البيانات الضخمة: وصفة طبية لمحنة البحث والتطوير الصيدلانية

توضح الأرقام أن عام 2016 لم يكن عامًا رائعًا بالنسبة لصناعة الأدوية في الولايات المتحدة. اعتبارًا من أوائل ديسمبر ، تمت الموافقة على 19 دواءً جديدًا فقط من قبل إدارة الغذاء والدواء (FDA) ، وكان أقل من نصف الأدوية التي تمت الموافقة عليها في عام 2015 وأدنى مستوى منذ عام 2007. ومن بين أكبر اللاعبين ، عائد الاستثمار للبحث والتطوير (R & D) انخفض إلى 3.7٪.

على الرغم من هذه الإحصاءات المحبطة ، تظل صناعة الأدوية جزءًا لا يتجزأ من نظام الرعاية الصحية الأوسع نطاقاً. لكن الصناعة تواجه ضغوطًا متزايدة لتحسين الإنتاجية وتقليل وقت التطوير. تُعد عوائد البحث والتطوير بمثابة مقياس أداء مهم للمستثمرين ، فضلاً عن نقطة انطلاق للحوار بين الصناعة ، والدافعين ، ومجموعات تقييم التكنولوجيا الصحية ، والتي تحدد بشكل جماعي قيمة الأدوية المبتكرة. يمكن للاعبين في الصناعة اتباع استراتيجيات مختلفة - بما في ذلك الشراكات العلمية والاستثمارات في الأسواق الناشئة وتنويع محافظ المنتجات - لمواجهة مشكلات الإنتاجية. ومع ذلك ، كما تقترح هذه المقالة ، يتضمن حل آخر تحليلات البيانات ، والتي يمكن أن تعزز وتسريع تطوير الأدوية.

تبحث هذه المقالة في الحالة الحالية لتطوير الأدوية ، وكيف يمكن للبيانات الضخمة تحسين مكوناتها المختلفة: اكتشاف الأدوية ، وتصميم التجارب السريرية ، واكتشاف التفاعلات العكسية للأدوية. ثم تختتم بتوصيات للشركات التي تتطلع إلى دمج هذه الأنواع من الحلول.

تقليل عائد الاستثمار للبحث والتطوير الصيدلاني

كما ذكرنا سابقًا ، فإن عددًا قليلاً من الأدوية المرشحة يحصلون في النهاية على الموافقة التجارية ، ناهيك عن النجاحات التجارية. فقط خمسة من كل 5000 ، أو 0.1 ٪ ، من الأدوية التي تبدأ في الاختبار قبل السريري تصل إلى الاختبار البشري ، ويتم اعتماد عقار واحد فقط للاستخدام البشري.

وفقًا لتقرير McKinsey لعام 2012 ، انخفضت معدلات النجاح التراكمية بنسبة 50 ٪ حيث تضاعف عدد برامج تطوير الأدوية والتكلفة لكل برنامج. من المعتقد أيضًا على نطاق واسع أن عمليات الإطلاق لمرة واحدة تظهر تحسينات عابرة في عائد الاستثمار ، مما يلقي بظلاله على المشكلات الأعمق مثل زيادة تكاليف التجربة والأسواق المزدحمة. لقد أوجدت العديد من شركات الأدوية قيمة كبيرة للمساهمين لمدة 25 عامًا ، على الرغم من أن نتائجها في العقد التالي كانت أكثر تواضعًا (انظر أدناه).

قلة هم الذين يجادلون في أن عملية تطوير الدواء طويلة وشاقة. بعد كل شيء ، قد يستغرق الأمر أكثر من 10 سنوات و 2.6 مليار دولار لطرح عقار في السوق. يبدأ عندما يحاول الباحثون فهم العملية الكامنة وراء مرض ما على المستوى الخلوي أو الجزيئي. من خلال فهم أفضل لعمليات المرض ومساراته ، يتم تحديد "الأهداف" المحتملة للعلاجات الجديدة. إذا أظهر الاختبار قبل السريري السلامة والفعالية ، ينتقل المرشح إلى مراحل متتالية من الاختبار والمراجعة والترخيص.

