Big Data: Rezept für die pharmazeutische F&E-Misere

Die Zahlen zeigen, dass 2016 kein großartiges Jahr für die US-Pharmaindustrie war. Bis Anfang Dezember wurden nur 19 neue Medikamente von der Food and Drug Administration (FDA) zugelassen, weniger als die Hälfte der im Jahr 2015 zugelassenen und der niedrigste Stand seit 2007. Zu den größten Akteuren gehört die Kapitalrendite für Forschung und Entwicklung (F&E) sank auf 3,7 %.

Trotz dieser entmutigenden Statistiken bleibt die pharmazeutische Industrie ein integraler Bestandteil des breiteren Ökosystems des Gesundheitswesens. Die Industrie steht jedoch unter zunehmendem Druck, die Produktivität zu verbessern und die Entwicklungszeit zu minimieren. Renditen aus F&E dienen als wichtige Leistungskennzahl für Investoren sowie als Ausgangspunkt für den Dialog zwischen der Industrie, den Kostenträgern und den Bewertungsgruppen für Gesundheitstechnologien, die gemeinsam den Wert innovativer Arzneimittel bestimmen. Branchenakteure können verschiedene Strategien verfolgen – einschließlich wissenschaftlicher Partnerschaften, Investitionen in Schwellenländern und Diversifizierung des Produktportfolios – um Produktivitätsproblemen entgegenzuwirken. Wie dieser Artikel andeutet, umfasst eine andere Lösung jedoch Datenanalysen, die die Arzneimittelentwicklung verbessern und beschleunigen können.

Dieser Artikel untersucht den aktuellen Stand der Arzneimittelentwicklung und wie Big Data ihre verschiedenen Komponenten verbessern kann: Arzneimittelforschung, Design klinischer Studien und Erkennung unerwünschter Arzneimittelwirkungen. Abschließend werden Empfehlungen für Unternehmen gegeben, die diese Art von Lösungen integrieren möchten.

Sinkender ROI für pharmazeutische Forschung und Entwicklung

Wie bereits erwähnt, werden nur wenige Arzneimittelkandidaten schließlich kommerziell zugelassen, ganz zu schweigen von kommerziellen Erfolgen. Nur fünf von 5.000 oder 0,1 % der Medikamente, die mit vorklinischen Tests beginnen, schaffen es jemals zu Tests am Menschen, und nur eines wird für die Anwendung am Menschen zugelassen.

Laut einem McKinsey-Bericht aus dem Jahr 2012 sind die kumulativen Erfolgsraten um 50 % gesunken, da sich die Anzahl der Arzneimittelentwicklungsprogramme und die Kosten pro Programm verdoppelt haben. Es wird auch allgemein angenommen, dass einmalige Markteinführungen vorübergehende Verbesserungen des ROI zeigen und tiefere Probleme wie steigende Testkosten und überfüllte Märkte überschatten. Viele Pharmaunternehmen haben über einen Zeitraum von 25 Jahren einen erheblichen Shareholder Value geschaffen, obwohl ihre Ergebnisse in den folgenden zehn Jahren bescheidener sind (siehe unten).

Nur wenige würden bestreiten, dass der Entwicklungsprozess von Medikamenten lang und mühsam ist. Schließlich kann es mehr als 10 Jahre und 2,6 Milliarden Dollar dauern, bis ein Medikament auf den Markt kommt. Es beginnt damit, dass Forscher versuchen, den Prozess hinter einer Krankheit auf zellulärer oder molekularer Ebene zu verstehen. Durch ein besseres Verständnis von Krankheitsprozessen und -wegen werden potenzielle „Ziele“ für neue Behandlungen identifiziert. Wenn vorklinische Tests Sicherheit und Wirksamkeit zeigen, geht ein Kandidat in die aufeinanderfolgenden Phasen der Prüfung, Überprüfung und Zulassung über.

Bei jedem Schritt werden auf der Grundlage experimenteller und historischer Daten Entscheidungen über die Weiterentwicklung oder Einstellung bestimmter Verbindungen getroffen. „Schnelles Scheitern“ oder der Abbruch der Weiterentwicklung aufgrund ungenügender Leistung ist entscheidend. Dies liegt daran, dass die Kosten in jeder nachfolgenden Phase der Pipeline steigen, insbesondere wenn Versuche am Menschen beginnen. Um diesen Schwierigkeiten entgegenzuwirken, können Pharmaunternehmen Datenanalysen einsetzen.

