为什么制药公司也开始重新思考其数据集成战略——数据集成的临界

制药行业正在以多种方式中断。并购和技术范式转换的转换只是一些今天重新定义医疗策略。虽然竞争前的合作举措推动精简流程,药物开发的成本只有同比增加。突然需要给市场带来创新药物已经被越来越补充使用不同的技术,如衣物和移动应用程序。数据从来没有更容易和它以各种不同的形式流动的速度和形状,结构化和非结构化,已使该行业“摇摇欲坠”。对于这些进步的成功,最根本的是需要集成来自不同数据源的数据,并利用预测分析驱动通知,实时决策。引用Nikhil Kumar总统,应用抛光工艺溶液Inc .)”的“完美风暴”的医学科学技术使得数据集成(DI)一个关键的成功因素。新工具,如深度学习提供了基础产业做得更多,看模式更快的自动化。这是进一步推动变化的速度和临界创新迪”。制药公司已经认识到DI的临界和反思其DI战略。

DI挑战——制药公司做得更好呢?

今天的现实之一是制药公司的缺乏标准化。分析进行6个试验表明20 - 50%病例报告形式的一种变体(CRF)元素,即使在相同的治疗领域。仅仅和开发数据模式的数据进行集中管理,独立表连接,聚合逻辑,输出格式为每个审判是一个有效的和具有成本效益的方法。“大量异构数据,高维数据,假说驱动的数据探索和分析,跨平台的数据标准化,数据的可访问性问题和监管限制,”带来了进一步的挑战根据Sagar Karmathi,教授,机械和工业工程和数据分析工程项目主任,东北大学。

事实上,一项研究表明,制药行业每年花1.56亿美元在系统或组织之间传输数据。此外,点对点和临时集成也会影响数据的完整性是错误的可能性很高。制药公司越来越多地试图利用真实世界数据利用eSource(电子记录记录病人的健康),它面临着障碍与许多EHR(电子健康记录)/ EMR(电子病历)供应商阻塞的出口数据的系统,带来更多的商业挑战,而不是一个技术。众多的现有系统和应用程序之间的互操作性在制药公司仍然是一个噩梦。

不同的一代又一代的DI策略

有逐渐演变过去几代DI的策略,开始使用关系数据库、SAS和SPSS,对数据仓库和数据集市,对主数据管理的意义,noSQL数据库的出现,大数据的爆炸,如“组学”数据和人工智能(AI)的出现,特别是机器学习(ML),和云计算更成熟,可信平台。此外,专家采购系统,与人群更原始的采购系统,如Tamr,用于启用的层次结构内部和外部业务专家参与数据管理决策。因此,DI模型发展的自动化、可伸缩性和架构来处理体积,增加品种和速度的数据,在一定程度上平衡贸易的准确性。

“现代DI策略是建立在Hadoop-based湖泊和/或基于云的数据仓库使用数据转换工具如火花和MapReduce。这些DI策略支持高数据速率的信息处理和系统升级。他们通过事件驱动的实时响应企业需求而不是clock-driven集成。他们执行而不是raw-DI document-focused集成。他们争取inter-functional DI,灵活和适应性强的DI,简单和无时间限制的任何地方访问”,Karmathi说。

大数据,人工智能,在制药和DI ML:他们的作用

能够构建可伸缩的数据管理系统,我们需要使用工具,如毫升、人工智能、大数据和统计数据。人工智能是用来模拟人类智能,如视觉感知和语音识别和ML同时允许我们评估大量数据。随着计算成本的下降和上升的数据可用性,门使用精密医学打开。尽管可能能够减少70%的医药成本仍有缺点的人工智能。其中包括需要获得可靠的数据集,可靠,无偏算法(不总是如此!),知道这问题(不是人工智能可以做)。然而,人工智能可以说的好处大于缺点。根据约瑟夫·舍在拜耳研发的资深顾问,AI可以减少临床试验所需的时间由30 - 40%,他正确地指出,“在研发、速度就是一切”。因此,该行业正逐渐过渡的使用ePROs(电子病人报告结果)eDROs(电子设备报告的结果),减少依赖病人对自己的健康。

话虽这么说,即使在临床试验中使用人工智能,它的目的是增强人类的智慧,而不是取代它。利用深度学习和AI,该行业正迅速招募患者在临床试验中(特别是对于罕见疾病)挖掘社交媒体和开发治疗更快。AI可能是非常有用的在解决很多的问题在制药行业,但它只能有效工作如果是问正确的问题。我们只能真正优化医疗行业如果人类和机器一起工作。

制药/生物技术“我们所做的一切都是为客户创造一个增强的体验——病人,提供者(卫生保健专业人士(学校),医疗组织和纳税人。随着竞争的增加,更多的仿制药和生物制剂生产。驾驶疗法的疗效的有效性,安全性和易用性驱动器的独特价值主张特定治疗制药/生物技术。这种策略必须由与客户联系。要做到这一切,你需要了解客户的情绪,预测不良事件的可能性,有效地提前理解竞争和战略举措,评估HCP处方行为等等。这将创建一个大数据分析的必要性。平台如Alexa已经致力于人工智能与病人具体的算法,可以帮助药物加药和输液提醒。毫升和深度学习被用于加速疾病识别/诊断、个性化治疗,加速药物发现过程,更快的映射和分组目标患者临床试验在大型制药公司来分析大数据集和帮助推进FDA批准”言论赛Vajha、负责人、企业解决方案和操作,在生原体。

用例的应用在制药和临床试验

有效地实现DI在制药公司的潜在价值是巨大的。据估计,医疗设备制造商一个可重用的临床数据管理平台,可以减少75%的努力/试验,和创建时间从一个月到一周,翻译成10倍的投资回报。

迪也作为一个推动者的贝叶斯统计的应用授权贝叶斯统计学家利用从其他试验获得的情报,其增强的预测能力应用于数据的分析当前的研究。虽然这可以减少试验的大小和持续时间,必须注意确定之前试验的原始数据是如何识别和筛选删除重要的“共”。As a strong DI capability will allow for rapid cross-trial data analysis, this will reduce the number of data points required to statistically prove a product's safety and efficacy, reduce the number of subjects required, resulting in cost and time efficiencies. Since the average per-subject cost has been reported to be $2,500 per patient in drug trials and $10,000 per patient for device trials, a reduction in the number of subjects from 5000 to 3000 in a Phase III trial could potentially save a sponsor $5-$25 million.

数据管理器数据的科学家

药物开发和数据团队倾向于在筒仓工作。“生物医学信息专家和临床调查人员通常认为彼此知识农民提供机械/机械服务。Zak说:“小羽,哈佛大学在接受《福布斯》采访时说。但需要两探戈和高效,实时临床和数据团队之间的协调是至关重要的。数据管理团队需要挑战自己的舒适区,在那里他们作为数据处理器,并演变成数据科学家,他们从聚合数据集提取有意义的见解,使临床团队做出明智的,数据驱动的决策。的理解数学的工具是新的技能和理解数据科学家应该训练。我们应该等待这个词“人工智能科学家”这个领域需要立足于DI的第五代制药?”,Kumar奇事。

数据集成中扮演着一个关键的角色使制药公司削减其药物发展战略,加速创新。进化的角色和技术为数据集成为未来铺平了道路。