في كل خطوة ، يتم اتخاذ قرارات تطوير أو إيقاف بعض المركبات بناءً على البيانات التجريبية والتاريخية. "الفشل السريع" ، أو إنهاء المزيد من التطوير على أساس الأداء غير المرضي ، أمر بالغ الأهمية. وذلك لأن التكاليف تزداد في كل مرحلة متتالية من خط الأنابيب ، وخاصة عندما تبدأ التجارب البشرية. للتغلب على هذه الصعوبات ، يمكن لشركات الأدوية استخدام تحليلات البيانات.

تطبيقات تحليلات البيانات لشركات الأدوية

تتضمن تحليلات البيانات الضخمة جمع مجموعات بيانات ضخمة ومتنوعة ومعالجتها وتحليلها. إنه يوفر وعودًا لشركات الأدوية بعدة طرق: 1) يمكن للنمذجة التنبؤية أن تكشف عن أهداف لخط أنابيب الأدوية. 2) يمكن للأدوات الإحصائية تحسين توظيف المرضى وتعزيز المراقبة. 3) يمكن للتنقيب عن البيانات في المنتديات العامة ومواقع التواصل الاجتماعي تحديد التفاعلات الدوائية الضارة التي لم يتم الإبلاغ عنها رسميًا. دعنا نتعمق في كل حالة استخدام.

النمذجة التنبؤية في اكتشاف المخدرات

إذا كنت شركة تسويق تتطلع إلى تحسين التحويلات ، فستستثمر الموارد في السوق المستهدف بدلاً من السكان بالكامل. إنه مشابه في اكتشاف الأدوية - تهدف شركات الأدوية إلى الاستثمار في المركبات التي يحتمل أن تنجح في التجارب السريرية وفي السوق حتى يتمكنوا من استرداد استثمارات البحث والتطوير الأولية.

في الماضي ، استخدم الباحثون مركبات نباتية أو حيوانية طبيعية كأساس للأدوية المرشحة. تاريخياً ، كان تطوير الأدوية عملية تكرارية باستخدام مختبرات الفحص عالي الإنتاجية (HTS) لاختبار فعليًا لآلاف المركبات يوميًا ، بمعدل إصابة متوقع يبلغ 1٪ أو أقل. لكن العلماء الآن يصنعون جزيئات جديدة باستخدام أجهزة الكمبيوتر. يمكن أن تساعد النمذجة التنبؤية ، المتطورة والأساسية على حد سواء ، في التنبؤ بالتفاعل الدوائي المرشح ، والتثبيط ، والسمية. من الطرق الشائعة النمذجة الحركية الدوائية ، والتي تستخدم النمذجة والمحاكاة الرياضية المتقدمة للتنبؤ بكيفية عمل المركب في الجسم. حتى بدون توفر معلومات بنية البروتين ، فإن فحص مكتبات المركبات الافتراضية يسمح للباحثين بدراسة ما يصل إلى 10000 مركب ، وتضييقها إلى 10 أو 20.

لا يلزم بالضرورة بناء هذه القدرات داخليًا. في الآونة الأخيرة ، أقامت IBM Watson Health و Pfizer شراكة لمساعدة الباحثين على اكتشاف أهداف دوائية جديدة. بينما يقرأ الباحث المتوسط ​​250-300 مقالة في السنة ، عالج واطسون 25 مليون ملخص ميدلاين ، وأكثر من مليون مقالة في مجلات طبية كاملة النص ، وأربعة ملايين براءة اختراع. يمكن أيضًا زيادة Watson ببيانات المؤسسة الخاصة للكشف عن الأنماط المخفية.

يتضمن النهج الأبسط تطبيق البيانات التاريخية من الدراسات قبل السريرية والتجارب السريرية ومراقبة ما بعد التسويق. يمكن استخدام البيانات للتنبؤ بالنتيجة النهائية (موافقة إدارة الغذاء والدواء / نتائج المريض) بناءً على متغيرات مستقلة مختلفة.

