Številke kažejo, da leto 2016 za ameriško farmacevtsko industrijo ni bilo dobro. Od začetka decembra samo 19 novih zdravil je odobrila Uprava za prehrano in zdravila (FDA), manj kot polovica odobrenih leta 2015 in najnižja raven po letu 2007. Med največjimi akterji je donosnost naložb v raziskave in razvoj (R&R) padel na 3,7% .

Kljub tem odvračilnim statistikam ostaja farmacevtska industrija sestavni del širšega zdravstvenega ekosistema. Toda industrija se sooča z naraščajočim pritiskom na izboljšanje produktivnosti in zmanjšanje časa razvoja. Donosnost raziskav in razvoja je za investitorje pomembna metrika uspešnosti, pa tudi izhodišče za dialog med industrijo, plačniki in skupinami za ocenjevanje zdravstvene tehnologije, ki skupaj določajo vrednost inovativnih zdravil. Igralci v industriji lahko zasledovati različne strategije - vključno z znanstvenimi partnerstvi, naložbami v nastajajoče trge in diverzifikacijo portfelja izdelkov - za boj proti vprašanjem produktivnosti. Kot kaže ta članek, druga rešitev vključuje analitiko podatkov, ki lahko izboljša in pospeši razvoj zdravil.

Ta članek preučuje trenutno stanje razvoja zdravil in kako veliki podatki lahko izboljšajo njegove različne sestavne dele: odkrivanje zdravil, zasnovo kliničnega preskušanja in odkrivanje neželenih učinkov zdravil. Nato se bo zaključil s priporočili za podjetja, ki želijo vključiti tovrstne rešitve.

Zmanjševanje donosnosti naložbe za farmacevtske raziskave in razvoj

Kot smo že omenili, le malo kandidatov za zdravila postane komercialno odobreno, kaj šele komercialni uspeh. Le pet od 5000, ali 0,1% , od zdravil, ki začnejo s predkliničnimi testiranji, se kdaj znajdejo na testiranju na ljudeh, in samo eno dobi dovoljenje za uporabo pri ljudeh.

Po navedbah a Poročilo McKinseyja iz leta 2012 , skupne stopnje uspešnosti so se zmanjšale za 50%, saj so se podvojili število programov za razvoj zdravil in stroški na program. Prav tako je splošno razširjeno prepričanje, da enkratne predstavitve kažejo na prehodne izboljšave donosnosti naložbe in zasenčijo globlje težave, kot so naraščajoči preizkusni stroški in gneča na trgih. Številna farmacevtska podjetja so ustvarila pomembno 25-letno vrednost za delničarje, čeprav so njihovi rezultati v naslednjem desetletju skromnejši (glej spodaj).

Le redki bi trdili, da je postopek razvoja zdravil dolg in naporen. Navsezadnje lahko traja več kot 10 let in 2,6 milijarde dolarjev da se zdravilo pripelje na trg. Začne se, ko raziskovalci poskušajo razumeti proces bolezni na celični ali molekularni ravni. Z boljšim razumevanjem procesov bolezni in poti, potencialnih 'tarč' za nova zdravljenja so identificirani . Če predklinično testiranje dokaže varnost in učinkovitost, kandidat preide v zaporedne faze testiranja, pregleda in odobritve.

Na vsakem koraku , odločitve za napredovanje ali zaustavitev nekaterih spojin se sprejemajo na podlagi eksperimentalnih in zgodovinskih podatkov. Ključnega pomena je »hiter neuspeh« ali zaključek nadaljnjega razvoja na podlagi nezadovoljivega delovanja. To je zato, ker se stroški povečajo v vsaki zaporedni fazi plinovoda, še posebej, ko se začnejo preizkušnje na ljudeh. Za boj proti tem težavam lahko farmacevtska podjetja uporabljajo analizo podatkov.

