βιομηχανία έχει γνώρισε έκρηξη σε διαθέσιμα δεδομένα πέρα ​​από αυτά που συλλέγονται από παραδοσιακά, αυστηρά ελεγχόμενα περιβάλλοντα κλινικών δοκιμών. Ενώ τα ανώνυμα ηλεκτρονικά δεδομένα για την υγεία (EHR) έχουν αναλυθεί στο παρελθόν, συνήθως περιορίζονται σε ένα μόνο ερευνητικό ίδρυμα ή δίκτυο παρόχων. Ωστόσο, είναι τώρα δυνατό για τη σύνδεση διαφορετικών πηγών δεδομένων, επιτρέποντας την αντιμετώπιση πολύπλοκων ερευνητικών ερωτημάτων.

Για παράδειγμα, η ανάλυση των δεδομένων ασθενών με EHR που συλλέγονται σε πραγματικό χρόνο κατά τη διάρκεια επισκέψεων γιατρού ή νοσοκομείου μπορεί να μας βοηθήσει να κατανοήσουμε καλύτερα τα πρότυπα θεραπείας και τα κλινικά αποτελέσματα στον πραγματικό κόσμο. Αυτές οι πληροφορίες συμπληρώνουν αυτές που αποκτήθηκαν από κλινικές δοκιμές και μπορεί να αξιολογήσει ένα ευρύτερο φάσμα ασθενών που συνήθως αποκλείονται από δοκιμές (π.χ. ηλικιωμένοι, αδύναμοι ή ακίνητοι ασθενείς κ.λπ.). Ο φαρμακευτικός γίγαντας Genentech έχει επένδυσε σε μεγάλο βαθμό σε αυτήν την προσέγγιση , ανάλυση βάσεων δεδομένων ασθενών πραγματικού κόσμου για την κατανόηση των αποτελεσμάτων διαφορετικών υποτύπων ασθενών, θεραπευτικών αγωγών και του τρόπου με τον οποίο τα διαφορετικά πρότυπα θεραπείας επηρεάζουν τα κλινικά αποτελέσματα στον πραγματικό κόσμο.

Ανίχνευση ανεπιθύμητων αντιδράσεων φαρμάκων

Οι επιβλαβείς αντιδράσεις που προκαλούνται από φάρμακα είναι γνωστές ως ανεπιθύμητες ενέργειες φαρμάκων (ADR). Επειδή οι κλινικές δοκιμές δεν μιμούνται πλήρως τις πραγματικές συνθήκες, οι συνέπειες ενός φαρμάκου δεν μπορούν να εκτιμηθούν πλήρως πριν από την έναρξη της αγοράς. Και, συστήματα αναφοράς ADR βασίζομαι σε αυθόρμητες κανονιστικές αναφορές που έχουν περάσει από δικηγόρους, κλινικούς και φαρμακοποιούς, όπου οι πληροφορίες μπορεί να χαθούν ή να παρερμηνευθούν. Επομένως, η ανίχνευση και η αναφορά ADR είναι συχνά ελλιπείς ή πρόωρες . Εκτιμάται ότι έως και το 90% των ανεπιθύμητων ενεργειών στα φάρμακα δεν αναφέρονται.

Πολλοί χρήστες ναρκωτικών αντ 'αυτού πηγαίνουν στα κοινωνικά μέσα όπως το Twitter, το Facebook και τα δημόσια ιατρικά φόρουμ, συμπεριλαμβανομένων των Medications.com και DailyStrength.com για να φωνητικά παράπονα ή αναφορά παρενεργειών . Πολλοί χρήστες περιλαμβάνουν ακόμη και hashtag για ρυθμιστικές υπηρεσίες (π.χ. #FDA), κατασκευαστές (#Pfizer, #GSK) και συγκεκριμένα προϊόντα (#accutaneprobz). Η εξόρυξη αυτών των ιστότοπων για ADR που παρέχονται από τον ασθενή μπορεί να αποδειχθεί πιο ακριβής από αυτές που διαγνώστηκαν από επαγγελματίες του ιατρικού τομέα. Σύμφωνα με τον David Lewis , επικεφαλής της παγκόσμιας ασφάλειας ως Novartis, «Η εξόρυξη δεδομένων από τα μέσα κοινωνικής δικτύωσης μας δίνει περισσότερες πιθανότητες να καταγράψουμε ADR για τα οποία ένας ασθενής δεν θα παραπονιόταν απαραίτητα με τον γιατρό ή τη νοσοκόμα του… ένας ψυχίατρος δεν μπορεί να δει τον αυτοκτονικό ιδεασμό ως ADR ενώ ο ασθενής μπορεί να το περιγράψει τέλεια. ' Ανάλυση συναισθημάτων , που προσδιορίζει υπολογιστικά και κατηγοριοποιεί τις απόψεις που εκφράζονται σε κείμενο, μπορεί επίσης να πραγματοποιηθεί.