تؤدي العمليات المتعطشة للبيانات إلى زيادة التعاون

لطالما أدت أنظمة حظر الرواتب وبراءات الاختراع إلى إبطاء تدفق المعلومات في الصناعة شديدة التنافسية. لذلك هناك اتجاه مثير للاهتمام وهو التعاون المتزايد بين الأطراف الصناعية. على سبيل المثال ، يتعاون اتحاد الجينوم الإنشائي غير الربحي مع تسع شركات ومختبرات للأدوية ، الذين تعهدوا بمشاركة قوائم رغبات الأدوية الخاصة بهم ، والنتائج في مجلات مفتوحة الوصول ، وعينات تجريبية لتسريع الاكتشاف.

وبالمثل ، فإن شركة MedChemica في المملكة المتحدة هي في صميم تعاون مصمم لتسريع التطوير باستخدام التنقيب عن البيانات مع الحفاظ على الملكية الفكرية لكل شريك. قواعد بيانات شركاء MedChemica في المناجم التكنولوجية من الجزيئات للعثور على أزواج متطابقة بشكل وثيق ، وإجراء تحليل بين الاثنين ، ثم يتم استخدام المخرجات لإنشاء قواعد يمكن تطبيقها على الجزيئات الافتراضية للتنبؤ بتأثيرات التغييرات الهيكلية المماثلة. يمكن لجميع الشركاء في الكونسورتيوم اقتراح الأماكن التي تحتاج إلى بيانات إضافية ، ويمكنهم حتى الموافقة على مشاركة التكاليف في مزيد من الاختبارات.

تصميم أفضل للتجارب السريرية

التجارب السريرية هي دراسات بحثية تختبر ما إذا كان العلاج آمنًا وفعالًا للبشر. هناك ثلاث مراحل قبل أن ينتقل الدواء إلى مراجعة إدارة الغذاء والدواء. تتضمن كل مرحلة لاحقة المزيد من الأفراد ، حيث تزداد من عشرات في المرحلة الأولى إلى آلاف في المرحلة الثالثة. تستغرق العملية عادةً من ست إلى سبع سنوات حتى تكتمل. يمكن أن تصل التأخيرات في إطلاق السوق إلى 15 مليون دولار يوميًا في تكاليف الفرصة البديلة لعقار رائج. فيما يلي بعض نقاط الضعف في التجارب السريرية ، وكيف يمكن للبيانات الضخمة التخفيف منها:

التوظيف المحسن والمستهدف

غالبًا ما يحدث فشل التجربة بسبب عدم القدرة على تجنيد عدد كافٍ من المرضى المؤهلين. تُجرى تجارب المرحلة الثالثة في أكثر من 100 موقع في عشرة بلدان أو أكثر. ولأن الأدوية تُصمم الآن في كثير من الأحيان للمجموعات السكانية المتخصصة ، فإن الشركات تتنافس لتوظيف نفس المرضى. نتيجة لذلك ، فشلت 37٪ من التجارب السريرية في الوصول إلى أهداف التوظيف وفشل 11٪ من المواقع في تجنيد مريض واحد. وفقًا للمعهد الوطني للسرطان ، فإن 5٪ فقط من مرضى السرطان ينضمون إلى التجارب السريرية. الطريقة التقليدية للتوظيف للمرضى المؤهلين هي المراجعة اليدوية لقوائم مرضى الأطباء - لكنها مكلفة وبطيئة.

هذا هو المكان الذي يمكن أن تساعد فيه بيانات مستشفى المرضى الإلكترونية والبيانات الضخمة. باستخدام علماء التحليلات والبيانات ، يمكن تسجيل المرضى بناءً على مصادر أخرى غير زوار الأطباء ، مثل وسائل التواصل الاجتماعي. يمكن أن تشمل معايير اختيار المريض الآن عوامل مثل المعلومات الجينية ، وحالة المرض ، والخصائص الفردية ، مما يتيح أن تكون التجارب أصغر وأقصر وأقل تكلفة. قال جون بوتثوف ، الرئيس التنفيذي في Elligo Health Research: "إنه مثل الصيد باستخدام مكتشف الأسماك". "يمكنك حقًا معرفة مكان تواجد المرضى وأين يذهبون للحصول عليهم. عندما تنظر إلى مجموعة أكبر ، يمكنك أن تكون أكثر استهدافًا في العثور على المرضى الذين يستوفون معايير التضمين والاستبعاد بشكل أفضل. " تقدر إلين كيلسو ، المديرة التنفيذية في Chesapeake IRB ، وهي هيئة مراجعة مؤسسية مستقلة تتشاور مع شركات الأدوية ، أن أكثر من 60٪ من التجارب تستخدم التحليل الأولي عبر الإنترنت لتحديد المشاركين المحتملين.