Aplikacije za podatkovno analitiko za farmacevtska podjetja

Analitika velikih podatkov vključuje zbiranje, manipulacija in analiza obsežnih, raznolikih naborov podatkov. Farmacevtskim podjetjem zagotavlja obljube na več načinov: 1) Predvidljivo modeliranje lahko odkrije cilje za cevovod za zdravila. 2) Statistična orodja lahko izboljšajo zaposlovanje bolnikov in izboljšajo spremljanje. 3) Z rudarjenjem podatkov na javnih forumih in spletnih mestih v družabnih omrežjih se lahko ugotovijo neželeni učinki zdravil, ki niso uradno prijavljeni. Poglobimo se v vsak primer uporabe.

Prediktivno modeliranje pri odkrivanju zdravil

Če bi bili tržno podjetje, ki želi optimizirati konverzije, bi vire vložili v ciljni trg in ne v celotno populacijo. Podobno je pri odkrivanju zdravil - farmacevtska podjetja želijo vlagati v spojine, za katere je verjetno, da bodo uspele v kliničnih preskušanjih in na trgu, da bodo lahko povrnila začetne naložbe v raziskave in razvoj.

V preteklosti so raziskovalci uporabljali naravne rastlinske ali živalske spojine kot osnovo za zdravila, ki jih kandidirajo. Razvoj drog je bil zgodovinsko pomemben iterativni postopek z uporabo visoko zmogljivih presejalnih (HTS) laboratorijev za fizično testiranje na tisoče spojin na dan z pričakovana stopnja zadetkov 1% ali manj . Zdaj pa znanstveniki z računalniki ustvarjajo nove molekule. Predvidljivo modeliranje, tako prefinjeno kot osnovno, lahko pomaga napovedati možna interakcija z zdravili, zaviranje in toksičnost. Razširjena metoda je farmakokinetično modeliranje , ki z naprednim matematičnim modeliranjem in simulacijami napove, kako bo spojina delovala v telesu. Tudi brez razpoložljivih informacij o strukturi beljakovin pregledovanje virtualnih sestavljenih knjižnic omogoča raziskovalcem razmislek kar 10.000 spojin in ga zožite na 10 ali 20.

Teh zmogljivosti ni treba graditi lastno. V zadnjem času IBM Watson Health in Pfizer skoval partnerstvo pomagati raziskovalcem pri odkrivanju novih ciljev na področju drog. Medtem ko povprečni raziskovalec v letu prebere 250-300 člankov, je Watson obdelal 25 milijonov povzetkov Medline, več kot milijon člankov v medicinskih revijah s polnim besedilom in štiri milijone patentov. Watsona je mogoče celo razširiti z zasebnimi podatki organizacije, da razkrije skrite vzorce.

Preprostejši pristop vključuje uporabo preteklih podatkov iz predkliničnih študij, kliničnih preskušanj in nadzora v obdobju trženja. Podatke lahko uporabimo za napovedovanje končnega izida (odobritev FDA / izidi pacientov) na podlagi različnih neodvisnih spremenljivk.

Podatki lačni procesi vodijo do večjega sodelovanja

Plačilne stene in patenti so že dolgo upočasnila tok informacij v hiperkonkurenčni industriji. Zanimiv trend je torej vse večje sodelovanje med industrijskimi strankami. Na primer neprofitna Konzorcij za strukturno genomijo partnerji z devetimi farmacevtskimi podjetji in laboratoriji, ki so obljubil, da bo delil njihovi seznami želja po drogah, rezultati v revijah z odprtim dostopom in poskusni vzorci za pospešitev odkrivanja.

Podobno tudi zagon v Združenem kraljestvu MedChemica je jedro sodelovanja, katerega namen je pospešiti razvoj z uporabo podatkovnega rudarjenja, hkrati pa ohraniti intelektualno lastnino vsakega partnerja. Tehnologija MedChemica kopira partnerske podatkovne zbirke molekul, da bi našla tesno usklajene pare, izvede analizo med njima in izhodne podatke nato uporabi za ustvarjanje pravil, ki jih je mogoče uporabiti za virtualne molekule za napovedovanje učinkov podobnih strukturnih sprememb. Vsi partnerji v konzorciju lahko predlagajo, kje so potrebni dodatni podatki, in se lahko celo dogovorijo o delitvi stroškov pri nadaljnjem testiranju.

