Big Data: Recepta na farmaceutyczną sytuację badawczo-rozwojową

Liczby pokazują, że rok 2016 nie był dobrym rokiem dla amerykańskiego przemysłu farmaceutycznego. Na początku grudnia tylko 19 nowych leków zostało zatwierdzonych przez Food and Drug Administration (FDA), mniej niż połowa z tych zatwierdzonych w 2015 roku i najniższy poziom od 2007 roku. Wśród największych graczy zwrot z inwestycji w badania i rozwój (B+R) spadła do 3,7%.

Pomimo tych zniechęcających statystyk przemysł farmaceutyczny pozostaje integralną częścią szerszego ekosystemu opieki zdrowotnej. Jednak branża staje w obliczu rosnącej presji na poprawę produktywności i zminimalizowanie czasu opracowywania. Zwroty z B+R są ważnym miernikiem wyników dla inwestorów, a także punktem wyjścia do dialogu między branżą, płatnikami i grupami oceny technologii medycznych, które wspólnie określają wartość innowacyjnych leków. Gracze z branży mogą realizować różne strategie – w tym partnerstwa naukowe, inwestycje na rynkach wschodzących i dywersyfikację portfeli produktów – w celu przeciwdziałania problemom z wydajnością. Jednak, jak sugeruje ten artykuł, inne rozwiązanie obejmuje analitykę danych, która może usprawnić i przyspieszyć opracowywanie leków.

W tym artykule przeanalizowano obecny stan rozwoju leków oraz sposób, w jaki big data może ulepszyć jego różne elementy: odkrywanie leków, projektowanie badań klinicznych i wykrywanie niepożądanych reakcji na leki. Następnie zakończą się zaleceniami dla firm, które chcą zintegrować tego typu rozwiązania.

Zmniejszenie zwrotu z inwestycji w badania i rozwój w branży farmaceutycznej

Jak wspomniano wcześniej, niewielu kandydatów na leki ostatecznie zostaje zatwierdzonych na rynku, nie mówiąc już o sukcesach komercyjnych. Tylko pięć na 5000, czyli 0,1% leków, które rozpoczynają badania przedkliniczne, trafia do testów na ludziach i tylko jeden zostaje dopuszczony do stosowania u ludzi.

Według raportu McKinsey z 2012 r. skumulowane wskaźniki sukcesu spadły o 50%, ponieważ liczba programów opracowywania leków i koszt programu podwoiły się. Powszechnie uważa się również, że jednorazowe premiery pokazują przejściową poprawę zwrotu z inwestycji, przysłaniając głębsze kwestie, takie jak rosnące koszty prób i zatłoczone rynki. Wiele firm farmaceutycznych wytworzyło znaczącą wartość dla akcjonariuszy od 25 lat, choć ich wyniki w następnej dekadzie są skromniejsze (patrz niżej).

Niewielu zaprzeczyłoby, że proces opracowywania leku jest długi i żmudny. W końcu wprowadzenie leku na rynek może zająć ponad 10 lat i 2,6 miliarda dolarów. Zaczyna się, gdy naukowcy próbują zrozumieć proces stojący za chorobą na poziomie komórkowym lub molekularnym. Dzięki lepszemu zrozumieniu procesów i szlaków chorobowych identyfikowane są potencjalne „cele” dla nowych metod leczenia. Jeśli badania przedkliniczne wykażą bezpieczeństwo i skuteczność, kandydat przechodzi do kolejnych faz testowania, przeglądu i autoryzacji.

Na każdym etapie na podstawie danych eksperymentalnych i historycznych podejmowane są decyzje o ulepszeniu lub zatrzymaniu niektórych związków. Kluczowe znaczenie ma „szybka porażka” lub zakończenie dalszego rozwoju w oparciu o niezadowalające wyniki. Dzieje się tak, ponieważ koszty rosną na każdym kolejnym etapie rurociągu, a zwłaszcza gdy rozpoczynają się badania na ludziach. Aby zwalczyć te trudności, firmy farmaceutyczne mogą wykorzystywać analitykę danych.

Aplikacje do analizy danych dla firm farmaceutycznych

Analityka Big Data obejmuje gromadzenie, manipulację i analizę ogromnych, zróżnicowanych zbiorów danych. Daje to firmom farmaceutycznym obietnicę na kilka sposobów: 1) Modelowanie predykcyjne może odkryć cele dla rurociągu leków. 2) Narzędzia statystyczne mogą poprawić rekrutację pacjentów i usprawnić monitorowanie. 3) Eksploracja danych na forach publicznych i portalach społecznościowych może zidentyfikować niepożądane reakcje na leki, które nie zostały formalnie zgłoszone. Zagłębmy się w każdy przypadek użycia.

