Big Data : une prescription pour le problème de la R&D pharmaceutique

Les chiffres montrent que 2016 n'a pas été une grande année pour l'industrie pharmaceutique américaine. Début décembre, seuls 19 nouveaux médicaments avaient été approuvés par la Food and Drug Administration (FDA), soit moins de la moitié de ceux approuvés en 2015 et le niveau le plus bas depuis 2007. Parmi les plus grands acteurs, le retour sur investissement pour la recherche et le développement (R&D) a chuté à 3,7 %.

Malgré ces statistiques décourageantes, l'industrie pharmaceutique fait toujours partie intégrante de l'écosystème des soins de santé au sens large. Mais l'industrie fait face à une pression croissante pour améliorer la productivité et minimiser le temps de développement. Les rendements de la R&D constituent une mesure de performance importante pour les investisseurs, ainsi qu'un point de départ pour le dialogue entre l'industrie, les payeurs et les groupes d'évaluation des technologies de la santé, qui déterminent collectivement la valeur des médicaments innovants. Les acteurs de l'industrie peuvent poursuivre différentes stratégies - notamment des partenariats scientifiques, des investissements dans les marchés émergents et la diversification des portefeuilles de produits - pour contrer les problèmes de productivité. Cependant, comme le suggère cet article, une autre solution comprend l'analyse de données, qui peut améliorer et accélérer le développement de médicaments.

Cet article examine l'état actuel du développement de médicaments et la manière dont les mégadonnées peuvent améliorer ses différentes composantes : découverte de médicaments, conception d'essais cliniques et détection des effets indésirables des médicaments. Il se terminera ensuite par des recommandations pour les entreprises souhaitant intégrer ce type de solutions.

Baisse du retour sur investissement de la R&D pharmaceutique

Comme mentionné précédemment, peu de médicaments candidats finissent par être approuvés commercialement, sans parler des succès commerciaux. Seuls cinq médicaments sur 5 000, soit 0,1 %, des médicaments qui commencent les tests précliniques parviennent aux tests sur l'homme, et un seul devient approuvé pour un usage humain.

Selon un rapport McKinsey de 2012, les taux de réussite cumulés ont chuté de 50 %, le nombre de programmes de développement de médicaments et le coût par programme ayant doublé. Il est également largement admis que les lancements ponctuels montrent des améliorations transitoires du retour sur investissement, éclipsant des problèmes plus profonds tels que les coûts d'essai croissants et les marchés encombrés. De nombreuses sociétés pharmaceutiques ont créé une valeur actionnariale significative sur 25 ans, bien que leurs résultats dans la décennie suivante soient plus modestes (voir ci-dessous).

Rares sont ceux qui contesteraient que le processus de développement de médicaments est long et ardu. Après tout, il faut parfois plus de 10 ans et 2,6 milliards de dollars pour mettre un médicament sur le marché. Cela commence lorsque les chercheurs tentent de comprendre le processus derrière une maladie au niveau cellulaire ou moléculaire. Grâce à une meilleure compréhension des processus et des voies pathologiques, des « cibles » potentielles pour de nouveaux traitements sont identifiées. Si les tests précliniques démontrent l'innocuité et l'efficacité, un candidat passe à des phases successives de test, d'examen et d'autorisation.

À chaque étape, les décisions d'avancer ou d'arrêter certains composés sont prises sur la base de données expérimentales et historiques. « Échouer rapidement », ou mettre fin au développement ultérieur sur la base de performances insatisfaisantes, est crucial. En effet, les coûts augmentent à chaque étape successive du pipeline, et en particulier lorsque les essais sur l'homme commencent. Pour lutter contre ces difficultés, les sociétés pharmaceutiques peuvent recourir à l'analyse de données.

Applications d'analyse de données pour les entreprises pharmaceutiques

L'analyse de mégadonnées implique la collecte, la manipulation et l'analyse d'ensembles de données massifs et divers. Il est prometteur pour les sociétés pharmaceutiques de plusieurs manières : 1) La modélisation prédictive peut révéler des cibles pour le pipeline de médicaments. 2) Les outils statistiques peuvent améliorer le recrutement des patients et améliorer le suivi. 3) L'exploration de données des forums publics et des sites de médias sociaux peut identifier les effets indésirables des médicaments qui ne sont pas officiellement signalés. Examinons chaque cas d'utilisation.

Modélisation prédictive dans la découverte de médicaments

Si vous étiez une entreprise de marketing cherchant à optimiser les conversions, vous investiriez des ressources dans votre marché cible plutôt que dans l'ensemble de la population. C'est la même chose dans la découverte de médicaments : les sociétés pharmaceutiques visent à investir dans des composés susceptibles de réussir dans les essais cliniques et sur le marché afin de pouvoir récupérer les investissements initiaux en R&D.

