Numbrid näitavad, et 2016. aasta ei olnud USA farmaatsiatööstuse jaoks suurepärane. Alates detsembri algusest ainult 19 uut ravimit Toidu- ja Ravimiamet (FDA) oli selle heaks kiitnud, vähem kui pooled 2015. aastal heaks kiidetud ja madalaim tase alates 2007. aastast. Suurimate osalejate seas on investeeringute tasuvus teadus- ja arendustegevusse (R&D) langes 3,7% -ni .

Vaatamata sellele heidutavale statistikale on farmaatsiatööstus tervikliku tervishoiu ökosüsteemi lahutamatu osa. Kuid tööstus seisab silmitsi kasvava survega suurendada tootlikkust ja minimeerida arendusaega. Teadus- ja arendustegevuse tootlus on investorite jaoks oluline tulemuslikkuse mõõdik, samuti a dialoogi lähtepunkt tööstuse, maksjate ja tervisetehnoloogia hindamise rühmade vahel, kes ühiselt määravad innovaatiliste ravimite väärtuse. Tööstuse mängijad saavad järgima erinevaid strateegiaid - sealhulgas teaduspartnerlused, investeeringud arenevatele turgudele ja tooteportfellide mitmekesistamine, et võidelda tootlikkuse probleemidega. Kuid nagu see artikkel viitab, sisaldab teine ​​lahendus andmete analüüsi, mis võib ravimiarendust tõhustada ja kiirendada.

Selles artiklis uuritakse ravimite väljatöötamise hetkeolukorda ja seda, kuidas suured andmed võivad selle erinevaid komponente parandada: ravimite avastamine, kliinilise uuringu ülesehitus ja kõrvaltoimete avastamine. Seejärel lõpetatakse soovitustega ettevõtetele, kes soovivad seda tüüpi lahendusi integreerida.

Farmaatsiaalase teadus- ja arendustegevuse ROI vähenemine

Nagu varem mainitud, saavad vähesed ravimikandidaadid lõpuks kaubandusliku heakskiidu, rääkimata kommertsedudest. Ainult viis 5000-st, ehk 0,1% Prekliinilisi teste alustavatest ravimitest jõuavad inimesed kunagi katseteni ja ainult üks neist on heaks kiidetud.

Vastavalt a 2012 McKinsey aruanne on edukuse kumulatiivsus vähenenud 50%, kuna ravimiarendusprogrammide arv ja programmi maksumus on kahekordistunud. Samuti on levinud arvamus, et ühekordsed turule toomised näitavad ROI-d ajutiselt paranenud, varjutades sügavamaid probleeme, nagu kasvavad proovikulud ja ülerahvastatud turud. Paljud farmaatsiaettevõtted on loonud märkimisväärse 25-aastase aktsionäride väärtuse, kuigi nende tulemused järgmisel kümnendil on tagasihoidlikumad (vt allpool).

Vähesed vaidlustaksid, et ravimite väljatöötamise protsess on pikk ja vaevaline. Lõppude lõpuks võib see võtta rohkem kui 10 aastat ja 2,6 miljardit dollarit ravimi turule toomiseks. See algab siis, kui teadlased püüavad mõista haiguse taga olevat protsessi rakulisel või molekulaarsel tasandil. Haigusprotsesside ja -teede parema mõistmise kaudu on potentsiaalsed uute ravimeetodite sihtmärgid on tuvastatud . Kui prekliinilised uuringud näitavad ohutust ja efektiivsust, liigub kandidaat testimise, ülevaatuse ja loa andmise järjestikustesse etappidesse.

Igal sammul , otsused teatud ühendite edendamise või peatamise kohta tehakse eksperimentaalsete ja ajalooliste andmete põhjal. 'Kiire ebaõnnestumine' või edasiarendamise lõpetamine mitterahuldava tulemuse põhjal on ülioluline. Seda seetõttu, et kulud kasvavad torujuhtme igas järgnevas etapis ja eriti siis, kui algavad inimkatsed. Nende raskuste vastu võitlemiseks võivad farmaatsiaettevõtted kasutada andmete analüüsi.