إدارة تجارب أقوى وأكثر كفاءة

تسمح الأتمتة والبيانات الضخمة بمراقبة التجارب في الوقت الفعلي. يمكنهم تحديد إشارات السلامة أو التشغيل ، مما يساعد على تجنب المشكلات المكلفة مثل الأحداث السلبية والتأخير. وفقًا لتقرير حديث لشركة McKinsey ، تشمل مكاسب كفاءة التجارب السريرية المحتملة ما يلي:

• يمكن لتقدير حجم العينة الديناميكي والتغييرات الأخرى في البروتوكول تمكين الاستجابات السريعة للرؤى الناشئة من البيانات السريرية. كما أنها تتيح إجراء تجارب أصغر للطاقة المكافئة أو فترات محاكمة أقصر ، مما يؤدي إلى مكاسب في الكفاءة.
• إن التكيف مع الاختلافات في معدلات توظيف المرضى في الموقع من شأنه أن يسمح للشركة بمعالجة المواقع المتأخرة ، وجلب مواقع جديدة عبر الإنترنت إذا لزم الأمر ، وزيادة التوظيف من المواقع الناجحة.
• يمكن أن يؤدي استخدام السجلات الطبية الإلكترونية كمصدر أساسي لبيانات التجارب السريرية بدلاً من وجود نظام منفصل إلى تسريع التجارب وتقليل أخطاء إدخال البيانات يدويًا.
• يمكن للمراقبة عن بعد من الجيل التالي للمواقع التي يتم تمكينها من خلال الوصول إلى البيانات في الوقت الفعلي أن تحسن الإدارة والاستجابات للمشكلات التي تنشأ في التجارب.

استكمال بيانات التجارب السريرية ببيانات العالم الحقيقي

شهدت الصناعة انفجارًا في البيانات المتاحة بما يتجاوز ما تم جمعه من بيئات التجارب السريرية التقليدية الخاضعة للرقابة الصارمة. بينما تم تحليل بيانات السجلات الصحية الإلكترونية المجهولة الهوية في الماضي ، فإنها تقتصر عادةً على مؤسسة بحثية واحدة أو شبكة مزودين. ومع ذلك ، من الممكن الآن ربط مصادر البيانات المختلفة ، مما يسمح بمعالجة أسئلة البحث المعقدة.

على سبيل المثال ، يمكن أن يساعدنا تحليل بيانات مرضى السجلات الصحية الإلكترونية التي يتم جمعها في الوقت الفعلي أثناء زيارات الطبيب أو المستشفى على فهم أفضل لأنماط العلاج والنتائج السريرية في العالم الحقيقي. تكمل هذه الأفكار تلك المكتسبة من التجارب السريرية ويمكنها تقييم مجموعة واسعة من المرضى المستبعدين عادةً من التجارب (على سبيل المثال ، كبار السن أو المرضى الضعفاء أو غير المتحركين ، إلخ). استثمرت شركة Genentech العملاقة للأدوية بشكل كبير في هذا النهج ، حيث قامت بتحليل قواعد بيانات مرضى العالم الحقيقي لفهم نتائج الأنواع الفرعية المختلفة للمرضى ، وأنظمة العلاج ، وكيف تؤثر أنماط العلاج المختلفة على النتائج السريرية في العالم الحقيقي.

