Big Data: prescripción para la difícil situación de I+D farmacéutica

Los números demuestran que 2016 no fue un gran año para la industria farmacéutica estadounidense. A principios de diciembre, la Administración de Alimentos y Medicamentos (FDA) había aprobado solo 19 nuevos medicamentos, menos de la mitad de los aprobados en 2015 y el nivel más bajo desde 2007. Entre los jugadores más importantes, el retorno de la inversión en investigación y desarrollo (I+D) cayó al 3,7%.

A pesar de estas estadísticas desalentadoras, la industria farmacéutica sigue siendo parte integral del ecosistema de atención médica más amplio. Pero la industria se enfrenta a una presión cada vez mayor para mejorar la productividad y minimizar el tiempo de desarrollo. Los rendimientos de la I+D sirven como una métrica de rendimiento importante para los inversores, así como un punto de partida para el diálogo entre la industria, los pagadores y los grupos de evaluación de tecnologías sanitarias, que determinan colectivamente el valor de los medicamentos innovadores. Los actores de la industria pueden seguir diferentes estrategias, incluidas asociaciones científicas, inversiones en mercados emergentes y diversificación de carteras de productos, para contrarrestar los problemas de productividad. Sin embargo, como sugiere este artículo, otra solución incluye el análisis de datos, que puede mejorar y acelerar el desarrollo de fármacos.

Este artículo examina el estado actual del desarrollo de fármacos y cómo el big data puede mejorar sus diferentes componentes: descubrimiento de fármacos, diseño de ensayos clínicos y detección de reacciones adversas a fármacos. Luego concluirá con recomendaciones para las empresas que buscan integrar este tipo de soluciones.

Reducción del ROI para la I+D farmacéutica

Como se mencionó anteriormente, pocos candidatos a fármacos finalmente obtienen aprobación comercial, y mucho menos éxitos comerciales. Solo cinco de cada 5000, o el 0,1%, de los medicamentos que comienzan las pruebas preclínicas llegan a probarse en humanos, y solo uno se aprueba para uso humano.

Según un informe de McKinsey de 2012, las tasas de éxito acumuladas se redujeron en un 50 % a medida que se duplicaron la cantidad de programas de desarrollo de fármacos y el costo por programa. También se cree ampliamente que los lanzamientos únicos muestran mejoras transitorias en el ROI, eclipsando problemas más profundos como el aumento de los costos de prueba y los mercados saturados. Muchas compañías farmacéuticas han creado un importante valor para los accionistas en 25 años, aunque sus resultados en la década siguiente son más modestos (ver más abajo).

Pocos cuestionarían que el proceso de desarrollo de fármacos es largo y arduo. Después de todo, llevar un fármaco al mercado puede llevar más de 10 años y 2600 millones de dólares. Comienza cuando los investigadores intentan comprender el proceso detrás de una enfermedad a nivel celular o molecular. A través de una mejor comprensión de los procesos y vías de la enfermedad, se identifican los "objetivos" potenciales para nuevos tratamientos. Si las pruebas preclínicas demuestran seguridad y eficacia, un candidato pasa a fases sucesivas de prueba, revisión y autorización.

En cada paso, las decisiones de avanzar o detener ciertos compuestos se toman con base en datos experimentales e históricos. Es crucial “fallar rápido” o terminar un desarrollo posterior basado en un desempeño insatisfactorio. Esto se debe a que los costos aumentan en cada etapa sucesiva de la tubería, y especialmente cuando comienzan las pruebas en humanos. Para combatir estas dificultades, las empresas farmacéuticas pueden emplear el análisis de datos.

Aplicaciones de análisis de datos para empresas farmacéuticas

El análisis de big data implica la recopilación, manipulación y análisis de conjuntos de datos masivos y diversos. Es prometedor para las compañías farmacéuticas de varias maneras: 1) El modelado predictivo puede descubrir objetivos para la cartera de medicamentos. 2) Las herramientas estadísticas pueden mejorar el reclutamiento de pacientes y mejorar el seguimiento. 3) La extracción de datos de foros públicos y sitios de redes sociales puede identificar reacciones adversas a medicamentos que no se informaron formalmente. Profundicemos en cada caso de uso.

Modelado predictivo en el descubrimiento de fármacos

Si fuera una empresa de marketing que busca optimizar las conversiones, invertiría recursos en su mercado objetivo en lugar de en toda la población. Es similar en el descubrimiento de fármacos: las compañías farmacéuticas tienen como objetivo invertir en compuestos que probablemente tengan éxito en los ensayos clínicos y en el mercado para que puedan recuperar las inversiones iniciales en I+D.