Andmeanalüüsi rakendused farmaatsiaettevõtetele

Suurandmete analüüs hõlmab massiliste, mitmekesiste andmekogumite kogumine, manipuleerimine ja analüüs. See annab ravimifirmadele lubadusi mitmel viisil: 1) Prognoosiv modelleerimine võib välja tuua narkootikumide sihtmärgid. 2) Statistilised vahendid võivad parandada patsientide värbamist ja tõhustada seiret. 3) Avalike foorumite ja sotsiaalmeedia saitide kaevandamine võib tuvastada kõrvaltoimeid, millest pole ametlikult teatatud. Uurigem igast kasutusjuhtumist.

Narkootikumide avastamise ennustav modelleerimine

Kui oleksite turunduseettevõte, kes sooviks konversioone optimeerida, investeeriksite ressursse pigem oma sihtturule kui kogu elanikkonnale. Ravimite avastamisel on see sarnane - farmaatsiaettevõtete eesmärk on investeerida ühenditesse, mis võivad kliinilistes uuringutes ja turul tõenäoliselt edukalt õnnestuda, et nad saaksid taastada esialgsed teadus- ja arendustegevuse investeeringud.

Varem kasutasid teadlased ravimite kandidaatide aluseks looduslikke taime- või loomseid ühendeid. Narkootikumide väljatöötamine on ajalooliselt olnud iteratiivne protsess kasutades suure läbilaskevõimega skriinimislaboreid, et testida tuhandeid ühendeid päevas füüsiliselt koos oodatav tabamuse määr on 1% või vähem . Kuid nüüd loovad teadlased arvutitega uusi molekule. Prognoosiv modelleerimine, nii kogenud kui ka põhiline, aitab ennustada võimalike ravimite koostoime, inhibeerimine ja toksilisus. Laialt levinud meetod on farmakokineetiline modelleerimine , mis kasutab täiustatud matemaatilist modelleerimist ja simulatsioone, et ennustada, kuidas ühend kehas toimib. Isegi ilma olemasoleva valkude struktuuri käsitleva teabeta võimaldab virtuaalsete ühenditeekide skriinimine teadlastel kaaluda koguni 10 000 ühendit ja kitsendage see väärtuseni 10 või 20.

Neid võimalusi ei pea tingimata ehitama ettevõttesiseselt. Hiljuti IBM Watson Health ja Pfizer sõlmis partnerluse aidata teadlastel avastada uusi uimastisihtmärke. Kui keskmine teadlane loeb aastas 250–300 artiklit, siis Watson on töötlenud 25 miljonit Medline'i kokkuvõtet, üle miljoni täistekstilise meditsiiniajakirja artikli ja neli miljonit patenti. Peidetud mustrite paljastamiseks saab Watsonit isegi täiendada organisatsiooni privaatsete andmetega.

kevadpartii paralleeltöötluse näide

Lihtsam lähenemisviis hõlmab eelkliiniliste uuringute, kliiniliste uuringute ja turustamisjärgse järelevalve ajalooliste andmete kasutamist. Andmeid saab kasutada erinevate sõltumatute muutujate põhjal lõpliku tulemuse (FDA heakskiidu / patsiendi tulemuste) ennustamiseks.

Andmehimulikud protsessid toovad kaasa suurema koostöö

Palgamüürid ja patendid on pikka aega olnud aeglustas voolu teabe pakkumine hüperkonkurentsivõimelises tööstuses. Nii et huvitav trend on kasvav koostöö tööstuse osapoolte vahel. Näiteks mittetulundusühing Struktuurgenoomika konsortsium partnerid üheksa farmaatsiaettevõtte ja laboriga, kellel on lubas jagada nende uimastisoovide nimekirjad, tulemused avatud juurdepääsuga ajakirjades ja eksperimentaalsed proovid avastamise kiirendamiseks.

Samamoodi Suurbritannia käivitamine MedChemica on koostöö keskmes, mille eesmärk on kiirendada arengut andmekaevanduse abil, säilitades samas iga partneri intellektuaalse omandi. MedChemica tehnoloogia kaevandab partnerite andmebaasid tihedalt sobivate paaride leidmiseks, teostab nende kahe vahel analüüsi ja seejärel kasutatakse väljundit reeglite loomiseks, mida saab rakendada virtuaalsetele molekulidele, et ennustada sarnaste struktuurimuutuste mõjusid. Kõik konsortsiumi partnerid saavad soovitada, kus on vaja täiendavaid andmeid, ja võivad isegi nõustuda kulude jagamisel edasises testimises.

