Big Data: Resep untuk Kesulitan Litbang Farmasi

Angka-angka tersebut menunjukkan bahwa 2016 bukanlah tahun yang hebat bagi industri farmasi AS. Pada awal Desember, hanya 19 obat baru yang telah disetujui oleh Food and Drug Administration (FDA), kurang dari setengah dari yang disetujui pada tahun 2015 dan tingkat terendah sejak 2007. Di antara pemain terbesar, laba atas investasi untuk penelitian dan pengembangan (R&D) turun menjadi 3,7%.

Terlepas dari statistik yang mengecewakan ini, industri farmasi tetap menjadi bagian integral dari ekosistem perawatan kesehatan yang lebih luas. Tetapi industri menghadapi tekanan yang meningkat untuk meningkatkan produktivitas dan meminimalkan waktu pengembangan. Pengembalian R&D berfungsi sebagai metrik kinerja yang penting bagi investor, serta titik awal untuk dialog antara industri, pembayar, dan kelompok penilai teknologi kesehatan, yang secara kolektif menentukan nilai obat-obatan inovatif. Pelaku industri dapat mengejar strategi yang berbeda – termasuk kemitraan ilmiah, investasi di pasar negara berkembang, dan diversifikasi portofolio produk – untuk mengatasi masalah produktivitas. Namun, seperti yang disarankan oleh bagian ini, solusi lain mencakup analisis data, yang dapat meningkatkan dan mempercepat pengembangan obat.

Artikel ini membahas perkembangan obat saat ini, dan seberapa besar data dapat meningkatkan berbagai komponennya: penemuan obat, desain uji klinis, dan deteksi reaksi obat yang merugikan. Kemudian akan diakhiri dengan rekomendasi bagi perusahaan yang ingin mengintegrasikan jenis solusi ini.

Menurunkan ROI untuk Litbang Farmasi

Seperti disebutkan sebelumnya, beberapa kandidat obat akhirnya disetujui secara komersial, apalagi kesuksesan komersial. Hanya lima dari 5.000, atau 0,1%, dari obat yang memulai pengujian praklinis yang pernah berhasil diuji pada manusia, dan hanya satu yang disetujui untuk digunakan manusia.

Menurut laporan McKinsey 2012, tingkat keberhasilan kumulatif telah turun 50% karena jumlah program pengembangan obat dan biaya per program berlipat ganda. Juga diyakini secara luas bahwa peluncuran satu kali menunjukkan peningkatan sementara dalam ROI, menutupi masalah yang lebih dalam seperti biaya uji coba yang meningkat dan pasar yang ramai. Banyak perusahaan farmasi telah menciptakan nilai pemegang saham 25 tahun yang signifikan, meskipun hasil mereka dalam dekade berikutnya lebih sederhana (lihat di bawah).

Hanya sedikit yang akan membantah bahwa proses pengembangan obat itu panjang dan sulit. Lagi pula, dibutuhkan lebih dari 10 tahun dan $2,6 miliar untuk membawa obat ke pasar. Ini dimulai ketika para peneliti mencoba memahami proses di balik penyakit pada tingkat seluler atau molekuler. Melalui pemahaman yang lebih baik tentang proses dan jalur penyakit, "target" potensial untuk perawatan baru diidentifikasi. Jika pengujian praklinis menunjukkan keamanan dan kemanjuran, seorang kandidat pindah ke fase pengujian, peninjauan, dan otorisasi yang berurutan.

Pada setiap langkah, keputusan untuk memajukan atau menghentikan senyawa tertentu dibuat berdasarkan data eksperimental dan historis. "Gagal cepat," atau menghentikan pengembangan lebih lanjut berdasarkan kinerja yang tidak memuaskan, sangat penting. Ini karena biaya meningkat pada setiap tahap jalur pipa yang berurutan, dan terutama saat uji coba manusia dimulai. Untuk mengatasi kesulitan ini, perusahaan farmasi dapat menggunakan analitik data.

