先进的数据分析制药:超越模式了解“为什么”
制药新发展取得了新的药物和治疗方法,提高选项和患者的生活质量。先进的数据分析解决方案意味着治疗更有效和可负担得起,以及低侵入性的。然而,这些演进将意味着大公司如何与患者和医护人员的变化,这就需要操作和供应链的新功能。
智能供应链,基于这些数据分析技术的发展,最好是在期望和需求描述(本地化和服务水平)通过识别和理解模式的影响。然而,促进新的护理病人当前发展所能提供的选择,必须超越看到模式去理解背后的“为什么”。
期待工具允许制药公司,以确保临床医生有流体和快速访问他们的治疗。新类型的治疗,例如,个性化疗法用“批”药物,需要操作应该转变和新功能,如招聘数据科学家、社会学家和人工智能专家。公司需要建立适应工厂的技能和人员计划在实时需求,和工业化的方法。
与有经验的合作伙伴共同发展是必需的,当然,但不充分:向系统注入自己的业务和流程专业知识需要理解因果关系影响供需模式可持续。最先进的制药公司已经开始尝试新的形式的分析改变行动计划和服务交付,但解决方案尚未“工业化”水平。(见图1)。
建立系统的信心
动员投资的先决条件和能力预测分析是开发系统的信心。前进在这方面,许多高管面临的挑战穿越巨大的数据分析环境包含多个概念。以下实用的建议解释了企业如何测试和利用现有分析飞行员大纲主要因果因素融入预测供应链。(见图2)。
图2。来源:Arthur d .小
首先,列表和理解飞行员。这是为了更好地理解方法应用于不同的飞行员,确认他们的基本假设,并确定是否还有其他选项可用。其次,试飞员方法在历史的公司数据,并比较他们的结果实际历史,为了排除大部分的“假阳性”方法和识别重复的相关性。这些方法应该进行一个详尽的测试,系统和自动化的方式。
第三,定性验证场景。此时,相关性随时间已被证明是有弹性;因此,可以认为因果关系,但尚未证实。大量的“假阳性”已经被排除在外,和重复的定性评估的相关性是最好的方法来识别有意义(可说明的链接,没有随机的巧合)因果关系和有用的链接(可以测量的变量)。
最后,测试“未来保证”。最终,方法是压力测试的稳定性,应用“派生法”在前面的步骤对所有可能的未来情景评估最大变化及其影响通过多变量分析。
试验数据分析解决方案
领先的制药公司已经开始试验数据分析解决方案在不同的功能领域,基本上从研发开始。然后研究如何利用这些基金会在其他领域。
例如,葛兰素史克是使用一个基于机器学习的平台来改善临床前候选人的发现,与Exscientia合作。这种技术设计新的分子;评估他们的能力,选择性和绑定到特定目标的能力;并使用快速“design-make-test”周期根据所需的标准修改的药物候选。
同样,辉瑞和IBM合作加速药物发现immuno-oncology由于沃森技术。他们的合作旨在快速分析和测试假设从大而广泛的数据源中提取(实验室和数据报告,医学文献)。
在不同的上下文中,我们已经看到了在生产质量管理:使用预测分析预测的外部因素生产链批次将可能偏离质量要求,因此,显著改善计划的下游生产的一部分。
结论
制药公司正在调查第二范式提供新的治疗方法的承诺和构建优越的竞争优势。随着数据分析解决方案的出现,从被动转变为预测供应链带来潜在的优越patient-and-caregiver体验。然而,获得信心和知识在新的预测模型所需的专业能力建设工作的先决条件。要启用这样的模型,公司需要开发先进的分析模型以及理解原因和影响的能力,这将使他们的预测成功。