Dans le passé, les chercheurs utilisaient des composés végétaux ou animaux naturels comme base de médicaments candidats. Le développement de médicaments a toujours été un processus itératif utilisant des laboratoires de dépistage à haut débit (HTS) pour tester physiquement des milliers de composés par jour, avec un taux de succès attendu de 1 % ou moins. Mais maintenant, les scientifiques créent de nouvelles molécules avec des ordinateurs. La modélisation prédictive, à la fois sophistiquée et basique, peut aider à prédire l'interaction, l'inhibition et la toxicité des médicaments candidats. Une méthode répandue est la modélisation pharmacocinétique, qui utilise une modélisation et des simulations mathématiques avancées pour prédire comment le composé agira dans le corps. Même sans informations disponibles sur la structure des protéines, le criblage de bibliothèques de composés virtuelles permet aux chercheurs de considérer jusqu'à 10 000 composés et de les réduire à 10 ou 20.

Ces capacités ne doivent pas nécessairement être développées en interne. Récemment, IBM Watson Health et Pfizer ont forgé un partenariat pour aider les chercheurs à découvrir de nouvelles cibles médicamenteuses. Alors que le chercheur moyen lit 250 à 300 articles par an, Watson a traité 25 millions de résumés Medline, plus d'un million d'articles de revues médicales en texte intégral et quatre millions de brevets. Watson peut même être complété par les données privées d'une organisation pour révéler des modèles cachés.

Une approche plus simple comprend l'application de données historiques provenant d'études précliniques, d'essais cliniques et de la surveillance post-commercialisation. Les données peuvent être utilisées pour prédire le résultat final (approbation de la FDA/résultats pour les patients) en fonction de diverses variables indépendantes.

Les processus gourmands en données conduisent à une collaboration accrue

Les murs de paiement et les brevets ont longtemps ralenti le flux d'informations dans l'industrie hyperconcurrentielle. Une tendance intéressante est donc la collaboration croissante entre les parties de l'industrie. Par exemple, le Structural Genomics Consortium à but non lucratif s'associe à neuf sociétés et laboratoires pharmaceutiques, qui se sont engagés à partager leurs listes de souhaits en matière de médicaments, leurs résultats dans des revues en libre accès et des échantillons expérimentaux pour accélérer la découverte.

De même, la startup britannique MedChemica est au cœur d'une collaboration visant à accélérer le développement à l'aide de l'exploration de données tout en préservant la propriété intellectuelle de chaque partenaire. La technologie de MedChemica exploite les bases de données de molécules des partenaires pour trouver des paires étroitement appariées, effectue une analyse entre les deux, et la sortie est ensuite utilisée pour créer des règles qui peuvent être appliquées à des molécules virtuelles pour prédire les impacts de changements structurels similaires. Tous les partenaires du consortium peuvent suggérer où des données supplémentaires sont nécessaires, et peuvent même accepter de partager les coûts des tests supplémentaires.

Meilleure conception des essais cliniques

Les essais cliniques sont des études de recherche qui testent si un traitement est sûr et efficace pour les humains. Il y a trois phases avant qu'un médicament ne passe à l'examen de la FDA. Chaque phase suivante implique plus d'individus, passant de dizaines dans la phase I à des milliers dans la phase III. Le processus prend généralement six à sept ans. Les retards de lancement sur le marché peuvent représenter 15 millions de dollars par jour en coûts d'opportunité pour un médicament phare. Voici quelques points faibles des essais cliniques et comment les mégadonnées peuvent les atténuer :

Recrutement amélioré et ciblé

L'échec des essais est souvent causé par l'incapacité de recruter suffisamment de patients éligibles. Les essais de phase III sont menés sur plus de 100 sites dans dix pays ou plus. Et, comme les médicaments sont maintenant souvent conçus pour des populations de niche, les entreprises se font concurrence pour recruter les mêmes patients. Ainsi, 37 % des essais cliniques n'atteignent pas leurs objectifs de recrutement et 11 % des sites ne parviennent pas à recruter un seul patient. Selon l'Institut national du cancer, seulement 5 % des patients atteints de cancer participent à des essais cliniques. La méthode traditionnelle de recrutement des patients éligibles est l'examen manuel des listes de patients des médecins, mais elle est coûteuse et lente.

C'est là que les données hospitalières électroniques sur les patients et les mégadonnées peuvent être utiles. Grâce à l'analytique et aux scientifiques des données, les patients peuvent être inscrits sur la base de sources autres que les visiteurs des médecins, comme les médias sociaux. Les critères de sélection des patients peuvent désormais inclure des facteurs tels que les informations génétiques, l'état de la maladie et les caractéristiques individuelles, permettant aux essais d'être plus petits, plus courts et moins coûteux. "C'est comme pêcher avec un détecteur de poissons", a déclaré John Potthoff, directeur général d'Elligo Health Research. « Vous pouvez vraiment voir où se trouvent les patients et où aller les chercher. Lorsque vous envisagez un bassin plus important, vous pouvez être plus ciblé pour trouver les patients qui répondent le mieux aux critères d'inclusion et d'exclusion. » Ellen Kelso, directrice exécutive de Chesapeake IRB, un comité d'examen institutionnel indépendant qui consulte les sociétés pharmaceutiques, estime que plus de 60% des essais utilisent une analyse préliminaire en ligne pour identifier les participants potentiels.

