ビッグデータ：製薬R＆D窮状の処方箋

公開: 2022-03-11

数字は、2016年が米国の製薬業界にとって素晴らしい年ではなかったことを示しています。 12月初旬の時点で、食品医薬品局（FDA）によって承認された新薬は19のみで、2015年に承認されたものの半分未満であり、2007年以来の最低レベルです。最大のプレーヤーの中で、研究開発への投資収益率（R＆D）は3.7％に低下しました。

これらの落胆的な統計にもかかわらず、製薬業界はより広いヘルスケアエコシステムに不可欠なままです。しかし、業界は生産性を向上させ、開発時間を最小限に抑えるという圧力の高まりに直面しています。研究開発の収益は、投資家にとって重要なパフォーマンス指標であると同時に、革新的な医薬品の価値を集合的に決定する業界、支払者、および医療技術評価グループ間の対話の出発点として機能します。業界のプレーヤーは、生産性の問題に対処するために、科学的パートナーシップ、新興市場への投資、製品ポートフォリオの多様化など、さまざまな戦略を追求できます。ただし、この記事が示唆しているように、別のソリューションには、医薬品開発を強化および加速できるデータ分析が含まれています。

この記事では、医薬品開発の現状と、ビッグデータがそのさまざまな要素（創薬、臨床試験の設計、および副作用の検出）をどのように改善できるかを検証します。次に、これらのタイプのソリューションの統合を検討している企業向けの推奨事項で締めくくります。

医薬品の研究開発のROIを低下させる

前に述べたように、商業的な成功は言うまでもなく、最終的に商業的に承認される候補薬はほとんどありません。前臨床試験を開始する薬剤の5,000のうち5つ、つまり0.1％だけが人間の試験に合格し、人間の使用が承認されるのは1つだけです。

2012年のマッキンゼーのレポートによると、医薬品開発プログラムの数とプログラムあたりのコストが2倍になったため、累積成功率は50％低下しました。また、1回限りのローンチは、ROIの一時的な改善を示し、試用費用の増加や市場の混雑など、より深刻な問題を覆い隠していると広く信じられています。多くの製薬会社は、25年の株主価値を生み出してきましたが、その後の10年間の結果はより控えめです（以下を参照）。

チャート1：トップ10のバイオ医薬品プレーヤーの研究開発投資に対する経済的利益、およびチャート2：プレーヤーは市場をアウトパフォームする能力を失っています

医薬品開発プロセスが長く困難であることに異議を唱える人はほとんどいません。結局のところ、薬を市場に出すには10年以上と26億ドルかかる可能性があります。それは、研究者が細胞レベルまたは分子レベルで病気の背後にあるプロセスを理解しようとするときに始まります。病気のプロセスと経路をよりよく理解することで、新しい治療法の潜在的な「ターゲット」が特定されます。前臨床試験で安全性と有効性が実証された場合、候補者は試験、レビュー、承認の連続した段階に移行します。

すべてのステップで、特定の化合物を進めるか停止するかの決定は、実験データと履歴データに基づいて行われます。「迅速に失敗する」、または不十分なパフォーマンスに基づいてさらなる開発を終了することは非常に重要です。これは、パイプラインの連続するすべての段階で、特に人間による治験が開始されるときに、コストが増加するためです。これらの困難に対処するために、製薬会社はデータ分析を採用することができます。

製薬会社向けのデータ分析アプリケーション

ビッグデータ分析には、大規模で多様なデータセットの収集、操作、および分析が含まれます。それはいくつかの方法で製薬会社に約束を提供します：1）予測モデリングは薬剤パイプラインのターゲットを発掘することができます。 2）統計ツールは、患者の募集を改善し、モニタリングを強化することができます。 3）公開フォーラムやソーシャルメディアサイトのデータマイニングにより、正式に報告されていない副作用を特定できます。それぞれのユースケースを掘り下げてみましょう。

創薬における予測モデリング

コンバージョンの最適化を検討しているマーケティング会社の場合、人口全体ではなく、ターゲット市場にリソースを投資します。創薬においても同様です。製薬会社は、初期の研究開発投資を回収できるように、臨床試験や市場で成功する可能性のある化合物に投資することを目指しています。