Datenanalyseanwendungen für Pharmaunternehmen

Big Data Analytics umfasst die Erfassung, Bearbeitung und Analyse riesiger, vielfältiger Datensätze. Es ist für Pharmaunternehmen in mehrfacher Hinsicht vielversprechend: 1) Vorhersagemodellierung kann Ziele für die Arzneimittelpipeline aufdecken. 2) Statistische Tools können die Patientenrekrutierung verbessern und die Überwachung verbessern. 3) Durch Data-Mining in öffentlichen Foren und Social-Media-Sites können unerwünschte Arzneimittelwirkungen identifiziert werden, die nicht offiziell gemeldet wurden. Lassen Sie uns in jeden Anwendungsfall eintauchen.

Vorhersagemodellierung in der Arzneimittelforschung

Wenn Sie ein Marketingunternehmen wären, das Conversions optimieren möchte, würden Sie Ressourcen in Ihren Zielmarkt investieren und nicht in die gesamte Bevölkerung. Ähnlich ist es bei der Wirkstoffforschung – Pharmaunternehmen zielen darauf ab, in Verbindungen zu investieren, die in klinischen Studien und auf dem Markt Erfolg haben dürften, damit sie ihre anfänglichen F&E-Investitionen amortisieren können.

In der Vergangenheit nutzten Forscher natürliche pflanzliche oder tierische Verbindungen als Grundlage für Wirkstoffkandidaten. Die Arzneimittelentwicklung war in der Vergangenheit ein iterativer Prozess, bei dem Hochdurchsatz-Screening-Labore (HTS) verwendet wurden, um täglich Tausende von Verbindungen physisch zu testen, mit einer erwarteten Trefferquote von 1 % oder weniger. Aber jetzt erschaffen Wissenschaftler mit Computern neue Moleküle. Prädiktive Modellierung, sowohl ausgefeilt als auch einfach, kann dabei helfen, die Wechselwirkung, Hemmung und Toxizität von Kandidatenarzneimitteln vorherzusagen. Eine weit verbreitete Methode ist die pharmakokinetische Modellierung, die fortschrittliche mathematische Modellierung und Simulationen verwendet, um vorherzusagen, wie die Verbindung im Körper wirken wird. Selbst ohne verfügbare Proteinstrukturinformationen ermöglicht das Screening virtueller Substanzbibliotheken den Forschern, bis zu 10.000 Verbindungen zu berücksichtigen und auf 10 oder 20 einzugrenzen.

Diese Fähigkeiten müssen nicht unbedingt intern entwickelt werden. Kürzlich haben IBM Watson Health und Pfizer eine Partnerschaft geschmiedet, um Forscher bei der Entdeckung neuer Angriffspunkte für Medikamente zu unterstützen. Während der durchschnittliche Forscher 250-300 Artikel in einem Jahr liest, hat Watson 25 Millionen Medline-Abstracts, über eine Million Volltextartikel in medizinischen Fachzeitschriften und vier Millionen Patente verarbeitet. Watson kann sogar mit den privaten Daten einer Organisation angereichert werden, um verborgene Muster aufzudecken.

Ein einfacherer Ansatz umfasst die Anwendung historischer Daten aus vorklinischen Studien, klinischen Studien und der Überwachung nach der Markteinführung. Die Daten können verwendet werden, um das endgültige Ergebnis (FDA-Zulassung/Patientenergebnisse) basierend auf verschiedenen unabhängigen Variablen vorherzusagen.

Datenhungrige Prozesse führen zu einer verstärkten Zusammenarbeit

Paywalls und Patente haben lange den Informationsfluss in der hyperkompetitiven Branche gebremst. Ein interessanter Trend ist also die zunehmende Zusammenarbeit zwischen Branchenparteien. Beispielsweise arbeitet das gemeinnützige Structural Genomics Consortium mit neun Pharmaunternehmen und Labors zusammen, die sich verpflichtet haben, ihre Medikamenten-Wunschlisten, Ergebnisse in Open-Access-Zeitschriften und experimentelle Proben zu teilen, um die Entdeckung zu beschleunigen.

In ähnlicher Weise steht das britische Start-up MedChemica im Mittelpunkt einer Zusammenarbeit, die darauf abzielt, die Entwicklung durch Data Mining zu beschleunigen und gleichzeitig das geistige Eigentum jedes Partners zu wahren. Die Technologie von MedChemica durchsucht die Moleküldatenbanken der Partner, um eng übereinstimmende Paare zu finden, führt eine Analyse zwischen den beiden durch, und die Ausgabe wird dann verwendet, um Regeln zu erstellen, die auf virtuelle Moleküle angewendet werden können, um die Auswirkungen ähnlicher struktureller Veränderungen vorherzusagen. Alle Partner im Konsortium können vorschlagen, wo zusätzliche Daten benötigt werden, und können sogar zustimmen, die Kosten für weitere Tests zu teilen.

