Прогнозная аналитика в фармацевтике
14 августа
Статьи

Перспективы больших данных

Современная фармацевтическая промышленность - это, в первую очередь, большие числа – большие прибыли, большие убытки, большие массивы данных. Как отмечает Омудхом Огбрю (Omudhome Ogbru), в своей книге Почему лекарства стоят так дорого:

  • Только одно из 10000 открытых лекарств становится утвержденным препаратом, поступающим в продажу
  • Только три из каждых 20 утвержденных препаратов приносят достаточную прибыль для покрытия расходов на их разработку
  • Только один из каждых трех утвержденных препаратов приносит достаточную прибыль для покрытия затрат на доработку после первых неудач

Более того, требуется около 7-10 лет и примерно 500 млн долларов для разработки каждого нового препарата. И все это в дополнение к огромному количеству молекулярных и клинических данных, хранящихся в сетях компаний, которые уже созрели для аналитиков.

И все же фармацевтическим компаниям потребовалось некоторое время, чтобы осознать возможности использования больших данных. Почему? Как отмечает Скотт Евангелиста, руководитель Deloitte Consulting, в книге "Примеры для расширенного анализа"

«У них бил денежный фонтан... Чем прибыльнее компания, тем реже она считает центы и меньше обращает внимание на мелочи, которые могут повысить эффективность и вернуть инвестиции».

Благодаря недавним реформам здравоохранения фармацевты начинают относиться к этим вопросам с большей серьезностью.

Расширение сотрудничества

Хотя службы безопасности фармацевтических компаний стали притчей во языцех, в последние годы появился импульс для активизации сотрудничества как внутри страны, так и за ее пределами. Чтобы получить конкурентное преимущество, углубить знания и еще больше увеличить постоянно растущие хранилища данных, фармацевты теперь начали работать с:

  • Внешними партнерами: К ним могут относиться контрактные исследовательские организации (КИО) или компании, занимающиеся работой с данными. Например, в 2013, GlaxoSmithKline объявила о начале сотрудничества с SAS и создании отдельного облачного хранилища, открытого для всего мира, где фармацевтическая отрасль сможет развивать безопасное сотрудничество на основе анонимной информации о клинических испытаниях.
  • Партнерами от науки: Чтобы ознакомиться с препаратами, которые разрабатываются за пределами компании, Eli Lilly запустила инициативу Phenotypic Drug Discovery Initiative (Инициатива по фенотипическому поиску препаратов). Внештатные исследователи присылают свои препараты на тестирование, а компания Lilly использует свои инструменты и данные, чтобы определить, обладает какой-либо из них потенциалом для того, чтобы стать полноценным лекарством.
  • Потребители и специалисты в области здравоохранения: Благодаря взрывному росту социальных сетей, фармацевтические компании могут напрямую обратиться к своим клиентам или врачам. Они также проводят анализ настроений во врачебных онлайн-сообществах, занимаются разработкой электронных медицинских карт и анализируют информацию, генерируемую потребителями для определения потенциальных угроз безопасности. Эта информация затем может использоваться для формирования стратегии по разработке новых препаратов.
  • Страховые компании: Благодаря созданию собственных сетей данных, где потребители и поставщики услуг могут делиться информацией, анализировать данные по претензиям и реагировать на них, фармацевтические компании обладают возможностью наполнять свои хранилища данных информацией, далеко выходящей за пределы клинических испытаний.

Прогнозная аналитика

За последнее десятилетие прогнозные модели стали более интеллектуальными и получили большее признание и распространение. Способность прогнозировать будущее может применяться для того, чтобы разрабатывать необходимые лекарственные препараты и избегать негативных последствий.

В том, что касается разработки препаратов, фармацевтические компании сегодня тратят огромные деньги на поиски соединений для их последующего тестирования в доклинических исследованиях. С целью ускорения этого процесса фармацевтические компании используют модели прогнозирования для поиска в гигантских виртуальных базах, содержащих молекулярную и клиническую информацию. Аналитики под лупой изучают кандидатов, у которых есть перспективные препараты, по критериям, в основе которых лежит химическое строение, заболевание/цель и другие характеристики.

Например, компания Numerate, которая работает с такими гигантами фармацевтики, как «Boehringer Ingelheim» и Merck, разрабатывает свои модели прогнозирования с учетом конкретных мишеней лекарственных препаратов и целей лечения.