Gestion des essais plus solide et plus efficace

L'automatisation et le big data permettent de suivre les essais en temps réel. Ils peuvent identifier les signaux de sécurité ou opérationnels, ce qui permet d'éviter des problèmes coûteux tels que des événements indésirables et des retards. Selon un récent rapport de McKinsey, les gains potentiels d'efficacité des essais cliniques comprennent :

• L'estimation dynamique de la taille de l'échantillon et d'autres changements de protocole pourraient permettre des réponses rapides aux nouvelles informations issues des données cliniques. Ils permettent également des essais plus petits de puissance équivalente ou des temps d'essai plus courts, conduisant à des gains d'efficacité.
• S'adapter aux différences de taux de recrutement de patients sur les sites permettrait à une entreprise de traiter les sites en retard, de mettre de nouveaux sites en ligne si nécessaire et d'augmenter le recrutement à partir de sites performants.
• L'utilisation des dossiers médicaux électroniques comme principale source de données sur les essais cliniques plutôt que d'avoir un système distinct pourrait accélérer les essais et réduire les erreurs de saisie manuelle des données.
• La surveillance à distance de nouvelle génération des sites activée par un accès aux données en temps réel pourrait améliorer la gestion et les réponses aux problèmes qui surviennent lors des essais.

Compléter les données des essais cliniques avec des données du monde réel

L'industrie a connu une explosion des données disponibles au-delà de ce qui est collecté dans les environnements d'essais cliniques traditionnels et étroitement contrôlés. Bien que les données anonymisées des dossiers de santé électroniques (DSE) aient été analysées dans le passé, elles sont généralement limitées à un seul établissement de recherche ou réseau de fournisseurs. Cependant, il est désormais possible de relier différentes sources de données, ce qui permet d'aborder des questions de recherche complexes.

Par exemple, l'analyse des données EHR des patients collectées en temps réel lors des visites chez le médecin ou à l'hôpital peut nous aider à mieux comprendre les schémas de traitement et les résultats cliniques dans le monde réel. Ces informations complètent celles acquises lors des essais cliniques et peuvent évaluer un plus large éventail de patients généralement exclus des essais (par exemple, les patients âgés, fragiles ou immobiles, etc.). Le géant pharmaceutique Genentech a beaucoup investi dans cette approche, en analysant des bases de données de patients du monde réel pour comprendre les résultats de différents sous-types de patients, les schémas thérapeutiques et la manière dont les différents schémas de traitement affectent les résultats cliniques dans le monde réel.

Détection des effets indésirables des médicaments

Les réactions nocives causées par des médicaments sont connues sous le nom de réactions indésirables aux médicaments (RIM). Étant donné que les essais cliniques ne reproduisent pas entièrement les conditions du monde réel, les conséquences d'un médicament ne peuvent pas être pleinement évaluées avant sa mise sur le marché. De plus, les systèmes de déclaration des effets indésirables reposent sur des rapports réglementaires spontanés transmis par des avocats, des cliniciens et des pharmaciens, où des informations peuvent être perdues ou mal interprétées. Par conséquent, la détection et la notification des effets indésirables sont souvent incomplètes ou tardives. On estime que jusqu'à 90 % des effets secondaires des médicaments ne sont pas signalés.

De nombreux toxicomanes se tournent plutôt vers les médias sociaux comme Twitter, Facebook et les forums médicaux publics, notamment Medications.com et DailyStrength.com, pour exprimer des plaintes ou signaler des effets secondaires. De nombreux utilisateurs incluent même des hashtags pour les agences de réglementation (par exemple, #FDA), les fabricants (#Pfizer, #GSK) et des produits spécifiques (#accutaneprobz). L'exploitation de ces sites pour les effets indésirables fournis par les patients peut s'avérer plus précise que ceux diagnostiqués par des professionnels de la santé. Selon David Lewis, responsable de la sécurité mondiale chez Novartis, "l'exploitation des données des médias sociaux nous donne une plus grande chance de capturer les effets indésirables dont un patient ne se plaindrait pas nécessairement auprès de son médecin ou de son infirmière... un psychiatre ne peut pas voir les idées suicidaires comme un effet indésirable indésirable alors qu'un patient peut le décrire parfaitement. L'analyse des sentiments, qui identifie et catégorise par calcul les opinions exprimées dans le texte, peut également être effectuée.