Besseres Design für klinische Studien

Klinische Studien sind Forschungsstudien, die testen, ob eine Behandlung sicher und wirksam für den Menschen ist. Es gibt drei Phasen, bevor ein Medikament in die FDA-Prüfung geht. An jeder nachfolgenden Phase sind mehr Personen beteiligt, die von zehn in Phase I auf Tausende in Phase III ansteigen. Der Prozess dauert in der Regel sechs bis sieben Jahre. Verzögerungen bei der Markteinführung können sich für ein Blockbuster-Medikament auf 15 Millionen US-Dollar pro Tag an Opportunitätskosten belaufen. Hier sind einige Schmerzpunkte klinischer Studien und wie Big Data sie lindern kann:

Verbessertes, gezieltes Recruiting

Das Scheitern von Studien wird häufig dadurch verursacht, dass nicht genügend geeignete Patienten rekrutiert werden können. Phase-III-Studien werden an über 100 Standorten in zehn oder mehr Ländern durchgeführt. Und da Medikamente heute oft für Nischenpopulationen entwickelt werden, konkurrieren Unternehmen darum, dieselben Patienten zu rekrutieren. Infolgedessen erreichen 37 % der klinischen Studien ihre Rekrutierungsziele nicht und 11 % der Zentren gelingt es nicht, einen einzigen Patienten zu rekrutieren. Nach Angaben des National Cancer Institute nehmen nur 5 % der Krebspatienten an klinischen Studien teil. Die traditionelle Methode zur Rekrutierung geeigneter Patienten ist die manuelle Überprüfung der Patientenlisten der Ärzte – aber sie ist teuer und langsam.

Hier können elektronische Krankenhauspatientendaten und Big Data Abhilfe schaffen. Mit Analytics und Data Scientists können Patienten auf der Grundlage von anderen Quellen als den Besuchern von Ärzten, wie z. B. sozialen Medien, eingeschrieben werden. Die Kriterien für die Patientenauswahl können jetzt Faktoren wie genetische Informationen, Krankheitsstatus und individuelle Merkmale umfassen, wodurch Studien kleiner, kürzer und kostengünstiger werden können. „Es ist wie mit einem Fischfinder zu fischen“, sagte John Potthoff, Chief Executive Officer bei Elligo Health Research. „Man kann wirklich sehen, wo Patienten sind und wo man sie bekommt. Wenn Sie sich einen größeren Pool ansehen, können Sie gezielter Patienten finden, die die Ein- und Ausschlusskriterien am besten erfüllen.“ Ellen Kelso, Executive Director bei Chesapeake IRB, einem unabhängigen institutionellen Prüfgremium, das Pharmaunternehmen berät, schätzt, dass mehr als 60 % der Studien vorläufige Online-Analysen verwenden, um potenzielle Teilnehmer zu identifizieren.

Stärkeres und effizienteres Studienmanagement

Automatisierung und Big Data ermöglichen die Überwachung von Studien in Echtzeit. Sie können Sicherheits- oder Betriebssignale identifizieren und dabei helfen, kostspielige Probleme wie unerwünschte Ereignisse und Verzögerungen zu vermeiden. Laut einem aktuellen McKinsey-Bericht umfassen die potenziellen Effizienzgewinne bei klinischen Studien:

• Die dynamische Schätzung der Stichprobengröße und andere Protokolländerungen könnten eine schnelle Reaktion auf neue Erkenntnisse aus den klinischen Daten ermöglichen. Sie ermöglichen auch kleinere Versuche mit gleicher Leistung oder kürzere Versuchszeiten, was zu Effizienzgewinnen führt.
• Die Anpassung an Unterschiede in den Rekrutierungsraten von Patienten vor Ort würde es einem Unternehmen ermöglichen, rückständige Sites anzugehen, bei Bedarf neue Sites online zu bringen und die Rekrutierung von erfolgreichen Sites zu erhöhen.
• Die Verwendung elektronischer Patientenakten als primäre Quelle für Daten klinischer Studien anstelle eines separaten Systems könnte Studien beschleunigen und Fehler bei der manuellen Dateneingabe reduzieren.
• Die Fernüberwachung von Standorten der nächsten Generation, die durch Echtzeit-Datenzugriff ermöglicht wird, könnte das Management und die Reaktion auf Probleme verbessern, die in Studien auftreten.

