Big Data: prescrizione per la difficile situazione di ricerca e sviluppo nel settore farmaceutico

I numeri dimostrano che il 2016 non è stato un grande anno per l'industria farmaceutica statunitense. All'inizio di dicembre erano stati approvati dalla Food and Drug Administration (FDA) solo 19 nuovi farmaci, meno della metà di quelli approvati nel 2015 e il livello più basso dal 2007. Tra i maggiori player, il ritorno sull'investimento in ricerca e sviluppo (R&S) è sceso al 3,7%.

Nonostante queste statistiche scoraggianti, l'industria farmaceutica rimane parte integrante del più ampio ecosistema sanitario. Ma il settore deve affrontare una crescente pressione per migliorare la produttività e ridurre al minimo i tempi di sviluppo. I rendimenti della ricerca e sviluppo rappresentano un'importante metrica di performance per gli investitori, nonché un punto di partenza per il dialogo tra l'industria, i contribuenti e i gruppi di valutazione delle tecnologie sanitarie, che determinano collettivamente il valore dei farmaci innovativi. Gli attori del settore possono perseguire diverse strategie, tra cui partnership scientifiche, investimenti nei mercati emergenti e diversificazione dei portafogli di prodotti, per contrastare i problemi di produttività. Tuttavia, come suggerisce questo pezzo, un'altra soluzione include l'analisi dei dati, che può migliorare e accelerare lo sviluppo di farmaci.

Questo articolo esamina lo stato attuale dello sviluppo dei farmaci e come i big data possono migliorare le sue diverse componenti: scoperta di farmaci, progettazione di studi clinici e rilevamento delle reazioni avverse ai farmaci. Si concluderà quindi con raccomandazioni per le aziende che desiderano integrare questi tipi di soluzioni.

Diminuzione del ROI per la ricerca e sviluppo nel settore farmaceutico

Come accennato in precedenza, pochi farmaci candidati alla fine ottengono l'approvazione commerciale, per non parlare dei successi commerciali. Solo cinque su 5.000, o lo 0,1%, dei farmaci che iniziano i test preclinici arrivano ai test sull'uomo e solo uno viene approvato per l'uso umano.

Secondo un rapporto McKinsey del 2012, i tassi di successo cumulativi sono diminuiti del 50% poiché il numero di programmi di sviluppo di farmaci e il costo per programma sono raddoppiati. È inoltre opinione diffusa che i lanci una tantum mostrino miglioramenti transitori del ROI, mettendo in ombra problemi più profondi come l'aumento dei costi di prova e mercati affollati. Molte aziende farmaceutiche hanno creato un significativo valore per gli azionisti in 25 anni, sebbene i loro risultati nel decennio successivo siano più modesti (vedi sotto).

Pochi contesterebbero che il processo di sviluppo del farmaco sia lungo e arduo. Dopotutto, possono essere necessari più di 10 anni e 2,6 miliardi di dollari per portare un farmaco sul mercato. Inizia quando i ricercatori cercano di comprendere il processo alla base di una malattia a livello cellulare o molecolare. Attraverso una migliore comprensione dei processi e dei percorsi della malattia, vengono identificati potenziali "bersagli" per nuovi trattamenti. Se i test preclinici dimostrano sicurezza ed efficacia, un candidato passa a fasi successive di test, revisione e autorizzazione.

Ad ogni passo, le decisioni per far avanzare o fermare determinati composti vengono prese sulla base di dati sperimentali e storici. È fondamentale "fallire velocemente" o interrompere l'ulteriore sviluppo sulla base di prestazioni insoddisfacenti. Questo perché i costi aumentano in ogni fase successiva del gasdotto, e soprattutto quando iniziano le prove sugli esseri umani. Per combattere queste difficoltà, le aziende farmaceutiche possono utilizzare l'analisi dei dati.

Applicazioni di analisi dei dati per le aziende farmaceutiche

L'analisi dei big data implica la raccolta, la manipolazione e l'analisi di insiemi di dati enormi e diversificati. Fornisce promesse alle aziende farmaceutiche in diversi modi: 1) La modellazione predittiva può portare alla luce obiettivi per la pipeline di farmaci. 2) Gli strumenti statistici possono migliorare il reclutamento dei pazienti e il monitoraggio. 3) Il data mining di forum pubblici e siti di social media può identificare reazioni avverse ai farmaci non segnalate formalmente. Analizziamo ogni caso d'uso.

Modellazione predittiva nella scoperta di farmaci

Se fossi una società di marketing che cerca di ottimizzare le conversioni, investiresti risorse nel tuo mercato di riferimento piuttosto che nell'intera popolazione. È simile nella scoperta di farmaci: le aziende farmaceutiche mirano a investire in composti che potrebbero avere successo negli studi clinici e nel mercato in modo da poter recuperare gli investimenti iniziali in ricerca e sviluppo.