過去には、研究者は候補薬の基礎として天然の植物または動物の化合物を使用していました。医薬品開発は、歴史的に、ハイスループットスクリーニング（HTS）ラボを使用して、1日あたり数千の化合物を物理的にテストする反復プロセスであり、予想されるヒット率は1％以下です。しかし現在、科学者たちはコンピューターを使って新しい分子を作成しています。高度なものと基本的なものの両方の予測モデリングは、候補となる薬物相互作用、阻害、および毒性を予測するのに役立ちます。広く普及している方法は、薬物動態モデリングです。これは、高度な数学的モデリングとシミュレーションを使用して、化合物が体内でどのように作用するかを予測します。利用可能なタンパク質構造情報がなくても、仮想化合物ライブラリのスクリーニングにより、研究者は10,000もの化合物を検討し、それを10または20に絞り込むことができます。

これらの機能は、必ずしも社内で構築する必要はありません。最近、IBM Watson HealthとPfizerは、研究者が新薬の標的を発見するのを支援するためのパートナーシップを築きました。平均的な研究者は1年に250〜300の記事を読みますが、ワトソンは2500万のMedline抄録、100万を超えるフルテキストの医学雑誌記事、および400万の特許を処理しました。 Watsonは、組織のプライベートデータで拡張して、隠れたパターンを明らかにすることもできます。

より単純なアプローチには、前臨床試験、臨床試験、および市販後調査からの履歴データの適用が含まれます。データは、さまざまな独立変数に基づいて最終結果（FDA承認/患者の結果）を予測するために使用できます。

データを大量に消費するプロセスは、コラボレーションの向上につながります

ペイウォールと特許は、競争の激しい業界で情報の流れを長い間遅らせてきました。したがって、興味深い傾向は、業界関係者間のコラボレーションの拡大です。たとえば、非営利のStructural Genomics Consortiumは、9つの製薬会社や研究所と提携しており、製薬会社や研究所は、医薬品の希望リストを共有し、オープンアクセスジャーナルや実験サンプルを作成して発見をスピードアップすることを約束しています。

同様に、英国のスタートアップMedChemicaは、各パートナーの知的財産を維持しながら、データマイニングを使用して開発を加速するように設計されたコラボレーションの中核です。 MedChemicaのテクノロジーは、パートナーの分子データベースをマイニングして、密接に一致するペアを見つけ、2つの間の分析を実行します。次に、出力を使用して、仮想分子に適用できるルールを作成し、同様の構造変化の影響を予測します。コンソーシアムのすべてのパートナーは、追加のデータが必要な場所を提案でき、さらにテストでコストを共有することに同意することもできます。

より良い臨床試験デザイン

臨床試験は、治療が人間にとって安全で効果的であるかどうかをテストする調査研究です。薬がFDAの審査に入る前に3つの段階があります。その後の各フェーズには、フェーズIの数十人からフェーズIIIの数千人に増加する、より多くの個人が関与します。このプロセスは通常、完了するまでに6〜7年かかります。市場投入の遅れは、大ヒット薬の機会費用で1日あたり1500万ドルに達する可能性があります。いくつかの臨床試験の問題点と、ビッグデータがそれらをどのように軽減できるかを次に示します。

強化されたターゲットを絞った採用

試験の失敗は、多くの場合、十分な適格な患者を募集できないことが原因で発生します。第III相試験は、10か国以上の100を超えるサイトで実施されています。また、現在、医薬品はニッチな集団向けに設計されていることが多いため、企業は同じ患者を募集するために競争しています。その結果、臨床試験の37％が採用目標を達成できず、サイトの11％が1人の患者を採用できませんでした。国立がん研究所によると、がん患者のわずか5％が臨床試験に参加しています。適格な患者を募集する従来の方法は、医師の患者リストを手動で確認することですが、費用がかかり、時間がかかります。