Что касается цели избежать негативных последствий, прогнозное моделирование может использоваться для прогнозирования непосредственных вероятных трагических исходов, таких как смерть в результате воздействия факторов риска.

В 2011 году GNS Healthcare при сотрудничестве с Бригхэмским женским госпиталем разработала прогнозные модели и инструменты, изначальной целью которых было избежать побочных реакций и повторной госпитализации пациентов с застойной сердечной недостаточностью.

Краудсорсинг

В последнее время фармацевтические компании и учреждения организовывают краудсорсинговые конкурсы для того, чтобы прогнозировать воздействие препаратов на пациентов и клинические исходы их приема, определить структуру продаж, молекулярную активность и прочее, что имеет отношение к использованию больших данных.

Приведем несколько примеров:

  • Heritage Health Prize - Премия в области наследия здравоохранения (2012): Перед командами ставилась задача разработать алгоритм, который будет использовать доступные данные по пациентам, чтобы спрогнозировать и предотвратить ненужные госпитализации.
  • Predicting a Biological Response - Прогнозирования биологической реакции (2012): Объединив усилия с Kaggle, компания «Boehringer Ingelheim» стала спонсором соревнований по оценке вероятности мутагенности (склонности к повреждению ДНК), ключевого побочного эффекта, которого необходимо избежать при разработке новых лекарств.
  • ALS Biomarker Prize - Приз биомаркер ALS (2006): Конкурс Grand Challenge (Большой вызов) с призовым фондом 1 млн. долларов ставит перед собой задачу поиска биомаркеров для измерения прогрессирования у больных БАС, также известного как болезнь Шарко.

Более эффективные испытания препаратов

Клинические испытания часто длятся очень долго, требуют огромного количества участников и стоят крайне дорого. Специалисты по данным могут помочь уменьшить эти расходы, дав возможность фармацевтических компаниям:

  • Проводить отбор пациентов на основе данных: Фармацевтические компании используют множество источников данных, включая социальные сети и базы данных государственных здравоохранительных учреждений, а также руководствуясь более точными целевыми критериями (например, генетической информацией) для того, чтобы определить, какие группы лучше подойдут для испытаний.
  • Проводить мониторинг в реальном времени: Теперь компании в режиме реального времени могут контролировать данные испытаний для определения операционных рисков и рисков безопасности и пресечь проблемы в зародыше.
  • Обеспечить безопасность препаратов: Специалисты по данным могут получить доступ к информации по побочным эффектам, чтобы спрогнозировать еще даже до клинических испытаний, вызовет ли препарат побочную реакцию. В сотрудничестве с Калифорнийским университетом в Сан-Франциско специалисты из Novartis разработали компьютерные модели именно для этих целей.

Целевой маркетинг и целевые продажи

Когда-то давным-давно фармацевтические компании отправляли своих представителей на встречи с врачами и вкладывались в масштабное продвижение своей продукции.

Но те времена уже прошли. В марте 2013 года респонденты в рамках исследования Accenture "Жизнь по новым стандартам: Революция взаимодействия с потребителями (Life in the New Normal: The Customer Engagement Revolution), отметили, что около 25% их фармацевтического маркетинга проходит через цифровые платформы; 87% намереваются чаще использовать аналитику для повышения качества целевых расходов и улучшения рентабельности.

Часть этих средств, вероятно, будет инвестирована в мониторинг терапевтических предпочтений медицинских работников, географических тенденций, пиковых значений выписывания рецептов – всего того, что имеет непосредственное значение для цикла продаж. Затем эти данные будут переданы для:

  • Прогнозной аналитики: Фармацевтические компании применяют методы прогнозирования для того, чтобы определить, кто из пациентов и врачей склонен использовать тот или иной препарат и прикладывать более целевые маркетинговые усилия непосредственно на месте.
  • Сложные продажи: Фармацевтические компании поставляют представителям своих лекарственных препаратов мобильные устройства и аналитику в режиме реального времени по их потенциальным клиентам. Таким образом, их представители могут менять свой график, подстраиваясь под врача. После этого отдел продаж может проанализировать результаты, чтобы определить, насколько эффективной оказалась встреча.

Более качественный мониторинг пациентов

С развитием миниатюрных биодатчиков, сложных бытовых устройств, умных таблеток и бутылок, смартфонов и медицинских приложений с целью наблюдения за состоянием здоровья пациента, становится просто, как никогда ранее. Фармацевтические компании проявляют все больше интереса к тому, как данные от этих инструментов можно использовать в режиме реального времени для исследований и разработок, анализа эффективности и увеличения продаж препаратов.