Επιδημία , θυγατρική της Booz Allen Hamilton, χρησιμοποιεί επεξεργασία φυσικής γλώσσας και αλγόριθμοι μηχανικής εκμάθησης για αναζήτηση ADR από δημοσιεύσεις κοινωνικών μέσων για περίπου 1.400 φάρμακα. Μια μελέτη του 2014, που ξεκίνησε από κοινού από το FDA και το Epidemico, εξέτασε 6,9 εκατομμύρια δημοσιεύσεις στο Twitter και βρήκαν 4.401 tweets που έμοιαζε με ADR. Σε σύγκριση με δεδομένα που κατέχει το FDA, η μελέτη διαπίστωσε υψηλή σχέση μεταξύ ανεπίσημων αναφορών κοινωνικών μέσων και εκείνων που αναφέρθηκαν σε κλινικές δοκιμές (βλ. Διάγραμμα παρακάτω).

Προτάσεις για φαρμακευτικές εταιρείες που θέλουν να εφαρμόσουν αυτές τις δυνατότητες

Παρά τα οφέλη της, πολλές φαρμακευτικές εταιρείες είναι επιφυλακτικές να επενδύσουν σε μεγάλες αναλυτικές δυνατότητες δεδομένων. Ακολουθούν μερικές προτάσεις για επιτυχία στην εφαρμογή:

• Τεχνολογία και ανάλυση. Οι φαρμακευτικές εταιρείες που χρησιμοποιούν συστήματα παλαιού τύπου θα πρέπει να αυξήσουν την ικανότητα κοινοποίησης δεδομένων συνδέοντας αυτά τα συστήματα. Επιπλέον, η φαρμακευτική Ε & Α θα πρέπει να αξιοποιεί πρωτοποριακά εργαλεία όπως βιοαισθητήρες και συσκευές μέτρησης της υγείας σε smartphone. Δεδομένα από έξυπνες συσκευές και απομακρυσμένη παρακολούθηση ασθενών μέσω αισθητήρων και συσκευών θα μπορούσαν να διευκολύνουν την Ε & Α, να αναλύσουν την αποτελεσματικότητα και να βελτιώσουν τις μελλοντικές πωλήσεις. Για παράδειγμα, Η Google έχει συνεργαστεί με τη Novartis να αναπτύξει έναν έξυπνο φακό επαφής που παρακολουθεί τα επίπεδα γλυκόζης των διαβητικών, ενώ Roche και Qualcomm ενώνονται δυνάμεις για την ανύψωση των αντιπηκτικών οθονών, που προστατεύουν από θρόμβους αίματος, για να μεταδίδουν ασύρματα τις πληροφορίες του ασθενούς.

• Επικεντρωθείτε σε πραγματικά στοιχεία. Τα αποτελέσματα του πραγματικού κόσμου καθίστανται πιο σημαντικά καθώς οι πληρωτές χρησιμοποιούν τιμές βάσει αξίας. Οι εταιρείες μπορούν να διαφοροποιηθούν αναζητώντας φάρμακα με απτά αποτελέσματα στον πραγματικό κόσμο, όπως αυτά που στοχεύουν σε εξειδικευμένους πληθυσμούς ασθενών. Για να επεκτείνουν τα δεδομένα τους πέρα ​​από τις κλινικές δοκιμές, μπορούν ακόμη και να συμμετάσχουν σε ιδιόκτητα δίκτυα δεδομένων.