In passato, i ricercatori hanno utilizzato composti vegetali o animali naturali come base per i farmaci candidati. Lo sviluppo di farmaci è stato storicamente un processo iterativo che utilizzava laboratori di screening ad alto rendimento (HTS) per testare fisicamente migliaia di composti al giorno, con un tasso di successo previsto dell'1% o meno. Ma ora gli scienziati stanno creando nuove molecole con i computer. La modellazione predittiva, sia sofisticata che di base, può aiutare a prevedere l'interazione, l'inibizione e la tossicità dei farmaci candidati. Un metodo diffuso è la modellazione farmacocinetica, che utilizza modelli e simulazioni matematiche avanzate per prevedere come agirà il composto nel corpo. Anche senza le informazioni disponibili sulla struttura delle proteine, lo screening delle librerie di composti virtuali consente ai ricercatori di considerare fino a 10.000 composti e di restringerlo a 10 o 20.

Queste capacità non devono necessariamente essere sviluppate internamente. Di recente, IBM Watson Health e Pfizer hanno stretto una partnership per aiutare i ricercatori a scoprire nuovi bersagli farmacologici. Mentre il ricercatore medio legge 250-300 articoli in un anno, Watson ha elaborato 25 milioni di abstract Medline, oltre un milione di articoli di riviste mediche full-text e quattro milioni di brevetti. Watson può anche essere potenziato con i dati privati ​​di un'organizzazione per rivelare schemi nascosti.

Un approccio più semplice include l'applicazione di dati storici provenienti da studi preclinici, studi clinici e sorveglianza post-marketing. I dati possono essere utilizzati per prevedere il risultato finale (approvazione FDA/risultati del paziente) sulla base di varie variabili indipendenti.

I processi affamati di dati portano a una maggiore collaborazione

Paywall e brevetti hanno da tempo rallentato il flusso di informazioni nel settore ipercompetitivo. Quindi una tendenza interessante è la crescente collaborazione tra le parti del settore. Ad esempio, il Consorzio di genomica strutturale senza scopo di lucro collabora con nove aziende farmaceutiche e laboratori, che si sono impegnati a condividere le loro liste dei desideri di farmaci, risultati in riviste ad accesso aperto e campioni sperimentali per accelerare la scoperta.

Allo stesso modo, la startup britannica MedChemica è al centro di una collaborazione progettata per accelerare lo sviluppo utilizzando il data mining mantenendo la proprietà intellettuale di ciascun partner. La tecnologia di MedChemica estrae i database di molecole dei partner per trovare coppie strettamente corrispondenti, esegue un'analisi tra i due e l'output viene quindi utilizzato per creare regole che possono essere applicate a molecole virtuali per prevedere l'impatto di cambiamenti strutturali simili. Tutti i partner del consorzio possono suggerire dove sono necessari dati aggiuntivi e possono anche concordare di condividere i costi in ulteriori test.

Migliore progettazione della sperimentazione clinica

Gli studi clinici sono studi di ricerca che verificano se un trattamento è sicuro ed efficace per l'uomo. Ci sono tre fasi prima che un farmaco passi alla revisione della FDA. Ogni fase successiva coinvolge più individui, passando da decine nella Fase I a migliaia nella Fase III. Il processo richiede in genere dai sei ai sette anni per essere completato. I ritardi nel lancio sul mercato possono ammontare a 15 milioni di dollari al giorno in costi opportunità per un farmaco di successo. Ecco alcuni punti deboli degli studi clinici e come i big data possono alleviarli:

Reclutamento migliorato e mirato

Il fallimento dello studio è spesso causato dall'impossibilità di reclutare un numero sufficiente di pazienti idonei. Gli studi di fase III sono condotti in oltre 100 siti in dieci o più paesi. E, poiché i farmaci ora sono spesso progettati per popolazioni di nicchia, le aziende competono per reclutare gli stessi pazienti. Di conseguenza, il 37% degli studi clinici non riesce a raggiungere i propri obiettivi di reclutamento e l'11% dei siti non riesce a reclutare un singolo paziente. Secondo il National Cancer Institute, solo il 5% dei malati di cancro partecipa a studi clinici. Il metodo tradizionale di reclutamento per i pazienti idonei è la revisione manuale degli elenchi dei pazienti dei medici, ma è costoso e lento.