Ergänzung klinischer Studiendaten mit Daten aus der realen Welt

Die Branche hat eine Explosion an verfügbaren Daten erlebt, die über das hinausgeht, was in traditionellen, streng kontrollierten Umgebungen für klinische Studien gesammelt wird. Während in der Vergangenheit anonymisierte elektronische Patientenaktendaten (EHR) analysiert wurden, war dies in der Regel auf eine einzelne Forschungseinrichtung oder ein Anbieternetzwerk beschränkt. Allerdings ist es nun möglich, verschiedene Datenquellen zu verknüpfen, wodurch komplexe Forschungsfragen beantwortet werden können.

Beispielsweise kann uns die Analyse von EHR-Patientendaten, die während Arzt- oder Krankenhausbesuchen in Echtzeit erfasst werden, dabei helfen, Behandlungsmuster und klinische Ergebnisse in der realen Welt besser zu verstehen. Diese Erkenntnisse ergänzen die aus klinischen Studien gewonnenen und können ein breiteres Spektrum von Patienten bewerten, die typischerweise von Studien ausgeschlossen werden (z. B. ältere, gebrechliche oder immobile Patienten usw.). Der Pharmariese Genentech hat stark in diesen Ansatz investiert und Datenbanken von Patienten aus der realen Welt analysiert, um die Ergebnisse verschiedener Patientensubtypen, Behandlungsschemata und die Auswirkungen verschiedener Behandlungsmuster auf die klinischen Ergebnisse in der realen Welt zu verstehen.

Erkennung von unerwünschten Arzneimittelwirkungen

Schädliche Reaktionen, die durch Medikamente verursacht werden, werden als unerwünschte Arzneimittelwirkungen (UAWs) bezeichnet. Da klinische Studien reale Bedingungen nicht vollständig nachahmen, können die Auswirkungen eines Medikaments vor der Markteinführung nicht vollständig abgeschätzt werden. Und UAW-Meldesysteme stützen sich auf spontane behördliche Berichte, die Anwälte, Ärzte und Apotheker durchlaufen haben, bei denen Informationen verloren gehen oder falsch interpretiert werden können. Daher sind die Erkennung und Meldung von UAW oft unvollständig oder verspätet. Es wird geschätzt, dass bis zu 90 % der Nebenwirkungen von Arzneimitteln nicht gemeldet werden.

Viele Drogenkonsumenten nutzen stattdessen soziale Medien wie Twitter, Facebook und öffentliche medizinische Foren wie Medications.com und DailyStrength.com, um Beschwerden zu äußern oder Nebenwirkungen zu melden. Viele Benutzer verwenden sogar Hashtags für Aufsichtsbehörden (z. B. #FDA), Hersteller (#Pfizer, #GSK) und bestimmte Produkte (#accutaneprobz). Das Durchsuchen dieser Websites nach von Patienten bereitgestellten UAW kann sich als genauer erweisen als die von Medizinern diagnostizierten. Laut David Lewis, Head of Global Safety bei Novartis, „gibt uns das Auswerten von Daten aus sozialen Medien eine größere Chance, UAWs zu erfassen, über die sich ein Patient nicht unbedingt bei seinem Arzt oder seiner Krankenschwester beschweren würde … ein Psychiater kann Suizidgedanken nicht als solche ansehen eine UAW, während ein Patient sie perfekt beschreiben kann.“ Eine Sentimentanalyse, die im Text geäußerte Meinungen rechnerisch identifiziert und kategorisiert, kann ebenfalls durchgeführt werden.

Epidemico, eine Tochtergesellschaft von Booz Allen Hamilton, verwendet Algorithmen für die Verarbeitung natürlicher Sprache und maschinelles Lernen, um in Social-Media-Posts nach UAWs für rund 1.400 Medikamente zu suchen. Eine Studie aus dem Jahr 2014, die gemeinsam von der FDA und Epidemico gestartet wurde, untersuchte 6,9 ​​Millionen Twitter-Posts und fand 4.401 Tweets, die einer ADR ähnelten. Im Vergleich zu den Daten der FDA fand die Studie eine hohe Beziehung zwischen informellen Social-Media-Berichten und denen, die in klinischen Studien gemeldet wurden (siehe Grafik unten).