• Συνεργαστείτε εσωτερικά και εξωτερικά. Η φαρμακευτική Ε & Α ιστορικά έχει απόρρητο - αλλά και η εσωτερική και η εξωτερική συνεργασία θα είναι το κλειδί για την επιτυχία με μεγάλα δεδομένα. Η βελτίωση της εσωτερικής συνεργασίας απαιτεί απλοποιημένη επικοινωνία μεταξύ ανακάλυψης, κλινικής ανάπτυξης και ιατρικών υποθέσεων. Αυτό μπορεί να οδηγήσει σε πληροφορίες σε όλο το χαρτοφυλάκιο, συμπεριλαμβανομένης της κλινικής αναγνώρισης και πιθανών ευκαιριών στην εξατομικευμένη ιατρική. Η εξωτερική συνεργασία είναι επίσης σημαντική: οι ακαδημαϊκοί ερευνητές μπορούν να παράσχουν πληροφορίες σχετικά με τις τελευταίες επιστημονικές ανακαλύψεις, πρωτοβουλίες που διοικούνται με άλλες φαρμακευτικές εταιρείες μπορούν να δημιουργήσουν μια μεγαλύτερη, πιο ισχυρή ομάδα δεδομένων για να αξιοποιήσουν την ανακάλυψη και συμβάσεις ερευνητικών οργανισμών (CROs) μπορούν να βοηθήσουν στην κλιμάκωση μιας εσωτερικής προσπάθειας ή στην παροχή ειδικής εμπειρογνωμοσύνης.

• Οργάνωση. Για να αποφύγετε τα σιλό δεδομένων και να διευκολύνετε την κοινή χρήση δεδομένων, είναι καλύτερο να αντιστοιχίσετε τους κατόχους σε διαφορετικούς τύπους δεδομένων, με την εμβέλειά τους να επεκτείνεται σε όλες τις λειτουργίες. Η τεχνογνωσία που αποκτήθηκε από τον κάτοχο των δεδομένων θα είναι πολύτιμη κατά την ανάπτυξη τρόπων χρήσης υφιστάμενων πληροφοριών ή για την ενσωμάτωση πρόσθετων δεδομένων. Θα ενίσχυε επίσης την υπευθυνότητα για την ποιότητα των δεδομένων. Ωστόσο, αυτές οι αλλαγές είναι δυνατές μόνο εάν η ηγεσία της εταιρείας υποστηρίζει πραγματικά την αξία των μεγάλων δεδομένων.

Σκέψεις χωρισμού

Σήμερα, είναι σαφές ότι οι βιοεπιστήμες, η επιστήμη των υπολογιστών και η επιστήμη δεδομένων συγκλίνουν. Αν και οι τεχνικές και πολιτιστικές προκλήσεις αναμφίβολα βρίσκονται μπροστά, η προηγμένη ανάλυση δεδομένων είναι ένας μοχλός φαρμακευτικών εταιρειών που μπορούν να τραβήξουν για να καταπολεμήσουν τα δυσμενή οικονομικά Ε & Α. Φυσικά, ωστόσο, η υπόσχεση για μεγάλα δεδομένα θα παραμείνει ακριβώς εάν οι οργανισμοί δεν λάβουν στρατηγικά βήματα στην εφαρμογή.

Σύμφωνα με τον Glen de Vries της εταιρείας SaaS Medidata, τα μεγάλα δεδομένα «μπορούν να θεραπεύσουν την κακουχία της έρευνας και ανάπτυξης της επιστήμης της ζωής». Κατά τη διάρκεια του Παγκόσμιου Συνεδρίου Φαρμακευτικής και Βιοτεχνολογίας που διοργανώθηκε από τους Financial Times, συνέκρινε τα μεγάλα δεδομένα με την ανακάλυψη της πέτρας Rosetta, η οποία επέτρεψε στους μελετητές να αποκρυπτογραφήσουν τα ιερογλυφικά και να ξεκλειδώσουν την αρχαία αιγυπτιακή ιστορία. Παρομοίως, εάν τα σύνολα δεδομένων μπορούν να συνδυαστούν εντός του συστήματος υγειονομικής περίθαλψης, συμπεριλαμβανομένων πληροφοριών που προέρχονται από γονιδιωματική / πρωτεωμική, δεδομένα κλινικής που καταγράφονται από γιατρούς και κινητή υγεία, η ιατρική έρευνα θα υποστεί μια επανάσταση.