Modelowanie predykcyjne w odkrywaniu leków

Jeśli prowadzisz firmę marketingową, która chce zoptymalizować konwersje, inwestujesz zasoby w rynek docelowy, a nie w całą populację. Podobnie jest z odkrywaniem leków — firmy farmaceutyczne dążą do inwestowania w związki, które mogą odnieść sukces w badaniach klinicznych i na rynku, aby odzyskać początkowe inwestycje w badania i rozwój.

W przeszłości naukowcy wykorzystywali naturalne związki roślinne lub zwierzęce jako podstawę dla kandydatów na leki. W przeszłości opracowywanie leków było procesem iteracyjnym z wykorzystaniem wysokowydajnych laboratoriów przesiewowych (HTS) do fizycznego testowania tysięcy związków dziennie, z oczekiwanym wskaźnikiem trafień wynoszącym 1% lub mniej. Ale teraz naukowcy tworzą nowe cząsteczki za pomocą komputerów. Modelowanie predykcyjne, zarówno zaawansowane, jak i podstawowe, może pomóc w przewidywaniu interakcji, hamowania i toksyczności kandydujących leków. Powszechną metodą jest modelowanie farmakokinetyczne, które wykorzystuje zaawansowane modelowanie matematyczne i symulacje do przewidywania, jak związek będzie działał w organizmie. Nawet bez dostępnych informacji o strukturze białek, przeszukiwanie wirtualnych bibliotek związków pozwala naukowcom rozważyć nawet 10 000 związków i zawęzić je do 10 lub 20.

Te możliwości niekoniecznie muszą być budowane we własnym zakresie. Niedawno IBM Watson Health i Pfizer nawiązały współpracę, aby pomóc naukowcom odkryć nowe cele leków. Podczas gdy przeciętny naukowiec czyta 250-300 artykułów rocznie, Watson przetworzył 25 milionów abstraktów Medline, ponad milion pełnotekstowych artykułów w czasopismach medycznych i cztery miliony patentów. Watson można nawet rozszerzyć o prywatne dane organizacji, aby ujawnić ukryte wzorce.

Prostsze podejście obejmuje zastosowanie danych historycznych z badań przedklinicznych, badań klinicznych i nadzoru po wprowadzeniu do obrotu. Dane można wykorzystać do przewidywania wyniku końcowego (zatwierdzenie przez FDA/wyniki pacjenta) na podstawie różnych zmiennych niezależnych.

Procesy wymagające dużej ilości danych prowadzą do zwiększonej współpracy

Paywalle i patenty od dawna spowalniają przepływ informacji w hiperkonkurencyjnej branży. Ciekawym trendem jest więc rosnąca współpraca między stronami branżowymi. Na przykład, non-profit Konsorcjum Genomiki Strukturalnej współpracuje z dziewięcioma firmami farmaceutycznymi i laboratoriami, które zobowiązały się do udostępnienia swoich list życzeń dotyczących leków, wyników w ogólnodostępnych czasopismach i próbek eksperymentalnych, aby przyspieszyć odkrycie.

Podobnie brytyjski startup MedChemica jest podstawą współpracy mającej na celu przyspieszenie rozwoju za pomocą eksploracji danych przy jednoczesnym zachowaniu własności intelektualnej każdego partnera. Technologia MedChemica przeszukuje bazy danych molekuł partnerów, aby znaleźć ściśle dopasowane pary, przeprowadza analizę między nimi, a wyniki są następnie wykorzystywane do tworzenia reguł, które można zastosować do wirtualnych molekuł w celu przewidywania skutków podobnych zmian strukturalnych. Wszyscy partnerzy konsorcjum mogą zasugerować, gdzie potrzebne są dodatkowe dane, a nawet zgodzić się na podział kosztów w dalszych testach.

Lepszy projekt badań klinicznych

Badania kliniczne to badania naukowe, które sprawdzają, czy leczenie jest bezpieczne i skuteczne dla ludzi. Istnieją trzy fazy, zanim lek przejdzie do przeglądu FDA. Każda kolejna faza obejmuje więcej osobników, wzrastając od dziesiątek w Fazie I do tysięcy w Fazie III. Proces zwykle trwa od sześciu do siedmiu lat. Opóźnienia we wprowadzeniu na rynek mogą wynieść 15 milionów dolarów dziennie w kosztach alternatywnych dla przebojowego leku. Oto kilka problemów związanych z próbami klinicznymi i sposoby ich złagodzenia za pomocą dużych zbiorów danych:

Ulepszona, ukierunkowana rekrutacja

Niepowodzenie badania jest często spowodowane niezdolnością do rekrutacji wystarczającej liczby kwalifikujących się pacjentów. Badania fazy III są prowadzone w ponad 100 ośrodkach w dziesięciu lub więcej krajach. A ponieważ leki są obecnie często projektowane dla populacji niszowych, firmy konkurują o rekrutację tych samych pacjentów. W rezultacie 37% badań klinicznych nie osiąga celów rekrutacyjnych, a 11% ośrodków nie prowadzi rekrutacji ani jednego pacjenta. Według National Cancer Institute tylko 5% pacjentów z rakiem przystępuje do badań klinicznych. Tradycyjną metodą rekrutacji kwalifikujących się pacjentów jest ręczne przeglądanie list pacjentów lekarzy — ale jest to kosztowne i powolne.