En el pasado, los investigadores usaban compuestos naturales de plantas o animales como base para los fármacos candidatos. Históricamente, el desarrollo de fármacos ha sido un proceso iterativo que utilizaba laboratorios de detección de alto rendimiento (HTS) para probar físicamente miles de compuestos al día, con una tasa de éxito esperada del 1 % o menos. Pero ahora los científicos están creando nuevas moléculas con computadoras. El modelado predictivo, tanto sofisticado como básico, puede ayudar a predecir la interacción, la inhibición y la toxicidad del fármaco candidato. Un método generalizado es el modelado farmacocinético, que utiliza simulaciones y modelos matemáticos avanzados para predecir cómo actuará el compuesto en el cuerpo. Incluso sin la información disponible sobre la estructura de la proteína, la detección de bibliotecas de compuestos virtuales permite a los investigadores considerar hasta 10,000 compuestos y reducirlos a 10 o 20.

Estas capacidades no necesariamente tienen que ser construidas internamente. Recientemente, IBM Watson Health y Pfizer se asociaron para ayudar a los investigadores a descubrir nuevos objetivos farmacológicos. Mientras que el investigador promedio lee entre 250 y 300 artículos en un año, Watson ha procesado 25 millones de resúmenes de Medline, más de un millón de artículos de revistas médicas de texto completo y cuatro millones de patentes. Watson incluso se puede aumentar con los datos privados de una organización para revelar patrones ocultos.

Un enfoque más simple incluye la aplicación de datos históricos de estudios preclínicos, ensayos clínicos y vigilancia posterior a la comercialización. Los datos se pueden utilizar para predecir el resultado final (aprobación de la FDA/resultados del paciente) en función de varias variables independientes.

Los procesos hambrientos de datos conducen a una mayor colaboración

Los muros de pago y las patentes han ralentizado durante mucho tiempo el flujo de información en la industria hipercompetitiva. Entonces, una tendencia interesante es la creciente colaboración entre las partes de la industria. Por ejemplo, el Consorcio de Genómica Estructural sin fines de lucro se asocia con nueve laboratorios y compañías farmacéuticas, que se comprometieron a compartir sus listas de deseos de medicamentos, resultados en revistas de acceso abierto y muestras experimentales para acelerar el descubrimiento.

De manera similar, la startup británica MedChemica está en el centro de una colaboración diseñada para acelerar el desarrollo utilizando la minería de datos mientras se mantiene la propiedad intelectual de cada socio. La tecnología de MedChemica extrae las bases de datos de moléculas de los socios para encontrar pares muy parecidos, realiza un análisis entre los dos y el resultado se usa para crear reglas que se pueden aplicar a moléculas virtuales para predecir los impactos de cambios estructurales similares. Todos los socios del consorcio pueden sugerir dónde se necesitan datos adicionales e incluso pueden acordar compartir los costos en pruebas adicionales.

Mejor diseño de ensayos clínicos

Los ensayos clínicos son estudios de investigación que prueban si un tratamiento es seguro y eficaz para los seres humanos. Hay tres fases antes de que un medicamento pase a la revisión de la FDA. Cada fase subsiguiente involucra a más individuos, aumentando de decenas en la Fase I a miles en la Fase III. El proceso suele tardar entre seis y siete años en completarse. Los retrasos en el lanzamiento al mercado pueden ascender a $15 millones por día en costos de oportunidad para un fármaco de gran éxito. Aquí hay algunos puntos débiles de los ensayos clínicos y cómo los grandes datos pueden aliviarlos:

Reclutamiento mejorado y dirigido

El fracaso del ensayo a menudo se debe a la incapacidad de reclutar suficientes pacientes elegibles. Los ensayos de fase III se llevan a cabo en más de 100 sitios en diez o más países. Y, debido a que ahora los medicamentos a menudo se diseñan para poblaciones específicas, las empresas compiten para reclutar a los mismos pacientes. Como resultado, el 37 % de los ensayos clínicos no logran alcanzar sus objetivos de reclutamiento y el 11 % de los sitios no logran reclutar a un solo paciente. Según el Instituto Nacional del Cáncer, solo el 5% de los pacientes con cáncer se unen a los ensayos clínicos. El método tradicional de reclutamiento de pacientes elegibles es la revisión manual de las listas de pacientes de los médicos, pero es costoso y lento.