ここで、電子患者病院データとビッグデータが役立ちます。分析およびデータサイエンティストを使用すると、ソーシャルメディアなど、医師の訪問者以外のソースに基づいて患者を登録できます。患者選択の基準には、遺伝情報、病状、個人の特徴などの要素を含めることができるようになり、試験をより小さく、より短く、より安価にすることができます。「それは魚群探知機で釣りをするようなものです」とElligoHealthResearchの最高経営責任者であるJohnPotthoffは述べています。「あなたは本当に患者がどこにいるのか、そして彼らをどこに連れて行くのかを見ることができます。より大きなプールを検討している場合は、包含基準と除外基準を最もよく満たす患者を見つけることをより的確に行うことができます。」製薬会社に相談する独立した機関審査委員会であるChesapeakeIRBの常務取締役であるEllenKelsoは、試験の60％以上が潜在的な参加者を特定するために予備的なオンライン分析を使用していると推定しています。

より強力で効率的な試験管理

自動化とビッグデータにより、試験をリアルタイムで監視できます。安全信号または操作信号を識別できるため、有害事象や遅延などのコストのかかる問題を回避できます。最近のマッキンゼーのレポートによると、潜在的な臨床試験の効率の向上には次のものが含まれます。

動的なサンプルサイズの推定およびその他のプロトコルの変更により、臨床データからの新たな洞察への迅速な対応が可能になります。また、同等の電力またはより短い試行時間のより小さな試行を可能にし、効率の向上につながります。
サイトの患者募集率の違いに適応することで、企業は遅れているサイトに対処し、必要に応じて新しいサイトをオンラインにし、成功したサイトからの募集を増やすことができます。
個別のシステムを使用するのではなく、電子医療記録を臨床試験データの主要なソースとして使用すると、試験を加速し、手動のデータ入力エラーを減らすことができます。
リアルタイムのデータアクセスによって可能になるサイトの次世代リモートモニタリングは、試験で発生する問題への管理と対応を改善する可能性があります。

臨床試験データを実世界のデータで補足する

業界では、従来の厳密に管理された臨床試験環境から収集されたものを超えて、利用可能なデータが爆発的に増加しています。匿名化された電子健康記録（EHR）データは過去に分析されましたが、通常は単一の研究機関またはプロバイダーネットワークに限定されています。ただし、さまざまなデータソースをリンクできるようになり、複雑な研究の質問に対処できるようになりました。

たとえば、医師や病院の訪問中にリアルタイムで収集されたEHR患者データの分析は、現実の世界での治療パターンと臨床転帰をよりよく理解するのに役立ちます。これらの洞察は、臨床試験から得られた洞察を補完し、通常は試験から除外されるより広い範囲の患者（たとえば、高齢者、虚弱、または動けない患者など）を評価することができます。製薬大手のジェネンテックは、このアプローチに多額の投資を行い、実際の患者のデータベースを分析して、さまざまな患者サブタイプの結果、治療計画、およびさまざまな治療パターンが現実世界の臨床結果にどのように影響するかを理解しています。

副作用の検出

薬によって引き起こされる有害な反応は、副作用（ADR）として知られています。臨床試験は実際の状況を完全に模倣していないため、市場投入前に薬剤の結果を完全に評価することはできません。また、ADRレポートシステムは、情報が失われたり誤解されたりする可能性のある、弁護士、臨床医、薬剤師を通過した自発的な規制レポートに依存しています。したがって、ADRの検出とレポートは、不完全またはタイムリーでないことがよくあります。薬の副作用の最大90％は報告されていないと推定されています。

代わりに、多くの麻薬使用者は、Twitter、Facebook、Medications.comやDailyStrength.comなどの公的医療フォーラムなどのソーシャルメディアを利用して、苦情を表明したり、副作用を報告したりしています。多くのユーザーには、規制当局（#FDAなど）、メーカー（＃Pfizer、＃GSK）、および特定の製品（#accutaneprobz）のハッシュタグも含まれています。患者提供のADRのためにこれらのサイトをマイニングすると、医療専門家によって診断されたサイトよりも正確であることがわかります。 Novartisのグローバルセーフティ責任者であるDavidLewis氏は、次のように述べています。患者がそれを完全に説明できる間、ADR。」テキストで表現された意見を計算で識別して分類する感情分析も実行できます。