Epidemico, une filiale de Booz Allen Hamilton, utilise des algorithmes de traitement du langage naturel et d'apprentissage automatique pour rechercher des effets indésirables à partir de publications sur les réseaux sociaux pour quelque 1 400 médicaments. Une étude de 2014, lancée conjointement par la FDA et Epidemico, a examiné 6,9 millions de publications sur Twitter et a trouvé 4 401 tweets qui ressemblaient à un ADR. Par rapport aux données détenues par la FDA, l'étude a révélé une forte relation entre les rapports informels sur les réseaux sociaux et ceux rapportés dans les essais cliniques (voir le tableau ci-dessous).

Recommandations pour les sociétés pharmaceutiques souhaitant mettre en œuvre ces fonctionnalités

Malgré ses avantages, de nombreuses sociétés pharmaceutiques hésitent à investir dans des capacités d'analyse de données volumineuses. Voici quelques recommandations pour réussir la mise en œuvre :

• Technologie et analyse. Les sociétés pharmaceutiques utilisant des systèmes hérités devraient augmenter la capacité de partager des données en connectant ces systèmes. De plus, la R&D pharmaceutique devrait tirer parti d'outils de pointe tels que les biocapteurs et les appareils de mesure de la santé dans les smartphones. Les données provenant d'appareils intelligents et la surveillance à distance des patients grâce à des capteurs et des appareils pourraient faciliter la R&D, analyser l'efficacité et améliorer les ventes futures. Par exemple, Google a conclu un partenariat avec Novartis pour développer une lentille de contact intelligente qui surveille les niveaux de glucose des diabétiques, tandis que Roche et Qualcomm unissent leurs forces pour élever les moniteurs d'anticoagulation, qui protègent contre les caillots sanguins, pour transmettre sans fil les informations des patients.

• Concentrez-vous sur les preuves du monde réel. Les résultats réels deviennent de plus en plus importants à mesure que les payeurs utilisent une tarification basée sur la valeur. Les entreprises peuvent se différencier en recherchant des médicaments avec des résultats tangibles dans le monde réel, tels que ceux destinés à des populations de patients de niche. Pour étendre leurs données au-delà des essais cliniques, ils peuvent même rejoindre des réseaux de données propriétaires.

• Collaborer en interne et en externe. La R&D pharmaceutique a toujours été dissimulée dans le secret, mais la collaboration interne et externe sera la clé du succès avec le Big Data. L'amélioration de la collaboration interne nécessite une communication simplifiée entre la découverte, le développement clinique et les affaires médicales. Cela peut conduire à des informations sur l'ensemble du portefeuille, y compris l'identification clinique et les opportunités potentielles en médecine personnalisée. La collaboration externe est également importante : les chercheurs universitaires peuvent donner un aperçu des dernières percées scientifiques, les initiatives menées avec d'autres sociétés pharmaceutiques peuvent créer un pool de données plus important et plus puissant à exploiter pour la découverte, et les organisations de recherche sous contrat (CRO) peuvent aider à intensifier un effort interne. ou apporter une expertise spécifique.

• Organisation. Pour éviter les silos de données et faciliter le partage des données, il est préférable d'attribuer des propriétaires à différents types de données, leur portée s'étendant à toutes les fonctions. L'expertise acquise par le propriétaire des données sera inestimable lors de l'élaboration de moyens d'utiliser les informations existantes ou d'intégrer des données supplémentaires. Cela renforcerait également la responsabilisation en matière de qualité des données. Cependant, ces changements ne sont possibles que si la direction de l'entreprise soutient véritablement la valeur du Big Data.

Pensées d'adieu

Aujourd'hui, il est clair que les sciences de la vie, l'informatique et la science des données convergent. Bien que des défis techniques et culturels nous attendent sans aucun doute, l'analyse avancée des données est un levier que les sociétés pharmaceutiques peuvent utiliser pour lutter contre les facteurs économiques défavorables de la R&D. Bien sûr, cependant, la promesse du Big Data restera juste si les organisations ne prennent pas des mesures stratégiques dans la mise en œuvre.

Selon Glen de Vries de la société SaaS Medidata, le big data « peut remédier au malaise de la R&D des sciences de la vie ». Lors de la conférence mondiale sur les produits pharmaceutiques et la biotechnologie organisée par le Financial Times, il a comparé les mégadonnées à la découverte de la pierre de Rosette, qui a permis aux chercheurs de déchiffrer les hiéroglyphes et de déverrouiller l'histoire de l'Égypte ancienne. De même, si les ensembles de données peuvent être combinés au sein du système de santé, y compris les informations provenant de la génomique/protéomique, les données en clinique enregistrées par les médecins et la santé mobile, la recherche médicale connaîtra une révolution.