Aquí es donde los datos hospitalarios electrónicos de pacientes y el big data pueden ayudar. Con análisis y científicos de datos, los pacientes pueden inscribirse en función de fuentes distintas a los visitantes de los médicos, como las redes sociales. Los criterios para la selección de pacientes ahora pueden incluir factores como información genética, estado de la enfermedad y características individuales, lo que permite que los ensayos sean más pequeños, más cortos y menos costosos. “Es como pescar con un buscador de peces”, dijo John Potthoff, director ejecutivo de Elligo Health Research. “Realmente se puede ver dónde están los pacientes y dónde ir para conseguirlos. Cuando está buscando un grupo más grande, puede enfocarse más en encontrar pacientes que cumplan mejor con los criterios de inclusión y exclusión”. Ellen Kelso, directora ejecutiva de Chesapeake IRB, una junta de revisión institucional independiente que consulta a las compañías farmacéuticas, estima que más del 60 % de los ensayos usan análisis preliminares en línea para identificar a los posibles participantes.

Gestión de ensayos más sólida y eficiente

La automatización y el big data permiten monitorear los ensayos en tiempo real. Pueden identificar señales operativas o de seguridad, lo que ayuda a evitar problemas costosos, como eventos adversos y retrasos. Según un informe reciente de McKinsey, las posibles mejoras en la eficiencia de los ensayos clínicos incluyen:

• La estimación dinámica del tamaño de la muestra y otros cambios en el protocolo podrían permitir respuestas rápidas a los conocimientos emergentes de los datos clínicos. También permiten pruebas más pequeñas de potencia equivalente o tiempos de prueba más cortos, lo que conduce a ganancias de eficiencia.
• Adaptarse a las diferencias en las tasas de reclutamiento de pacientes del sitio permitiría a una empresa abordar los sitios rezagados, poner nuevos sitios en línea si es necesario y aumentar el reclutamiento de sitios exitosos.
• El uso de registros médicos electrónicos como fuente principal de datos de ensayos clínicos en lugar de tener un sistema separado podría acelerar los ensayos y reducir los errores de entrada manual de datos.
• El monitoreo remoto de próxima generación de sitios habilitado por el acceso a datos en tiempo real podría mejorar la gestión y las respuestas a los problemas que surgen en los ensayos.

Complementación de datos de ensayos clínicos con datos del mundo real

La industria ha experimentado una explosión en los datos disponibles más allá de lo que se recopila en entornos de ensayos clínicos tradicionales y estrictamente controlados. Si bien en el pasado se analizaron datos anónimos de registros de salud electrónicos (EHR, por sus siglas en inglés), generalmente se limitan a una sola institución de investigación o red de proveedores. Sin embargo, ahora es posible vincular diferentes fuentes de datos, lo que permite abordar preguntas de investigación complejas.

Por ejemplo, el análisis de los datos de pacientes de EHR recopilados en tiempo real durante las visitas al médico o al hospital puede ayudarnos a comprender mejor los patrones de tratamiento y los resultados clínicos en el mundo real. Estos conocimientos complementan los obtenidos de los ensayos clínicos y pueden evaluar un espectro más amplio de pacientes que normalmente se excluyen de los ensayos (p. ej., pacientes ancianos, frágiles o inmóviles, etc.). El gigante farmacéutico Genentech ha invertido mucho en este enfoque, analizando bases de datos de pacientes del mundo real para comprender los resultados de diferentes subtipos de pacientes, regímenes de tratamiento y cómo los diferentes patrones de tratamiento afectan los resultados clínicos en el mundo real.

Detección de reacciones adversas a medicamentos

Las reacciones nocivas causadas por medicamentos se conocen como reacciones adversas a medicamentos (RAM). Debido a que los ensayos clínicos no imitan completamente las condiciones del mundo real, las consecuencias de un fármaco no pueden evaluarse por completo antes del lanzamiento al mercado. Y, los sistemas de notificación de ADR se basan en informes normativos espontáneos que han pasado a través de abogados, médicos y farmacéuticos, donde la información puede perderse o malinterpretarse. Por lo tanto, la detección y notificación de RAM a menudo son incompletas o inoportunas. Se estima que hasta el 90% de los efectos secundarios de los medicamentos no se notifican.

En cambio, muchos usuarios de drogas recurren a las redes sociales como Twitter, Facebook y foros médicos públicos, incluidos Medications.com y DailyStrength.com, para expresar sus quejas o informar sobre los efectos secundarios. Muchos usuarios incluso incluyen hashtags para agencias reguladoras (p. ej., #FDA), fabricantes (#Pfizer, #GSK) y productos específicos (#accutaneprobz). La extracción de estos sitios para las ADR proporcionadas por los pacientes puede resultar más precisa que las diagnosticadas por profesionales médicos. Según David Lewis, jefe de seguridad global de Novartis, "la extracción de datos de las redes sociales nos brinda una mayor posibilidad de capturar RAM de las que un paciente no necesariamente se quejaría con su médico o enfermera... un psiquiatra no puede ver la ideación suicida como una ADR mientras que un paciente puede describirla perfectamente.” También se puede realizar el análisis de opinión, que identifica y clasifica computacionalmente las opiniones expresadas en el texto.