Parem kliinilise uuringu kujundus

Kliinilistes uuringutes on uuringud, mis testivad, kas ravi on inimestele ohutu ja tõhus. Enne ravimi üleminekut FDA ülevaatusele on kolm faasi. Igas järgnevas faasis osaleb rohkem inimesi, kasvades kümnes I faasis tuhandeni III faasis. Protsess tavaliselt võtab kuus kuni seitse aastat. Viivitused turule toomisel võivad ulatuda 15 miljonit dollarit päevas populaarseima ravimi alternatiivkuludes. Siin on mõned kliiniliste uuringute valupunktid ja kui suured andmed neid leevendavad:

Täiustatud, sihipärane värbamine

Uuringu ebaõnnestumine on sageli tingitud suutmatusest värvata piisavalt kõlblikke patsiente. III faasi uuringud viiakse läbi üle 100 saidi kümnes või enamas riigis . Ja kuna ravimid on sageli mõeldud niširühmadele, konkureerivad ettevõtted samade patsientide värbamise nimel. Selle tulemusena 37% kliinilistest uuringutest ei suuda saavutada värbamiseesmärke ja 11% kohtadest ei suuda üksikut patsienti värvata. Vastavalt Riiklik vähiinstituut , liitub kliiniliste uuringutega ainult 5% vähihaigetest. Traditsiooniline abikõlblike patsientide värbamise meetod on arstide patsientide nimekirja käsitsi ülevaatamine, kuid see on nii kallis ja aeglane .

Siit leiate patsiendi haiglate elektroonilised andmed ja suured andmed saab aidata . Analüütika ja andmeteadlased , saab patsiente registreerida muude allikate kui arstide külastajate, näiteks sotsiaalmeedia põhjal. Patsiendi valiku kriteeriumid võivad nüüd hõlmata selliseid tegureid nagu geneetiline teave, haiguse staatus ja individuaalsed omadused, võimaldades uuringutel olla väiksemad, lühemad ja odavamad. 'See on nagu kalaleidjaga kalapüük,' ütles ettevõtte tegevjuht John Potthoff Elligo terviseuuringud . “Näete tõesti, kus patsiendid on ja kuhu pöörduda, et neid saada. Suuremat basseini vaadates saate olla sihipärasem, et leida patsiente, kes vastavad kõige paremini kaasamis- ja välistamiskriteeriumidele. ” Ellen Kelso, tegevdirektor aadressil Chesapeake IRB , sõltumatu institutsiooniline kontrollikomisjon, mis konsulteerib farmaatsiaettevõtteid, hinnangul üle 60% uuringute käigus kasutatakse võimalike osalejate tuvastamiseks esialgset veebianalüüsi.

Tugevam ja tõhusam proovihaldus

Automatiseerimine ja suured andmed võimaldavad katseid reaalajas jälgida. Nad suudavad tuvastada ohutus- või töösignaale, aidates vältida kulukaid probleeme, nagu kõrvaltoimed ja viivitused. Vastavalt a hiljutine McKinsey aruanne potentsiaalsete kliiniliste uuringute tõhususe suurenemine hõlmab järgmist:

• Dünaamiline valimi suuruse hindamine ja muud protokolli muudatused võivad võimaldada kiiret reageerimist kliinilistest andmetest tulenevatele teadmistele. Need võimaldavad ka väiksemaid samaväärse võimsusega katseid või lühemaid katseaegu, mis suurendavad efektiivsust.
• Kohanemine patsientide värbamisprotsentide erinevustega võimaldaks ettevõttel tegeleda mahajäänud saitidega, tuua vajadusel uusi veebisaite ja suurendada edukate saitide värbamist.
• Kliiniliste uuringute andmete esmase allikana elektrooniliste tervisekaartide kasutamine eraldi süsteemi omamise asemel võib uuringuid kiirendada ja käsitsi andmete sisestamise vigu vähendada.
• Järgmise põlvkonna saitide kaugseire, mida võimaldab reaalajas juurdepääs andmetele, võib parandada juhtimist ja reageerimist proovides tekkivatele probleemidele.