Aplikasi Analisis Data untuk Perusahaan Farmasi

Analisis data besar melibatkan pengumpulan, manipulasi, dan analisis kumpulan data yang besar dan beragam. Ini memberikan janji bagi perusahaan farmasi dalam beberapa cara: 1) Pemodelan prediktif dapat menggali target untuk saluran obat. 2) Alat statistik dapat meningkatkan perekrutan pasien dan meningkatkan pemantauan. 3) Penambangan data forum publik dan situs media sosial dapat mengidentifikasi reaksi obat yang merugikan yang tidak dilaporkan secara resmi. Mari kita selidiki setiap kasus penggunaan.

Pemodelan Prediktif dalam Penemuan Obat

Jika Anda adalah perusahaan pemasaran yang ingin mengoptimalkan konversi, Anda akan menginvestasikan sumber daya ke target pasar Anda daripada seluruh populasi. Hal yang serupa dalam penemuan obat—perusahaan farmasi bertujuan untuk berinvestasi dalam senyawa yang mungkin berhasil dalam uji klinis dan pasar sehingga mereka dapat memulihkan investasi R&D awal.

Di masa lalu, para peneliti menggunakan senyawa tumbuhan atau hewan alami sebagai dasar untuk calon obat. Pengembangan obat secara historis merupakan proses berulang menggunakan laboratorium penyaringan throughput tinggi (HTS) untuk menguji ribuan senyawa secara fisik setiap hari, dengan tingkat hit yang diharapkan sebesar 1% atau kurang. Tapi sekarang para ilmuwan menciptakan molekul baru dengan komputer. Pemodelan prediktif, baik yang canggih maupun dasar, dapat membantu memprediksi interaksi obat kandidat, penghambatan, dan toksisitas. Metode yang tersebar luas adalah pemodelan farmokinetik, yang menggunakan pemodelan dan simulasi matematika tingkat lanjut untuk memprediksi bagaimana senyawa akan bekerja di dalam tubuh. Bahkan tanpa informasi struktur protein yang tersedia, penyaringan perpustakaan senyawa virtual memungkinkan peneliti untuk mempertimbangkan sebanyak 10.000 senyawa, dan mempersempitnya menjadi 10 atau 20.

Kemampuan ini tidak harus dibangun sendiri. Baru-baru ini, IBM Watson Health dan Pfizer menjalin kemitraan untuk membantu para peneliti menemukan target obat baru. Sementara peneliti rata-rata membaca 250-300 artikel dalam setahun, Watson telah memproses 25 juta abstrak Medline, lebih dari satu juta artikel jurnal medis teks lengkap, dan empat juta paten. Watson bahkan dapat ditambah dengan data pribadi organisasi untuk mengungkap pola tersembunyi.

Pendekatan yang lebih sederhana mencakup penerapan data historis dari studi pra-klinis, uji klinis, dan pengawasan pasca-pemasaran. Data dapat digunakan untuk memprediksi hasil akhir (persetujuan FDA/hasil pasien) berdasarkan berbagai variabel independen.

Proses yang haus data Menyebabkan Peningkatan Kolaborasi

Paywalls dan paten telah lama memperlambat arus informasi di industri hiperkompetitif. Jadi tren yang menarik adalah tumbuhnya kolaborasi antar pihak industri. Misalnya, Konsorsium Struktural Genomics nirlaba bermitra dengan sembilan perusahaan farmasi dan laboratorium, yang telah berjanji untuk membagikan daftar keinginan obat mereka, menghasilkan jurnal akses terbuka, dan sampel eksperimental untuk mempercepat penemuan.

Demikian pula, startup Inggris MedChemica adalah inti dari kolaborasi yang dirancang untuk mempercepat pengembangan menggunakan penambangan data sambil mempertahankan kekayaan intelektual masing-masing mitra. Teknologi MedChemica menambang basis data molekul mitra untuk menemukan pasangan yang cocok, melakukan analisis di antara keduanya, dan hasilnya kemudian digunakan untuk membuat aturan yang dapat diterapkan pada molekul virtual untuk memprediksi dampak perubahan struktural yang serupa. Semua mitra dalam konsorsium dapat menyarankan di mana data tambahan diperlukan, dan bahkan dapat setuju untuk berbagi biaya dalam pengujian lebih lanjut.