كشف التفاعلات الدوائية الضارة

تُعرف التفاعلات الضارة التي تسببها الأدوية باسم التفاعلات الدوائية الضائرة (ADRs). نظرًا لأن التجارب السريرية لا تحاكي تمامًا ظروف العالم الحقيقي ، فلا يمكن تقييم عواقب الدواء بشكل كامل قبل طرحه في السوق. وتعتمد أنظمة الإبلاغ عن حل النزاعات البديلة على التقارير التنظيمية التلقائية التي تم تمريرها من خلال المحامين والأطباء والصيادلة ، حيث قد تُفقد المعلومات أو يُساء تفسيرها. لذلك ، غالبًا ما يكون اكتشاف ADR والإبلاغ عنه غير مكتمل أو يأتي في وقت غير مناسب. تشير التقديرات إلى أنه لم يتم الإبلاغ عن ما يصل إلى 90٪ من الآثار الجانبية للأدوية.

ينتقل العديد من متعاطي المخدرات بدلاً من ذلك إلى وسائل التواصل الاجتماعي مثل Twitter و Facebook والمنتديات الطبية العامة بما في ذلك Medications.com و DailySt Strength.com للتعبير عن الشكاوى أو الإبلاغ عن الآثار الجانبية. يقوم العديد من المستخدمين بتضمين علامات تصنيف للوكالات التنظيمية (على سبيل المثال ، #FDA) ، والشركات المصنعة (#Pfizer ، #GSK) ومنتجات محددة (#accutaneprobz). يمكن أن يثبت تعدين هذه المواقع بحثًا عن التفاعلات الدوائية الضائرة التي يوفرها المريض أنه أكثر دقة من تلك التي تم تشخيصها من قبل المتخصصين الطبيين. وفقًا لديفيد لويس ، رئيس قسم السلامة العالمية بشركة Novartis ، "تمنحنا بيانات التعدين من وسائل التواصل الاجتماعي فرصة أكبر لالتقاط التفاعلات الدوائية الضائرة التي قد لا يشتكي منها المريض بالضرورة إلى طبيبه أو ممرضته ... لا يمكن للطبيب النفسي أن يرى الأفكار الانتحارية مثل ADR بينما يمكن للمريض وصفه بشكل مثالي ". يمكن أيضًا إجراء تحليل المشاعر ، الذي يحدد ويصنف حسابيًا الآراء المعبر عنها في النص.

تستخدم Epidemico ، وهي شركة تابعة لشركة Booz Allen Hamilton ، معالجة اللغة الطبيعية وخوارزميات التعلم الآلي للبحث عن التفاعلات الدوائية الضارة من منشورات وسائل التواصل الاجتماعي لحوالي 1400 دواء. دراسة عام 2014 ، التي أطلقتها إدارة الغذاء والدواء بالاشتراك مع شركة Epidemico ، فحصت 6.9 مليون منشور على تويتر ووجدت 4401 تغريدة تشبه ADR. عند مقارنتها بالبيانات التي تحتفظ بها إدارة الغذاء والدواء ، وجدت الدراسة علاقة عالية بين تقارير وسائل التواصل الاجتماعي غير الرسمية وتلك التي تم الإبلاغ عنها في التجارب السريرية (انظر الرسم البياني أدناه).

توصيات لشركات الأدوية التي تتطلع إلى تطبيق هذه الميزات

على الرغم من فوائدها ، فإن العديد من شركات الأدوية حذرة من الاستثمار في القدرات التحليلية للبيانات الضخمة. فيما يلي بعض التوصيات للنجاح في التنفيذ:

• التكنولوجيا والتحليلات. يجب أن تزيد شركات الأدوية التي تستخدم الأنظمة القديمة من القدرة على مشاركة البيانات من خلال ربط هذه الأنظمة. بالإضافة إلى ذلك ، يجب أن يستفيد البحث والتطوير الصيدلاني من الأدوات المتطورة مثل أجهزة الاستشعار الحيوية وأجهزة قياس الصحة في الهواتف الذكية. يمكن للبيانات المستمدة من الأجهزة الذكية والمراقبة عن بعد للمرضى من خلال أجهزة الاستشعار والأجهزة أن تسهل البحث والتطوير ، وتحلل الفعالية ، وتعزز المبيعات المستقبلية. على سبيل المثال ، أبرمت Google شراكة مع شركة Novartis لتطوير عدسات لاصقة ذكية تراقب مستويات الجلوكوز لدى مرضى السكر ، بينما تتعاون Roche و Qualcomm في رفع أجهزة المراقبة المضادة للتخثر ، والتي تحمي من تجلط الدم ، لنقل معلومات المريض لاسلكيًا.