Наряду с получением информации о том, как используются их препараты, компании также хотят выяснить, как пациенты относятся к их продукции. Мнения о новых препаратах часто передаются по каналу пациент/врач и пациент/пациент, что ведет к накоплению беспорядочных неструктурированных данных.

Однако если их должным образом организовать и проанализировать, они смогут стать кладезем информации о:

  • Моделях лекарственного взаимодействия
  • Тех причинах, которые заставляют пациентов прекратить принимать препараты
  • Пациентах, которые не принимают препараты, прописанные в их рецептах

Риски и правила работы с данными. Задачи, с которыми предстоит столкнуться

В некотором смысле фармацевтическая отрасль - это жертва своего прошлого успеха. К XXI веку фармацевтика накопила огромное количество структурированных и частично структурированных данных в отдельных, не взаимосвязанных "бункерах".

И, к сожалению, теперь отрасль сталкивается с проблемами, пытаясь установить связь между этими бункерами. В своей публикации для ресурса FierceBiotechIT, Ли Фейгенбаум, вице-президент по маркетингу в Cambridge Semantics, отметил, что реальная проблема связана с обработкой различных типов данных. Как бы аналитики ни жонглировали цифрами, их конечная цель - превратить данные в информацию, которая может иметь стратегическое значение для бизнеса. Для этого в качестве необходимого условия необходимо заставить источники данных коммуницировать между собой в осмысленном виде.

Более того, фармацевтические компании сталкиваются с потоком неструктурированной информации, включая настроение потребителей, которая поступает к ним из внешних источников. Интеграция, обработка, организация и интерпретация этих данных с целью выработки некоего согласованного плана действий - это и есть огромная головная боль.

Работа с правительством

Интеграция данных поднимает вопрос о праве пациентов на конфиденциальность. Чем больше баз данных распространяется среди медучреждений, КИО, партнеров, компаний по разработке программного обеспечения и т.д., тем чаще фармацевтические компании сталкиваются с риском раскрытия чувствительной информации о пациентах тем, кто не должен ей обладать.

Это означает, что фармацевтическим компаниям необходимо меньше рисковать и нарушать федеральные законы и правила. К примеру, в Законе об ответственности и переносе данных о страховании здоровья граждан, и его младшем брате от 2009 - Законе о применении медицинских информационных технологий в экономической деятельности и клинической практике - четко прописано, что компании, на которые распространяется их действие, должны обеспечить:

«Защиту медицинских записей отдельных лиц и другой личной медицинской информации, требуя надлежащих гарантий для защиты конфиденциальности и установления пределов и условий использования и раскрытия информации, которые могут проистекать из такой информации без разрешения пациента».

Это предупреждение повторяется в докладе McKinsey 2013 года под названием "Как большие данные могут произвести революцию в области фармацевтических исследований и разработок:

«Фармацевтические компании должны осознать и снизить правовые и нормативные риски, а также риски в области интеллектуальной собственности, что связано с увеличением масштабов совместной деятельности».

Ученые, занимающиеся данными, также должны знать об инициативе "Сентинел" Управления по контролю за продуктами и лекарствами. Это законодательно обязывающая система электронного наблюдения, связывающая и анализирующая медицинские данные миллионов пациентов из различных источников. Ее задача - сбор данных по вопросам безопасности и подключение регулирующих органов с целью принятия незамедлительных мер.

История анализа данных в фармацевтике

«Мы стараемся никогда не забывать, что медицина служит людям. А не извлечению прибыли. Прибыль стоит на втором месте, и если мы будем об этом помнить, она всегда появится. Чем лучше мы помнили об этом, тем больше она становилась», – Георг Вильгельм Мерк.

Лето 1854 года. 16-летний подросток из Индианы запрыгивает в поезд и проезжает 60 миль на север для того, чтобы навестить своих дядю Калеба и тетю Хенни. На пыльных улицах Лафайета он проходит мимо аптеки "Добрый самаритянин". Он останавливается. Он глядит на нее во все глаза. Он наслаждается запахами, которые доносятся из нее. В тот момент он решает стать фармацевтом.