Desain Uji Klinis yang Lebih Baik

Uji klinis adalah studi penelitian yang menguji apakah suatu pengobatan aman dan efektif untuk manusia. Ada tiga fase sebelum obat masuk ke tinjauan FDA. Setiap fase berikutnya melibatkan lebih banyak individu, meningkat dari puluhan di Fase I menjadi ribuan di Fase III. Proses ini biasanya memakan waktu enam hingga tujuh tahun untuk diselesaikan. Penundaan peluncuran pasar dapat mencapai $15 juta per hari dalam biaya peluang untuk obat blockbuster. Berikut adalah beberapa poin nyeri uji klinis, dan seberapa besar data dapat meringankannya:

Perekrutan yang Ditingkatkan dan Ditargetkan

Kegagalan percobaan sering disebabkan oleh ketidakmampuan untuk merekrut pasien yang cukup memenuhi syarat. Uji coba fase III dilakukan di lebih dari 100 lokasi di sepuluh negara atau lebih. Dan, karena obat sekarang sering dirancang untuk populasi khusus, perusahaan bersaing untuk merekrut pasien yang sama. Akibatnya, 37% uji klinis gagal mencapai tujuan perekrutan mereka dan 11% situs gagal merekrut satu pasien. Menurut National Cancer Institute, hanya 5% pasien kanker yang mengikuti uji klinis. Metode rekrutmen tradisional untuk pasien yang memenuhi syarat adalah tinjauan manual daftar pasien dokter—tetapi mahal dan lambat.

Di sinilah data rumah sakit pasien elektronik dan data besar dapat membantu. Dengan analitik dan ilmuwan data, pasien dapat didaftarkan berdasarkan sumber selain pengunjung dokter, seperti media sosial. Kriteria pemilihan pasien sekarang dapat mencakup faktor-faktor seperti informasi genetik, status penyakit, dan karakteristik individu, memungkinkan uji coba menjadi lebih kecil, lebih pendek, dan lebih murah. "Ini seperti memancing dengan pencari ikan," kata John Potthoff, kepala eksekutif di Elligo Health Research. “Anda benar-benar dapat melihat di mana pasien berada dan ke mana harus pergi untuk mendapatkannya. Ketika Anda mencari kelompok yang lebih besar, Anda dapat lebih ditargetkan dalam menemukan pasien yang memenuhi kriteria inklusi dan eksklusi yang terbaik.” Ellen Kelso, direktur eksekutif di Chesapeake IRB, dewan peninjau institusional independen yang berkonsultasi dengan perusahaan farmasi, memperkirakan bahwa lebih dari 60% uji coba menggunakan analisis online awal untuk mengidentifikasi calon peserta.

Manajemen Percobaan Lebih Kuat dan Lebih Efisien

Otomatisasi dan data besar memungkinkan uji coba dipantau secara real time. Mereka dapat mengidentifikasi sinyal keselamatan atau operasional, membantu menghindari masalah mahal seperti kejadian buruk dan penundaan. Menurut laporan McKinsey baru-baru ini, keuntungan efisiensi uji klinis potensial meliputi:

• Estimasi ukuran sampel dinamis dan perubahan protokol lainnya dapat memungkinkan respons cepat terhadap wawasan yang muncul dari data klinis. Mereka juga memungkinkan uji coba yang lebih kecil dengan daya yang setara atau waktu uji coba yang lebih pendek, yang mengarah pada peningkatan efisiensi.
• Beradaptasi dengan perbedaan dalam tarif perekrutan pasien di lokasi akan memungkinkan perusahaan mengatasi situs yang tertinggal, menghadirkan situs baru secara online jika perlu, dan meningkatkan perekrutan dari situs yang berhasil.
• Menggunakan rekam medis elektronik sebagai sumber utama untuk data uji klinis daripada memiliki sistem terpisah dapat mempercepat uji coba dan mengurangi kesalahan entri data manual.
• Pemantauan situs jarak jauh generasi berikutnya yang diaktifkan oleh akses data waktu nyata dapat meningkatkan manajemen dan respons terhadap masalah yang muncul dalam uji coba.