Ecco dove i dati elettronici dell'ospedale dei pazienti e i big data possono aiutare. Con analisi e data scientist, i pazienti possono essere arruolati in base a fonti diverse dai visitatori dei medici, come i social media. I criteri per la selezione dei pazienti ora possono includere fattori come le informazioni genetiche, lo stato della malattia e le caratteristiche individuali, consentendo alle sperimentazioni di essere più piccole, più brevi e meno costose. "È come pescare con un ecoscandaglio", ha affermato John Potthoff, amministratore delegato di Elligo Health Research. “Puoi davvero vedere dove sono i pazienti e dove andare a prenderli. Quando guardi a un pool più grande, puoi essere più mirato a trovare i pazienti che soddisfano al meglio i criteri di inclusione ed esclusione". Ellen Kelso, direttore esecutivo di Chesapeake IRB, un comitato di revisione istituzionale indipendente che consulta le aziende farmaceutiche, stima che oltre il 60% degli studi utilizzi l'analisi preliminare online per identificare potenziali partecipanti.

Gestione delle prove più forte ed efficiente

Automazione e big data consentono di monitorare le prove in tempo reale. Possono identificare segnali di sicurezza o operativi, aiutando a evitare problemi costosi come eventi avversi e ritardi. Secondo un recente rapporto McKinsey, i potenziali guadagni in termini di efficienza degli studi clinici includono:

• La stima dinamica della dimensione del campione e altre modifiche al protocollo potrebbero consentire risposte rapide alle intuizioni emergenti dai dati clinici. Consentono anche prove più piccole di potenza equivalente o tempi di prova più brevi, portando a guadagni di efficienza.
• L'adattamento alle differenze nei tassi di reclutamento dei pazienti in loco consentirebbe a un'azienda di affrontare i siti in ritardo, portare nuovi siti online se necessario e aumentare il reclutamento da siti di successo.
• L'utilizzo delle cartelle cliniche elettroniche come fonte primaria per i dati delle sperimentazioni cliniche anziché disporre di un sistema separato potrebbe accelerare le sperimentazioni e ridurre gli errori di immissione manuale dei dati.
• Il monitoraggio remoto di nuova generazione dei siti abilitato dall'accesso ai dati in tempo reale potrebbe migliorare la gestione e le risposte ai problemi che emergono durante le prove.

Integrazione dei dati degli studi clinici con dati del mondo reale

Il settore ha sperimentato un'esplosione di dati disponibili oltre a quelli raccolti da ambienti di sperimentazione clinica tradizionali e strettamente controllati. Sebbene i dati delle cartelle cliniche elettroniche (EHR) anonimi siano stati analizzati in passato, di solito sono limitati a un singolo istituto di ricerca o rete di fornitori. Tuttavia, ora è possibile collegare diverse fonti di dati, consentendo di affrontare questioni di ricerca complesse.

Ad esempio, l'analisi dei dati EHR dei pazienti raccolti in tempo reale durante le visite mediche o ospedaliere può aiutarci a comprendere meglio i modelli di trattamento e gli esiti clinici nel mondo reale. Queste informazioni integrano quelle ottenute dagli studi clinici e possono valutare uno spettro più ampio di pazienti tipicamente esclusi dagli studi (p. es., pazienti anziani, fragili o immobili, ecc.). Il gigante farmaceutico Genentech ha investito molto in questo approccio, analizzando i database di pazienti del mondo reale per comprendere i risultati di diversi sottotipi di pazienti, regimi di trattamento e come i diversi modelli di trattamento influiscono sui risultati clinici nel mondo reale.

Rilevazione di reazioni avverse ai farmaci

Le reazioni dannose causate dai farmaci sono note come reazioni avverse da farmaci (ADR). Poiché gli studi clinici non imitano completamente le condizioni del mondo reale, le conseguenze di un farmaco non possono essere valutate completamente prima del lancio sul mercato. Inoltre, i sistemi di segnalazione ADR si basano su segnalazioni normative spontanee che sono passate attraverso avvocati, medici e farmacisti, in cui le informazioni potrebbero essere perse o interpretate erroneamente. Pertanto, il rilevamento e la segnalazione dell'ADR sono spesso incompleti o prematuri. Si stima che fino al 90% degli effetti collaterali dei farmaci non siano segnalati.

Molti consumatori di droghe si rivolgono invece ai social media come Twitter, Facebook e forum medici pubblici tra cui Medications.com e DailyStrength.com per esprimere reclami o segnalare effetti collaterali. Molti utenti includono anche hashtag per agenzie di regolamentazione (ad esempio, #FDA), produttori (#Pfizer, #GSK) e prodotti specifici (#accutaneprobz). L'estrazione di questi siti per le ADR fornite dai pazienti può rivelarsi più accurata di quelle diagnosticate dai professionisti del settore medico. Secondo David Lewis, responsabile della sicurezza globale come Novartis, "L'estrazione dei dati dai social media ci offre una maggiore possibilità di acquisire ADR di cui un paziente non si lamenterebbe necessariamente con il proprio medico o infermiere... uno psichiatra non può vedere l'ideazione suicidaria come una ADR mentre un paziente può descriverla perfettamente”. Può essere eseguita anche l'analisi del sentimento, che identifica e classifica computazionalmente le opinioni espresse nel testo.