К концу XIX века полковник Эли Лилли смог:

  • Стать независимым изготовителем лекарственных препаратов
  • Автоматизировать создание таблеток и капсул
  • Включить в штат отдельных сотрудников, отвечающих за исследования и разработку
  • Выработать целый комплекс мер для контроля качества продукции

К концу своей жизни он стал миллионером.

Лилли, Генрих Эмануэль Мерк, Чарльз Пфайзер, Фридрих Байер, Эдвард Робинсон Сквибб – прежде, чем стать брендами, они стали пионерами в фармацевтике. Они также были одними из первых, кто научился применять методы снижения затрат и улучшения продукции на основе данных.

Туман войны

Давайте быстро перемотаем вперед до XX века. Века воздушного транспорта, печенья с предсказаниями, теории относительности Эйнштейна, джаза и огромных производителей, знакомых нам и сегодня.

Переход от небольших независимых компаний к конгломератам начался в 1940 году. Во время второй мировой войны на кону стояло так много жизней, что это подстегнуло интенсивное развитие сотрудничества между правительством и фармацевтическими компаниями. В 1940-х годах невероятное сотрудничество между правительством, Merck, Pfizer и Squibb (и прочих) привело к началу массового производства пенициллина.

Золотой век

К тому времени, когда мужчины (и женщины) вернулись с войны, фармацевтика уже превратилась в большой бизнес. Во второй половине 20-го века появились ибупрофен, парацетамол, противозачаточные таблетки, талидомид, валиум, ингибиторы АПФ, и была объявлена война раку. Достижения в области генетики, включая автоматизированное секвенирование белка и ДНК, а также психиатрическое лечение открыли новые рынки.

Это было время, когда данные стали делать себе имя.

Возьмем, для примера, Электронную систему сбора данных (EDC). Ближе к 1970-м фармацевтические компании получали данные клинических исследований на бумажных носителях. Это часто приводило к ошибкам ввода и различным задержкам.

  • Чтобы решить эту проблему, Институт биологических исследований и развития (IBRD) сформировал альянс с Abbot Pharmaceuticals.
  • Каждый клинический исследователь получил доступ к компьютеру и теперь имел возможность вводить клинические данные непосредственно в центральный компьютер IBRD.
  • После очистки данных IBRD отправлял отчеты напрямую Abbott.

В 1970-х также появилась Кембриджская база структурных данных (CSD), Банк белковых структур (PDB), а также различные ресурсы, сосредоточенные на генетике, например, Staden Package для секвенирования ДНК.

Золотой век становится платиновым

"Журнал вычислительной химии", детище профессора Нормана Аллингера, выпущенный в 1980 году, ознаменовал начало эпохи компьютеризированной разработки лекарственных препаратов. Как пишет Шон Экинс в книге "Компьютерные приложения в фармацевтических исследованиях и разработках", тогда ученые получили возможность использовать программы вычислительной химии на персональных компьютерах.

Разработчики программного обеспечения расцветали, обеспечивая фармацевтические компании полезными инструментами. Примеры их функционала:

  • Прогнозная аналитика: Программное обеспечение TOPKAT д-ра Курта Энслайна, в основе которого лежали статистические модели, могло спрогнозировать токсичность молекул из его структурных компонентов.
  • 3D молекулярное моделирование: Благодаря графическому программному обеспечению химики получили возможность видеть молекулярные структуры в 3D и создавать свои виртуальные модели.
  • Анализ данных: Статистики использовали программы обработки информации типа SPSS для анализа клинических данных; вычислительные химики теперь за считанные минуты или часы проводили статистический анализ, на который раньше уходило несколько недель или месяцев.

Из-за огромного наплыва данных Lilly первой из фармацевтических компаний приобрела суперкомпьютер (Cray-2). Примеру Lilly вскоре последовали многие из ее конкурентов.

1990-е и 2000-е

С появлением всемирной компьютерной сети и началом нового тысячелетия объем данных только увеличился:

  • Сотрудничество между внутренними и внешними департаментами и научно-исследовательскими учреждениями стало нормой.
  • Фармацевтические компании начали апеллировать непосредственно к потребителям.
  • Спрос на альтернативные лекарства и пищевые добавки дошел до заоблачных высот.
  • Программное обеспечение становится все более комплексным и сложным.
  • Открытия в области генетики и секвенирования генома привело к созданию новых лекарств и источников прибыли.

Эффективный анализ данных стал неотъемлемой частью разработки лекарственных препаратов.