Melengkapi Data Uji Klinis dengan Data Dunia Nyata

Industri telah mengalami ledakan dalam data yang tersedia di luar apa yang dikumpulkan dari lingkungan uji klinis tradisional yang dikontrol ketat. Meskipun data catatan kesehatan elektronik (EHR) anonim telah dianalisis di masa lalu, biasanya terbatas pada satu lembaga penelitian atau jaringan penyedia. Namun, sekarang dimungkinkan untuk menghubungkan sumber data yang berbeda, memungkinkan pertanyaan penelitian yang kompleks untuk ditangani.

Misalnya, analisis data pasien EHR yang dikumpulkan secara real time selama kunjungan dokter atau rumah sakit dapat membantu kita lebih memahami pola pengobatan dan hasil klinis di dunia nyata. Wawasan ini melengkapi yang diperoleh dari uji klinis dan dapat menilai spektrum pasien yang lebih luas yang biasanya dikeluarkan dari uji coba (misalnya, pasien lanjut usia, lemah, atau tidak dapat bergerak, dll.). Raksasa farmasi Genentech telah banyak berinvestasi dalam pendekatan ini, menganalisis basis data pasien dunia nyata untuk memahami hasil dari berbagai subtipe pasien, rejimen pengobatan, dan bagaimana pola pengobatan yang berbeda memengaruhi hasil klinis di dunia nyata.

Deteksi Reaksi Obat yang Merugikan

Reaksi berbahaya yang disebabkan oleh obat-obatan dikenal sebagai reaksi obat yang merugikan (ADR). Karena uji klinis tidak sepenuhnya meniru kondisi dunia nyata, konsekuensi obat tidak dapat sepenuhnya dinilai sebelum diluncurkan ke pasar. Dan, sistem pelaporan ADR mengandalkan laporan peraturan spontan yang telah melewati pengacara, dokter, dan apoteker, di mana informasi mungkin hilang atau disalahartikan. Oleh karena itu, deteksi dan pelaporan ADR seringkali tidak lengkap atau tidak tepat waktu. Diperkirakan hingga 90% dari efek samping obat tidak dilaporkan.

Banyak pengguna narkoba yang menggunakan media sosial seperti Twitter, Facebook, dan forum medis publik termasuk Medications.com dan DailyStrength.com untuk menyuarakan keluhan atau melaporkan efek samping. Banyak pengguna bahkan menyertakan tagar untuk badan pengatur (misalnya, #FDA), produsen (#Pfizer, #GSK), dan produk tertentu (#accutaneprobz). Menambang situs ini untuk ADR yang diberikan pasien dapat terbukti lebih akurat daripada yang didiagnosis oleh profesional medis. Menurut David Lewis, kepala keamanan global Novartis, “Menambang data dari media sosial memberi kami peluang lebih besar untuk menangkap ADR yang tidak perlu dikeluhkan oleh pasien kepada dokter atau perawat mereka…seorang psikiater tidak dapat melihat ide bunuh diri sebagai ADR sementara pasien dapat menggambarkannya dengan sempurna.” Analisis sentimen, yang secara komputasi mengidentifikasi dan mengkategorikan opini yang diungkapkan dalam teks, juga dapat dilakukan.

Epidemico, anak perusahaan Booz Allen Hamilton, menggunakan pemrosesan bahasa alami dan algoritma pembelajaran mesin untuk mencari ADR dari pos media sosial untuk sekitar 1.400 obat. Sebuah studi tahun 2014, yang diluncurkan bersama oleh FDA dan Epidemico, memeriksa 6,9 juta posting Twitter dan menemukan 4.401 tweet yang menyerupai ADR. Jika dibandingkan dengan data yang dimiliki oleh FDA, penelitian ini menemukan hubungan yang tinggi antara laporan media sosial informal dan yang dilaporkan dalam uji klinis (lihat grafik di bawah).