Epidemico, una subsidiaria de Booz Allen Hamilton, utiliza procesamiento de lenguaje natural y algoritmos de aprendizaje automático para buscar RAM en las publicaciones de las redes sociales para unos 1400 medicamentos. Un estudio de 2014, lanzado conjuntamente por la FDA y Epidemico, examinó 6,9 millones de publicaciones de Twitter y encontró 4401 tuits que se asemejaban a una ADR. Cuando se comparó con los datos en poder de la FDA, el estudio encontró una alta relación entre los informes informales de las redes sociales y los informados en los ensayos clínicos (consulte el gráfico a continuación).

Recomendaciones para las empresas farmacéuticas que buscan implementar estas funciones

A pesar de sus beneficios, muchas compañías farmacéuticas desconfían de invertir en capacidades analíticas de big data. A continuación se presentan algunas recomendaciones para el éxito en la implementación:

• Tecnología y analítica. Las empresas farmacéuticas que utilizan sistemas heredados deberían aumentar la capacidad de compartir datos conectando estos sistemas. Además, la I+D farmacéutica debería aprovechar las herramientas de vanguardia, como los biosensores y los dispositivos de medición de la salud en los teléfonos inteligentes. Los datos de dispositivos inteligentes y la monitorización remota de pacientes a través de sensores y dispositivos podrían facilitar la I+D, analizar la eficacia y mejorar las ventas futuras. Por ejemplo, Google se asoció con Novartis para desarrollar una lente de contacto inteligente que monitorea los niveles de glucosa de los diabéticos, mientras que Roche y Qualcomm están uniendo fuerzas para mejorar los monitores anticoagulantes, que protegen contra los coágulos de sangre, para transmitir información del paciente de forma inalámbrica.

• Centrarse en la evidencia del mundo real. Los resultados del mundo real son cada vez más importantes a medida que los pagadores utilizan precios basados ​​en el valor. Las empresas pueden diferenciarse mediante la búsqueda de medicamentos con resultados tangibles en el mundo real, como los dirigidos a poblaciones de pacientes de nicho. Para ampliar sus datos más allá de los ensayos clínicos, incluso pueden unirse a redes de datos patentadas.

• Colabora interna y externamente. Históricamente, la I+D farmacéutica se ha ocultado en secreto, pero tanto la colaboración interna como la externa serán clave para el éxito con big data. Mejorar la colaboración interna requiere una comunicación optimizada entre el descubrimiento, el desarrollo clínico y los asuntos médicos. Esto puede generar conocimientos en toda la cartera, incluida la identificación clínica y oportunidades potenciales en medicina personalizada. La colaboración externa también es importante: los investigadores académicos pueden proporcionar información sobre los últimos avances científicos, las iniciativas encabezadas con otras compañías farmacéuticas pueden crear un conjunto de datos más grande y poderoso para aprovechar el descubrimiento, y las organizaciones de investigación por contrato (CRO) pueden ayudar a escalar un esfuerzo interno. o proporcionar experiencia específica.

• Organización. Para evitar silos de datos y facilitar el intercambio de datos, es mejor asignar propietarios a diferentes tipos de datos, con su alcance extendiéndose a través de funciones. La experiencia adquirida por el propietario de los datos será invaluable al desarrollar formas de utilizar la información existente o integrar datos adicionales. También mejoraría la responsabilidad por la calidad de los datos. Sin embargo, estos cambios solo son posibles si el liderazgo de la empresa respalda genuinamente el valor de los grandes datos.

pensamientos de despedida

Hoy, está claro que las ciencias de la vida, la informática y la ciencia de datos están convergiendo. Si bien es indudable que se avecinan desafíos técnicos y culturales, el análisis avanzado de datos es una palanca que las empresas farmacéuticas pueden utilizar para combatir la economía de I+D desfavorable. Por supuesto, sin embargo, la promesa de big data seguirá siendo solo eso si las organizaciones no toman medidas estratégicas en la implementación.

Según Glen de Vries de la empresa SaaS Medidata, el big data “puede curar el malestar de I+D de las ciencias de la vida”. Durante la Conferencia Global de Productos Farmacéuticos y Biotecnología organizada por The Financial Times, comparó los grandes datos con el descubrimiento de la Piedra de Rosetta, que permitió a los académicos descifrar jeroglíficos y descubrir la historia del Antiguo Egipto. De manera similar, si los conjuntos de datos se pueden combinar dentro del sistema de atención médica, incluida la información proveniente de la genómica/proteómica, los datos registrados en las clínicas por los médicos y la salud móvil, la investigación médica experimentará una revolución.