Boljša zasnova kliničnega preskušanja

Kliničnih preskušanj so raziskovalne študije, ki preizkušajo, ali je zdravljenje varno in učinkovito za ljudi. Preden se zdravilo premakne v pregled FDA, obstajajo tri faze. Vsaka naslednja faza vključuje več posameznikov, ki se povečajo od deset v fazi I do tisoč v fazi III. Postopek običajno traja šest do sedem let. Zamude pri uvedbi na trg lahko znašajo 15 milijonov dolarjev na dan v oportunitetnih stroških droge. Tu je nekaj točk bolečine v kliničnem preskušanju in kako veliki podatki jih lahko ublažijo:

Okrepljeno, ciljno najemanje

Neuspeh poskusov je pogosto posledica nezmožnosti zaposlitve dovolj upravičenih pacientov. Preskusi III. Faze se izvajajo na več kot 100 lokacij v desetih ali več državah . In ker so zdravila danes pogosto zasnovana za nišne populacije, podjetja tekmujejo, kje naj zaposlujejo iste bolnike. Kot rezultat, 37% kliničnih preskušanj ne dosežejo svojih ciljev zaposlovanja in 11% spletnih mest ne zaposli niti enega bolnika. Glede na Nacionalni inštitut za raka , se le 5% bolnikov z rakom pridruži kliničnim preskušanjem. Tradicionalna metoda zaposlovanja upravičenih pacientov je ročni pregled zdravnikovih seznamov pacientov - vendar je drago in počasi .

Tukaj so elektronski podatki o bolniških bolnišnicah in veliki podatki lahko pomagam . Z analitiko in podatkovni znanstveniki , bolnike je mogoče vpisati na podlagi virov, ki niso obiskovalci zdravnikov, kot so družbeni mediji. Merila za izbiro pacientov lahko zdaj vključujejo dejavnike, kot so genetske informacije, stanje bolezni in posamezne značilnosti, kar omogoča manjša, krajša in cenejša preskušanja. 'To je kot ribolov z iskalcem rib,' je dejal John Potthoff, izvršni direktor pri Zdravstvene raziskave Elligo . »Res lahko vidite, kje so bolniki in kam iti po njih. Ko iščete večji bazen, ste lahko bolj ciljno usmerjeni k iskanju pacientov, ki najbolje izpolnjujejo merila za vključitev in izključitev. ' Ellen Kelso, izvršna direktorica pri IRB Chesapeake , neodvisni institucionalni nadzorni odbor, ki se posvetuje s farmacevtskimi podjetji, ocenjuje, da več kot 60% poskusi uporabljajo predhodno spletno analizo za prepoznavanje potencialnih udeležencev.

Močnejše in učinkovitejše upravljanje preskusov

Avtomatizacija in veliki podatki omogočajo sprotno spremljanje poskusov. Lahko prepoznajo varnostne ali operativne signale, s čimer se izognejo dragim težavam, kot so neželeni dogodki in zamude. Po navedbah a nedavno poročilo McKinsey , potencialno povečanje učinkovitosti kliničnega preskušanja vključuje:

• Dinamična ocena velikosti vzorca in druge spremembe protokola bi lahko omogočile hiter odziv na nastajajoča spoznanja iz kliničnih podatkov. Omogočajo tudi manjše preskuse enakovredne moči ali krajše preskusne čase, kar vodi do povečanja učinkovitosti.
• Prilagoditev razlik v stopnjah zaposlovanja pacientov bi podjetju omogočilo, da se loti zaostajajočih spletnih mest, po potrebi pripelje nova spletna mesta in poveča zaposlovanje z uspešnih spletnih mest.
• Uporaba elektronskih zdravstvenih kartotek kot primarnega vira za podatke kliničnih preskušanj namesto ločenega sistema bi lahko pospešila preskuse in zmanjšala napake pri ročnem vnosu podatkov.
• Naslednja generacija oddaljenega spremljanja spletnih mest, ki jo omogoča dostop do podatkov v realnem času, bi lahko izboljšala upravljanje in odzive na težave, ki se pojavijo v preskusih.