Kliiniliste uuringute andmete täiendamine reaalse maailma andmetega

Tööstusel on kogenud plahvatust olemasolevates andmetes lisaks sellele, mis on kogutud traditsioonilistest, rangelt kontrollitud kliiniliste uuringute keskkondadest. Kuigi anonüümsete elektrooniliste tervisekontrolli andmete (EHR) andmeid on varem analüüsitud, piirdub see tavaliselt ühe teadusasutuse või teenusepakkuja võrguga. Kuid, see on nüüd võimalik linkida erinevaid andmeallikaid, võimaldades käsitleda keerukaid uurimisküsimusi.

Näiteks aitab arsti või haigla visiitide ajal reaalajas kogutud EHR-i patsientide andmete analüüs aidata meil paremini mõista ravimudeleid ja kliinilisi tulemusi reaalses maailmas. Need teadmised täiendavad kliinilistest uuringutest ja oskab hinnata laiemat spektrit patsientidest, kes tavaliselt uuringutest välja jäeti (nt eakad, nõrgad või liikumatud patsiendid jne). Farmaatsiahiiglane Genentech on sellesse lähenemisse palju investeerinud , analüüsides reaalsete patsientide andmebaase, et mõista erinevate patsientide alatüüpide tulemusi, raviskeeme ja seda, kuidas erinevad ravimustrid mõjutavad kliinilisi tulemusi reaalses maailmas.

Kõrvaltoimete tuvastamine

Ravimitest põhjustatud kahjulikud reaktsioonid on tuntud kui kõrvaltoimed (Kõrvaltoimed). Kuna kliinilised uuringud ei jäljenda täielikult reaalses olukorras olevaid tingimusi, ei saa ravimi tagajärgi enne turule toomist täielikult hinnata. Ja vaidluste kohtuvälise lahendamise aruandlussüsteemid toetuma juristide, kliinikute ja apteekrite kaudu läbinud spontaansed regulatiivsed aruanded, kus teave võib kaduma minna või seda tõlgendada valesti. Seetõttu on ADRi tuvastamine ja aruandlus nii sageli puudulik või enneaegne . Hinnanguliselt ei teatata kuni 90% ravimite kõrvaltoimetest.

Paljud uimastitarbijad pöörduvad selle asemel sotsiaalmeediasse, nagu Twitter, Facebook ja avalikud meditsiinifoorumid, sealhulgas Medications.com ja DailyStrength.com hääle kaebusi või teatage kõrvaltoimetest . Paljud kasutajad hõlmavad isegi reguleerivate asutuste (nt # FDA), tootjate (#Pfizer, #GSK) ja konkreetsete toodete (#accutaneprobz) räsimärke. Nende saitide kaevandamine patsiendi poolt pakutavate kõrvaltoimete jaoks võib osutuda täpsemaks kui meditsiinitöötajate diagnoositud saidid. David Lewise sõnul , ülemaailmse ohutuse juht nagu Novartis, „Sotsiaalmeedia andmete kaevandamine annab meile suurema võimaluse jäädvustada kõrvaltoimeid, mille üle patsient ei pruugi tingimata oma arstile või meditsiiniõele kurta ... psühhiaater ei saa enesetapumõtteid pidada ADR-iks, samas patsient oskab seda suurepäraselt kirjeldada. ' Sentimentide analüüs Samuti saab läbi viia, mis arvutuslikult tuvastab ja kategoriseerib tekstis väljendatud arvamused.

Epideemia , Booz Allen Hamiltoni tütarettevõte, kasutab loomuliku keele töötlemist ja masinõppe algoritmid ADR-ide otsimiseks sotsiaalmeedia postitustest umbes 1400 ravimi kohta. FDA ja Epidemico ühiselt käivitatud 2014. aasta uuringus uuriti 6,9 miljonit Twitteri postitust ja leitud 4401 säutsu mis sarnanes ADR-iga. Võrreldes FDA andmetega leiti uuringus suur seos mitteametlike sotsiaalmeedia aruannete ja kliinilistes uuringutes teatatud andmete vahel (vt allpool toodud graafikut).