ブーズアレンハミルトンの子会社であるEpidemicoは、自然言語処理と機械学習アルゴリズムを使用して、ソーシャルメディアの投稿から約1,400の薬のADRを検索します。 FDAとEpidemicoが共同で開始した2014年の調査では、690万件のTwitter投稿を調査し、ADRに類似した4,401件のツイートを発見しました。 FDAが保持しているデータと比較した場合、この調査では、非公式のソーシャルメディアレポートと臨床試験で報告されたレポートとの間に高い関係があることがわかりました（下のグラフを参照）。

これらの機能の実装を検討している製薬会社への推奨事項

その利点にもかかわらず、多くの製薬会社はビッグデータ分析機能への投資に慎重です。以下は、実装を成功させるためのいくつかの推奨事項です。

テクノロジーと分析。レガシーシステムを利用している製薬会社は、これらのシステムを接続することによってデータを共有する能力を高める必要があります。さらに、製薬の研究開発では、スマートフォンのバイオセンサーや健康測定デバイスなどの最先端のツールを活用する必要があります。スマートデバイスからのデータとセンサーやデバイスを介した患者のリモートモニタリングは、研究開発を促進し、有効性を分析し、将来の売上を伸ばす可能性があります。たとえば、Googleはノバルティスと提携して糖尿病患者の血糖値を監視するスマートコンタクトレンズを開発し、ロシュとクアルコムは血餅を防ぐ凝固防止モニターを高めて患者情報をワイヤレスで送信することに力を注いでいます。
実世界の証拠に焦点を合わせます。支払者が価値ベースの価格設定を利用するにつれて、実際の結果はますます重要になっています。企業は、ニッチな患者集団を対象としたものなど、具体的な現実世界の結果をもたらす薬を追求することで差別化を図ることができます。臨床試験を超えてデータを拡張するために、独自のデータネットワークに参加することもできます。
内部および外部でコラボレーションします。製薬の研究開発は歴史的に秘密裏に隠されてきましたが、ビッグデータで成功するには、社内外のコラボレーションが鍵となります。内部コラボレーションを改善するには、発見、臨床開発、および医療業務の間の合理化されたコミュニケーションが必要です。これは、個別化医療における臨床的識別や潜在的な機会など、ポートフォリオ全体の洞察につながる可能性があります。外部とのコラボレーションも重要です。学術研究者は最新の科学的進歩への洞察を提供でき、他の製薬会社が主導するイニシアチブは発見に活用するためのより大きく、より強力なデータプールを作成でき、委託研究機関（CRO）は内部の取り組みを拡大するのに役立ちますまたは特定の専門知識を提供します。
組織。データサイロを回避し、データの共有を容易にするために、所有者をさまざまなデータタイプに割り当て、その範囲を機能全体に拡張するのが最善です。データ所有者が得た専門知識は、既存の情報を使用する方法や追加のデータを統合する方法を開発する際に非常に貴重です。また、データ品質に対する説明責任も強化されます。ただし、これらの変更は、企業のリーダーシップがビッグデータの価値を真にサポートしている場合にのみ可能です。

別れの考え

今日、ライフサイエンス、コンピューターサイエンス、データサイエンスが融合していることは明らかです。技術的および文化的な課題は間違いなく先にありますが、高度なデータ分析は、製薬会社が不利な研究開発経済と戦うために利用できる手段です。もちろん、ビッグデータの可能性は、組織が実装において戦略的なステップを踏まなければ、そのまま残ります。

SaaS企業MedidataのGlendeVriesによると、ビッグデータは「ライフサイエンスのR＆Dの倦怠感を治すことができます」。フィナンシャルタイムズが主催したグローバルファーマシューティカルズアンドバイオテクノロジーカンファレンスで、彼はビッグデータをロゼッタストーンの発見と比較しました。これにより、学者は象形文字を解読し、古代エジプトの歴史を解き明かすことができました。同様に、ゲノミクス/プロテオミクスからの情報、医師によって記録された臨床データ、モバイルヘルスなどのデータセットを医療システム内で組み合わせることができれば、医学研究は革命を起こすでしょう。