Epidemico, una sussidiaria di Booz Allen Hamilton, utilizza l'elaborazione del linguaggio naturale e algoritmi di apprendimento automatico per cercare ADR dai post sui social media per circa 1.400 farmaci. Uno studio del 2014, lanciato congiuntamente da FDA ed Epidemico, ha esaminato 6,9 milioni di post su Twitter e ha trovato 4.401 tweet che assomigliavano a un ADR. Se confrontato con i dati detenuti dalla FDA, lo studio ha riscontrato un'elevata relazione tra i rapporti informali sui social media e quelli riportati negli studi clinici (vedi grafico sotto).

Raccomandazioni per le aziende farmaceutiche che desiderano implementare queste funzionalità

Nonostante i suoi vantaggi, molte aziende farmaceutiche sono diffidenti nell'investire in capacità analitiche di big data. Di seguito sono riportati alcuni consigli per il successo nell'implementazione:

• Tecnologia e analisi. Le aziende farmaceutiche che utilizzano sistemi legacy dovrebbero aumentare la capacità di condividere i dati collegando questi sistemi. Inoltre, la ricerca e lo sviluppo farmaceutico dovrebbe sfruttare strumenti all'avanguardia come biosensori e dispositivi di misurazione della salute negli smartphone. I dati provenienti da dispositivi intelligenti e il monitoraggio remoto dei pazienti tramite sensori e dispositivi potrebbero facilitare la ricerca e lo sviluppo, analizzare l'efficacia e migliorare le vendite future. Ad esempio, Google ha stretto una partnership con Novartis per sviluppare una lente a contatto intelligente che monitori i livelli di glucosio nei diabetici, mentre Roche e Qualcomm stanno unendo le forze per elevare i monitor anticoagulanti, che proteggono dai coaguli di sangue, per trasmettere in modalità wireless le informazioni sui pazienti.

• Concentrati sulle prove del mondo reale. I risultati del mondo reale stanno diventando sempre più importanti poiché i pagatori utilizzano prezzi basati sul valore. Le aziende possono differenziarsi ricercando farmaci con risultati tangibili nel mondo reale, come quelli destinati a popolazioni di pazienti di nicchia. Per espandere i propri dati oltre gli studi clinici, possono persino unirsi a reti di dati proprietari.

• Collaborare internamente ed esternamente. La ricerca e lo sviluppo nel settore farmaceutico è stata storicamente nascosta, ma la collaborazione sia interna che esterna sarà la chiave per il successo con i big data. Il miglioramento della collaborazione interna richiede una comunicazione semplificata tra scoperta, sviluppo clinico e affari medici. Ciò può portare a informazioni dettagliate in tutto il portafoglio, inclusa l'identificazione clinica e potenziali opportunità nella medicina personalizzata. Anche la collaborazione esterna è importante: i ricercatori accademici possono fornire informazioni sulle ultime scoperte scientifiche, le iniziative guidate con altre aziende farmaceutiche possono creare un pool di dati più ampio e potente da sfruttare per la scoperta e le organizzazioni di ricerca a contratto (CRO) possono aiutare a scalare uno sforzo interno o fornire competenze specifiche.

• Organizzazione. Per evitare silos di dati e facilitare la condivisione dei dati, è meglio assegnare i proprietari a tipi di dati diversi, con la loro portata che si estende a tutte le funzioni. L'esperienza acquisita dal titolare dei dati sarà inestimabile nello sviluppo di modalità per utilizzare le informazioni esistenti o per integrare dati aggiuntivi. Migliorerebbe anche la responsabilità per la qualità dei dati. Tuttavia, questi cambiamenti sono possibili solo se la leadership aziendale supporta davvero il valore dei big data.

Pensieri di separazione

Oggi è chiaro che le scienze della vita, l'informatica e la scienza dei dati stanno convergendo. Sebbene le sfide tecniche e culturali siano indubbiamente future, l'analisi avanzata dei dati è una leva che le aziende farmaceutiche possono sfruttare per combattere l'economia sfavorevole della R&S. Naturalmente, tuttavia, la promessa dei big data rimarrà tale se le organizzazioni non adotteranno misure strategiche nell'implementazione.

Secondo Glen de Vries della società SaaS Medidata, i big data "possono curare il malessere di ricerca e sviluppo delle scienze della vita". Durante la Global Pharmaceuticals and Biotechnology Conference ospitata dal Financial Times, ha confrontato i big data con la scoperta della stele di Rosetta, che ha permesso agli studiosi di decifrare i geroglifici e svelare la storia dell'antico Egitto. Allo stesso modo, se i set di dati possono essere combinati all'interno del sistema sanitario, comprese le informazioni provenienti da genomica/proteomica, dati in clinica registrati dai medici e salute mobile, la ricerca medica subirà una rivoluzione.