Soovitused farmaatsiaettevõtetele, kes soovivad neid funktsioone rakendada

Vaatamata selle eelistele on paljud farmaatsiaettevõtted ettevaatlikud suurandmete analüüsivõimalustesse investeerimise suhtes. Allpool on mõned soovitused rakendamise õnnestumiseks:

• Tehnoloogia ja analüütika. Pärandisüsteeme kasutavad farmaatsiaettevõtted peaksid nende süsteemide ühendamise kaudu suurendama andmete jagamise võimet. Lisaks peaks farmaatsiaalane teadus- ja arendustegevus kasutama nutitelefonides selliseid tipptasemel tööriistu nagu biosensorid ja tervise mõõtmise seadmed. Nutiseadmete andmed ja patsientide kaugjälgimine andurite ja seadmete kaudu võiksid hõlbustada uurimis- ja arendustegevust, analüüsida efektiivsust ja suurendada tulevast müüki. Näiteks, Google on sõlminud koostöö Novartisiga arendada välja nutikas kontaktlääts, mis jälgib diabeetikute glükoosisisaldust, samas Roche ja Qualcomm ühendame jõud verehüüvete eest kaitsvate hüübimisvastaste monitoride tõstmiseks, et patsiendi teavet juhtmeta edastada.

• Keskenduge tõsielulistele tõenditele. Reaalses maailmas muutuvad tulemused üha olulisemaks, kui maksjad kasutavad väärtuspõhist hinnakujundust. Ettevõtted saavad end eristada, otsides reaalses maailmas käegakatsutavate tulemustega ravimeid, näiteks selliseid, mis on suunatud nišipatsientide populatsioonidele. Oma andmete laiendamiseks väljaspool kliinilisi uuringuid saavad nad liituda isegi varaliste andmevõrkudega.

• Tehke koostööd sisemiselt ja väliselt. Farmaatsia-alane teadus- ja arendustegevus on ajalooliselt olnud saladuskatte all - kuid nii sisemine kui ka väline koostöö on suurte andmetega edu saavutamiseks võtmetähtsusega. Sisemise koostöö parandamine eeldab sujuvat suhtlemist avastuste, kliinilise arengu ja meditsiiniasjade vahel. See võib viia kogu portfellist arusaamiseni, sealhulgas kliinilise identifitseerimise ja potentsiaalsete võimalusteni isikupärastatud meditsiinis. Oluline on ka väline koostöö: akadeemilised teadlased saavad anda ülevaate uusimatest teaduslikest läbimurretest, teiste farmaatsiaettevõtete eestvedamisel saadud algatused võivad luua suurema ja võimsama andmefondi avastamise võimendamiseks ning lepingulised uurimisorganisatsioonid (CRO-d) võivad aidata suurendada sisemisi jõupingutusi või pakkuda eriteadmisi.

• Organisatsioon. Andmehoidlate vältimiseks ja andmete jagamise hõlbustamiseks on kõige parem määrata omanikud erinevat tüüpi andmetele, kusjuures nende katvus ulatub üle funktsioonide. Andmete omaniku kogemused on hindamatud olemasoleva teabe kasutamise või täiendavate andmete integreerimise viiside väljatöötamisel. Samuti suurendaks see vastutust andmete kvaliteedi eest. Need muudatused on aga võimalikud vaid siis, kui ettevõtte juhtkond toetab tõepoolest suurandmete väärtust.

Lahkumismõtted

Täna on selge, et bioteadused, arvutiteadused ja andmeteadused lähenevad üksteisele. Kuigi kahtlemata ootavad ees tehnilised ja kultuurilised väljakutsed, on arenenud andmeanalüütika ravim, mida ettevõtted saavad kasutada ebasoodsa teadus- ja arendustegevuse ökonoomika vastu võitlemiseks. Muidugi jääb suurandmete lubadus just selliseks, kui organisatsioonid ei tee rakendamisel strateegilisi samme.

Glen de Vriesi sõnul SaaSi ettevõtte Medidata suurandmed võivad ravida eluteaduse teadus- ja arendustegevuse halba enesetunnet. The Financial Timesi korraldatud ülemaailmsel farmaatsia- ja biotehnoloogia konverentsil võrdles ta suuri andmeid Rosetta kivi avastamisega, mis võimaldas teadlastel lahti mõtestada hieroglüüfid ja avada Vana-Egiptuse ajalugu. Samamoodi, kui tervishoiusüsteemis saab ühendada andmekogumeid, sealhulgas genoomikast / proteoomikast pärinevat teavet, arstide poolt registreeritud kliinikumi andmeid ja mobiilset tervist, läbivad meditsiiniuuringud pöörde.