Rekomendasi untuk Perusahaan Farmasi yang Ingin Menerapkan Fitur-Fitur Ini

Terlepas dari manfaatnya, banyak perusahaan farmasi berhati-hati dalam berinvestasi dalam kemampuan analitik data besar. Di bawah ini adalah beberapa rekomendasi untuk keberhasilan dalam implementasi:

• Teknologi dan analitik. Perusahaan farmasi yang menggunakan sistem warisan harus meningkatkan kemampuan untuk berbagi data dengan menghubungkan sistem ini. Selain itu, R&D farmasi harus memanfaatkan alat-alat mutakhir seperti biosensor dan perangkat pengukuran kesehatan di telepon pintar. Data dari perangkat pintar dan pemantauan jarak jauh pasien melalui sensor dan perangkat dapat memfasilitasi R&D, menganalisis kemanjuran, dan meningkatkan penjualan di masa mendatang. Misalnya, Google telah menjalin kemitraan dengan Novartis untuk mengembangkan lensa kontak pintar yang memantau kadar glukosa penderita diabetes, sementara Roche dan Qualcomm bekerja sama untuk meningkatkan monitor anti-koagulasi, yang menjaga dari pembekuan darah, untuk mengirimkan informasi pasien secara nirkabel.

• Fokus pada bukti dunia nyata. Hasil dunia nyata menjadi lebih penting karena pembayar menggunakan penetapan harga berbasis nilai. Perusahaan dapat membedakan diri mereka sendiri dengan mengejar obat-obatan dengan hasil nyata yang nyata, seperti yang ditargetkan pada populasi pasien khusus. Untuk memperluas data mereka di luar uji klinis, mereka bahkan dapat bergabung dengan jaringan data eksklusif.

• Berkolaborasi secara internal dan eksternal. Litbang farmasi secara historis terselubung dalam kerahasiaan—namun kolaborasi internal dan eksternal akan menjadi kunci sukses dengan data besar. Meningkatkan kolaborasi internal membutuhkan komunikasi yang efisien antara penemuan, pengembangan klinis, dan urusan medis. Ini dapat mengarah pada wawasan di seluruh portofolio, termasuk identifikasi klinis dan peluang potensial dalam pengobatan yang dipersonalisasi. Kolaborasi eksternal juga penting: peneliti akademis dapat memberikan wawasan tentang terobosan ilmiah terbaru, inisiatif yang dipelopori dengan perusahaan farmasi lain dapat menciptakan kumpulan data yang lebih besar dan lebih kuat untuk dimanfaatkan untuk penemuan, dan organisasi penelitian kontrak (CRO) dapat membantu meningkatkan upaya internal atau memberikan keahlian tertentu.

• Organisasi. Untuk menghindari silo data dan memfasilitasi berbagi data, yang terbaik adalah menetapkan pemilik ke tipe data yang berbeda, dengan jangkauan mereka yang meluas di seluruh fungsi. Keahlian yang diperoleh oleh pemilik data akan sangat berharga ketika mengembangkan cara untuk menggunakan informasi yang ada atau untuk mengintegrasikan data tambahan. Ini juga akan meningkatkan akuntabilitas kualitas data. Namun, perubahan ini hanya mungkin terjadi jika kepemimpinan perusahaan benar-benar mendukung nilai big data.

Pikiran Perpisahan

Hari ini, jelas bahwa ilmu kehidupan, ilmu komputer, dan ilmu data sedang bertemu. Meskipun tantangan teknis dan budaya tidak diragukan lagi ada di depan, analitik data tingkat lanjut adalah pengungkit yang dapat ditarik oleh perusahaan farmasi untuk memerangi ekonomi R&D yang tidak menguntungkan. Tentu saja, janji big data akan tetap ada jika organisasi tidak mengambil langkah-langkah strategis dalam implementasinya.

Menurut Glen de Vries dari perusahaan SaaS Medidata, data besar “dapat menyembuhkan malaise R&D ilmu kehidupan.” Selama Konferensi Farmasi dan Bioteknologi Global yang diselenggarakan oleh The Financial Times, ia membandingkan data besar dengan penemuan Batu Rosetta, yang memungkinkan para sarjana menguraikan hieroglif dan membuka sejarah Mesir Kuno. Demikian pula, jika kumpulan data dapat digabungkan dalam sistem perawatan kesehatan, termasuk informasi yang berasal dari genomik/proteomik, data di klinik yang direkam oleh dokter, dan kesehatan seluler, penelitian medis akan mengalami revolusi.