Empfehlungen für Pharmaunternehmen, die diese Funktionen implementieren möchten

Trotz der Vorteile zögern viele Pharmaunternehmen, in Big-Data-Analysefunktionen zu investieren. Nachfolgend einige Empfehlungen für eine erfolgreiche Umsetzung:

• Technologie und Analytik. Pharmaunternehmen, die Legacy-Systeme verwenden, sollten die Möglichkeiten zum Datenaustausch erhöhen, indem sie diese Systeme verbinden. Darüber hinaus sollte die pharmazeutische Forschung und Entwicklung modernste Tools wie Biosensoren und Gesundheitsmessgeräte in Smartphones nutzen. Daten von intelligenten Geräten und die Fernüberwachung von Patienten durch Sensoren und Geräte könnten die Forschung und Entwicklung erleichtern, die Wirksamkeit analysieren und zukünftige Verkäufe steigern. Beispielsweise ist Google eine Partnerschaft mit Novartis eingegangen, um eine intelligente Kontaktlinse zu entwickeln, die den Glukosespiegel von Diabetikern überwacht, während Roche und Qualcomm ihre Kräfte bündeln, um Antikoagulationsmonitore zu verbessern, die vor Blutgerinnseln schützen, um Patienteninformationen drahtlos zu übertragen.

• Konzentrieren Sie sich auf reale Beweise. Reale Ergebnisse werden immer wichtiger, da die Kostenträger eine wertbasierte Preisgestaltung verwenden. Unternehmen können sich differenzieren, indem sie Medikamente mit greifbaren Ergebnissen in der realen Welt verfolgen, z. B. solche, die auf Nischenpatientenpopulationen abzielen. Um ihre Daten über klinische Studien hinaus zu erweitern, können sie sogar proprietären Datennetzwerken beitreten.

• Intern und extern zusammenarbeiten. Pharmazeutische Forschung und Entwicklung war in der Vergangenheit ein Geheimnis, aber sowohl die interne als auch die externe Zusammenarbeit werden der Schlüssel zum Erfolg mit Big Data sein. Die Verbesserung der internen Zusammenarbeit erfordert eine optimierte Kommunikation zwischen Forschung, klinischer Entwicklung und medizinischen Angelegenheiten. Dies kann zu Erkenntnissen über das gesamte Portfolio führen, einschließlich klinischer Identifizierung und potenzieller Möglichkeiten in der personalisierten Medizin. Externe Zusammenarbeit ist ebenfalls wichtig: Akademische Forscher können Einblicke in die neuesten wissenschaftlichen Durchbrüche geben, Initiativen, die mit anderen Pharmaunternehmen angeführt werden, können einen größeren, leistungsfähigeren Datenpool schaffen, der für Entdeckungen genutzt werden kann, und Auftragsforschungsorganisationen (CROs) können helfen, interne Bemühungen zu skalieren oder stellen Sie spezifisches Fachwissen zur Verfügung.

• Organisation. Um Datensilos zu vermeiden und die gemeinsame Nutzung von Daten zu erleichtern, ist es am besten, Eigentümer verschiedenen Datentypen zuzuweisen, deren Reichweite sich über Funktionen erstreckt. Das vom Dateneigentümer erworbene Fachwissen ist von unschätzbarem Wert, wenn es darum geht, Möglichkeiten zur Nutzung vorhandener Informationen oder zur Integration zusätzlicher Daten zu entwickeln. Es würde auch die Rechenschaftspflicht für die Datenqualität verbessern. Diese Veränderungen sind jedoch nur möglich, wenn die Unternehmensführung den Wert von Big Data wirklich unterstützt.

Abschiedsgedanken

Heute ist klar, dass Life Sciences, Informatik und Data Science zusammenwachsen. Obwohl zweifellos technische und kulturelle Herausforderungen bevorstehen, ist fortschrittliche Datenanalyse ein Hebel, an dem Pharmaunternehmen ziehen können, um ungünstige F&E-Ökonomien zu bekämpfen. Aber das Versprechen von Big Data wird natürlich auch bleiben, wenn Unternehmen keine strategischen Schritte bei der Umsetzung unternehmen.

Laut Glen de Vries vom SaaS-Unternehmen Medidata kann Big Data „das F&E-Unwohlsein der Biowissenschaften heilen“. Während der von der Financial Times veranstalteten Global Pharmaceuticals and Biotechnology Conference verglich er Big Data mit der Entdeckung des Rosetta-Steins, der es Wissenschaftlern ermöglichte, Hieroglyphen zu entziffern und die altägyptische Geschichte zu entschlüsseln. Wenn Datensätze innerhalb des Gesundheitssystems kombiniert werden können, einschließlich Informationen aus der Genomik/Proteomik, von Ärzten aufgezeichnete klinische Daten und mobile Gesundheit, wird die medizinische Forschung eine Revolution erleben.