Dopolnjevanje podatkov kliničnega preskušanja s podatki iz resničnega sveta

Industrija je doživel eksplozijo v razpoložljivih podatkih, ki presegajo zbrane v tradicionalnih, strogo nadzorovanih okoljih kliničnih preskušanj. Čeprav so bili v preteklosti analizirani podatki o anonimiziranih elektronskih zdravstvenih evidencah (EZZ), so običajno omejeni na eno samo raziskovalno ustanovo ali mrežo ponudnikov. Vendar zdaj je to mogoče povezati različne vire podatkov, kar omogoča obravnavo zapletenih raziskovalnih vprašanj.

Na primer, analiza podatkov o pacientih EHR, zbranih v realnem času med obiski zdravnika ali bolnišnice, nam lahko pomaga bolje razumeti vzorce zdravljenja in klinične izide v resničnem svetu. Ta spoznanja dopolnjujejo tista, pridobljena v kliničnih preskušanjih in lahko oceni širši spekter bolnikov, ki so običajno izključeni iz preskušanj (npr. starejši, šibki ali nepremični bolniki itd.). Farmacevtski velikan Genentech ima veliko vlagala v ta pristop , analiziranje podatkovnih baz resničnih bolnikov, da bi razumeli rezultate različnih podtipov bolnikov, sheme zdravljenja in kako različni vzorci zdravljenja vplivajo na klinične rezultate v resničnem svetu.

Odkrivanje neželenih učinkov zdravil

Škodljive reakcije, ki jih povzročajo zdravila, so znane kot neželeni učinki zdravil (Neželeni učinki). Ker klinična preskušanja v celoti ne posnemajo resničnih razmer, posledic zdravila pred uvedbo na trg ni mogoče v celoti oceniti. In, sistemi poročanja ADR zanesti se na spontana regulativna poročila, ki so bila posredovana odvetnikom, zdravnikom in farmacevtom, kjer se informacije lahko izgubijo ali napačno razlagajo. Odkrivanje in poročanje o neželenih učinkih sta torej pogosto nepopolne ali nepravočasne . Ocenjuje se, da ni prijavljenih do 90% neželenih učinkov zdravil.

Mnogi uporabniki drog namesto tega obiščejo družbena omrežja, kot so Twitter, Facebook in javni zdravniški forumi, vključno z Medications.com in DailyStrength.com, da bi glasovne pritožbe ali poročanje o neželenih učinkih . Številni uporabniki vključujejo celo hashtagove za regulativne agencije (npr. #FDA), proizvajalce (#Pfizer, #GSK) in določene izdelke (#accutaneprobz). Izkopavanje teh spletnih mest za neželene učinke, ki jih zagotavljajo bolniki, se lahko izkaže za natančnejše od tistih, ki jih diagnosticirajo zdravstveni delavci. Po besedah ​​Davida Lewisa , vodja oddelka za globalno varnost kot Novartis, 'Rudarski podatki iz družbenih omrežij nam omogočajo večjo možnost zajemanja neželenih učinkov, za katere se pacient ne bi nujno pritožil svojemu zdravniku ali medicinski sestri ... psihiatr samomorilnih misli ne more razumeti kot neželeni učinek, medtem ko bolnik ga lahko popolnoma opiše. ' Analiza sentimenta , ki računsko identificira in kategorizira mnenja, izražena v besedilu, se lahko izvede tudi.

Epidemija , hčerinsko podjetje Booza Allena Hamiltona, uporablja obdelavo naravnega jezika in algoritmi strojnega učenja za iskanje neželenih učinkov v objavah na družbenih omrežjih za približno 1.400 zdravil. Študija iz leta 2014, ki sta jo skupaj začela FDA in Epidemico, je preučila 6,9 milijona objav na Twitterju in najdenih 4.401 tweetov ki je spominjal na ARS. V primerjavi s podatki, ki jih ima FDA, je študija odkrila visoko povezavo med neformalnimi poročili v družabnih medijih in tistimi, o katerih so poročali v kliničnih preskušanjih (glej spodnji diagram).