• ركز على أدلة العالم الحقيقي. أصبحت النتائج في العالم الحقيقي أكثر أهمية حيث يستخدم الدافعون التسعير القائم على القيمة. يمكن للشركات أن تميز نفسها من خلال متابعة الأدوية ذات النتائج الواقعية الملموسة ، مثل تلك التي تستهدف مجموعات المرضى المتخصصة. لتوسيع بياناتهم إلى ما بعد التجارب السريرية ، يمكنهم حتى الانضمام إلى شبكات البيانات الاحتكارية.

• تعاون داخليًا وخارجيًا. لطالما كان البحث والتطوير في مجال المستحضرات الصيدلانية محجوبًا بالسرية - ولكن التعاون الداخلي والخارجي سيكون مفتاح النجاح مع البيانات الضخمة. يتطلب تحسين التعاون الداخلي التواصل المبسط بين الاكتشاف والتطوير السريري والشؤون الطبية. يمكن أن يؤدي ذلك إلى رؤى عبر المجموعة ، بما في ذلك التعريف السريري والفرص المحتملة في الطب الشخصي. يعد التعاون الخارجي أمرًا مهمًا أيضًا: يمكن للباحثين الأكاديميين تقديم نظرة ثاقبة حول أحدث الاكتشافات العلمية ، ويمكن للمبادرات التي تقودها شركات الأدوية الأخرى إنشاء مجموعة بيانات أكبر وأكثر قوة للاستفادة من الاكتشاف ، ويمكن لمنظمات الأبحاث التعاقدية (CROs) المساعدة في توسيع نطاق الجهد الداخلي أو تقديم خبرة محددة.

• منظمة. لتجنب صوامع البيانات وتسهيل مشاركة البيانات ، من الأفضل تعيين المالكين لأنواع بيانات مختلفة ، مع امتداد مدى وصولهم عبر الوظائف. ستكون الخبرة التي يكتسبها مالك البيانات لا تقدر بثمن عند تطوير طرق لاستخدام المعلومات الموجودة أو لدمج بيانات إضافية. كما أنه سيعزز المساءلة عن جودة البيانات. ومع ذلك ، فإن هذه التغييرات ممكنة فقط إذا كانت قيادة الشركة تدعم بالفعل قيمة البيانات الضخمة.

خواطر فراق

اليوم ، من الواضح أن علوم الحياة وعلوم الكمبيوتر وعلوم البيانات تتقارب. على الرغم من التحديات التقنية والثقافية التي تنتظرنا بلا شك ، فإن تحليلات البيانات المتقدمة هي أداة رافعة يمكن لشركات الأدوية أن تسحبها لمكافحة اقتصاديات البحث والتطوير غير المواتية. وبالطبع ، على الرغم من ذلك ، سيبقى وعد البيانات الضخمة على هذا النحو إذا لم تتخذ المؤسسات خطوات إستراتيجية في التنفيذ.

وفقًا لما ذكره Glen de Vries من شركة Medidata SaaS ، فإن البيانات الضخمة "يمكن أن تعالج مشكلات البحث والتطوير في علوم الحياة". خلال المؤتمر العالمي للأدوية والتكنولوجيا الحيوية الذي استضافته صحيفة فاينانشيال تايمز ، قارن البيانات الضخمة باكتشاف حجر رشيد ، والذي سمح للعلماء بفك رموز اللغة الهيروغليفية وفتح التاريخ المصري القديم. وبالمثل ، إذا كان من الممكن دمج مجموعات البيانات في نظام الرعاية الصحية ، بما في ذلك المعلومات الواردة من الجينوميات / البروتينات ، وبيانات العيادة المسجلة من قبل الأطباء ، والصحة المتنقلة ، فإن البحوث الطبية ستخضع لثورة.