Priporočila za farmacevtska podjetja, ki želijo uvesti te funkcije

Kljub svojim prednostim so številna farmacevtska podjetja previdna pri vlaganju v analitične zmogljivosti za velike podatke. Spodaj je nekaj priporočil za uspeh pri izvedbi:

• Tehnologija in analitika. Farmacevtska podjetja, ki uporabljajo starejše sisteme, bi morala povečati možnost izmenjave podatkov s povezovanjem teh sistemov. Poleg tega bi morale farmacevtske raziskave in razvoj uporabljati najnovejša orodja, kot so biosenzorji in merilne naprave za zdravje v pametnih telefonih. Podatki iz pametnih naprav in oddaljenega spremljanja pacientov s senzorji in napravami bi lahko olajšali raziskave in razvoj, analizirali učinkovitost in povečali prihodnjo prodajo. Na primer, Google je sklenil partnerstvo z Novartisom razviti pametne kontaktne leče, ki hkrati spremljajo raven glukoze diabetikov Roche in Qualcomm združujejo moči pri dvigovanju antikoagulacijskih monitorjev, ki varujejo pred krvnimi strdki, za brezžični prenos informacij o pacientih.

• Osredotočite se na resnične dokaze. Rezultati v resničnem svetu postajajo vse pomembnejši, saj plačniki uporabljajo cenitve, ki temeljijo na vrednosti. Podjetja se lahko ločijo od iskanja zdravil z resničnimi dejanskimi rezultati, na primer tistih, ki so namenjena populacijam nišnih bolnikov. Če želijo razširiti svoje podatke izven kliničnih preskušanj, se lahko celo pridružijo lastniškim podatkovnim mrežam.

• Sodelujte znotraj in zunaj. Farmacevtske raziskave in razvoj so bile v preteklosti zaupne - vendar bo tako notranje kot zunanje sodelovanje ključnega pomena za uspeh z velikimi podatki. Izboljšanje notranjega sodelovanja zahteva poenostavljeno komunikacijo med odkritji, kliničnim razvojem in zdravstvenimi zadevami. To lahko vodi do vpogledov v celoten portfelj, vključno s klinično identifikacijo in potencialnimi priložnostmi v personalizirani medicini. Pomembno je tudi zunanje sodelovanje: akademski raziskovalci lahko dobijo vpogled v najnovejše znanstvene dosežke, pobude, ki jih vodijo druga farmacevtska podjetja, lahko ustvarijo večje in močnejše zbirke podatkov za spodbujanje odkrivanja in pogodbene raziskovalne organizacije (CRO) lahko pomagajo prilagoditi notranje napore ali zagotovijo posebno strokovno znanje.

• Organizacija. Da bi se izognili silosom podatkov in olajšali skupno rabo podatkov, je najbolje, da lastnike dodelite različnim vrstam podatkov, njihov doseg pa se razteza na več funkcij. Strokovno znanje, pridobljeno z lastnikom podatkov, bo neprecenljivo pri razvoju načinov za uporabo obstoječih informacij ali vključitev dodatnih podatkov. Povečala bi se tudi odgovornost za kakovost podatkov. Vendar so te spremembe možne le, če vodstvo podjetja resnično podpira vrednost velikih podatkov.

Misli o ločitvi

Danes je jasno, da se znanosti o življenju, računalništvo in znanost zbližujejo. Čeprav so tehnični in kulturni izzivi nedvomno pred nami, je napredna analitika podatkov vzvod, s katerim se farmacevtska podjetja lahko borijo proti neugodni ekonomiji raziskav in razvoja. Seveda pa bodo obljube o velikih podatkih ostale le, če organizacije ne bodo izvedle strateških korakov.

Po mnenju Glena de Vriesa podjetja SaaS Medidata, veliki podatki 'lahko zdravijo slabo počutje na področju znanosti o življenju.' Na svetovni konferenci o farmacevtskih izdelkih in biotehnologiji, ki jo je pripravil The Financial Times, je velike podatke primerjal z odkritjem kamna Rosetta, ki je omogočil znanstvenikom, da razberejo hieroglife in odklenejo staroegipčansko zgodovino. Podobno, če je mogoče nabore podatkov združiti znotraj zdravstvenega sistema, vključno z informacijami, ki prihajajo iz genomike / proteomike, medkliničnimi podatki, ki jih beležijo zdravniki, in mobilnim zdravjem, bodo medicinske raziskave doživele revolucijo.