Tutaj mogą pomóc elektroniczne dane szpitalne pacjentów i duże zbiory danych. Dzięki analityce i badaczom danych pacjenci mogą być rejestrowani na podstawie źródeł innych niż odwiedzający lekarzy, takich jak media społecznościowe. Kryteria doboru pacjentów mogą teraz obejmować takie czynniki, jak informacje genetyczne, stan choroby i indywidualne cechy, dzięki czemu badania mogą być mniejsze, krótsze i tańsze. „To jak łowienie ryb przy pomocy echosondy” – powiedział John Potthoff, dyrektor generalny Elligo Health Research. „Można naprawdę zobaczyć, gdzie są pacjenci i gdzie się po nich udać. Kiedy patrzysz na większą pulę, możesz być bardziej ukierunkowany na znalezienie pacjentów, którzy najlepiej spełniają kryteria włączenia i wykluczenia”. Ellen Kelso, dyrektor wykonawcza Chesapeake IRB, niezależnej instytucjonalnej komisji rewizyjnej, która konsultuje się z firmami farmaceutycznymi, szacuje, że ponad 60% badań wykorzystuje wstępną analizę online w celu zidentyfikowania potencjalnych uczestników.

Silniejsze i bardziej efektywne zarządzanie próbami

Automatyzacja i big data pozwalają na monitorowanie prób w czasie rzeczywistym. Mogą identyfikować sygnały bezpieczeństwa lub operacyjne, pomagając uniknąć kosztownych problemów, takich jak zdarzenia niepożądane i opóźnienia. Według niedawnego raportu McKinsey potencjalny wzrost wydajności badań klinicznych obejmuje:

• Dynamiczne oszacowanie wielkości próbki i inne zmiany w protokołach mogą umożliwić szybkie reagowanie na pojawiające się spostrzeżenia z danych klinicznych. Umożliwiają również mniejsze próby o równoważnej mocy lub krótsze czasy prób, co prowadzi do wzrostu wydajności.
• Dostosowanie się do różnic w wskaźnikach rekrutacji pacjentów w witrynach pozwoliłoby firmie zająć się opóźnionymi witrynami, w razie potrzeby wprowadzić nowe witryny online i zwiększyć rekrutację z witryn, które odniosły sukces.
• Korzystanie z elektronicznej dokumentacji medycznej jako podstawowego źródła danych z badań klinicznych zamiast oddzielnego systemu może przyspieszyć badania i ograniczyć błędy związane z ręcznym wprowadzaniem danych.
• Zdalne monitorowanie witryn nowej generacji dzięki dostępowi do danych w czasie rzeczywistym może usprawnić zarządzanie i reagowanie na problemy pojawiające się podczas prób.

Uzupełnianie danych z badań klinicznych o dane ze świata rzeczywistego

Branża doświadczyła eksplozji dostępnych danych, wykraczających poza dane zebrane z tradycyjnych, ściśle kontrolowanych środowisk badań klinicznych. Chociaż w przeszłości analizowano anonimowe dane z elektronicznej dokumentacji medycznej (EHR), zazwyczaj ograniczają się one do jednej instytucji badawczej lub sieci dostawców. Jednak teraz możliwe jest łączenie różnych źródeł danych, co pozwala na rozwiązywanie złożonych pytań badawczych.

Na przykład analiza danych pacjentów EHR gromadzonych w czasie rzeczywistym podczas wizyt lekarskich lub szpitalnych może pomóc nam lepiej zrozumieć wzorce leczenia i wyniki kliniczne w rzeczywistym świecie. Te spostrzeżenia uzupełniają te uzyskane w badaniach klinicznych i mogą ocenić szersze spektrum pacjentów zwykle wykluczonych z badań (np. pacjentów starszych, słabych lub nieruchomych itp.). Gigant farmaceutyczny Genentech dużo zainwestował w to podejście, analizując bazy danych rzeczywistych pacjentów, aby zrozumieć wyniki różnych podtypów pacjentów, schematów leczenia oraz jak różne wzorce leczenia wpływają na wyniki kliniczne w świecie rzeczywistym.

Wykrywanie niepożądanych reakcji na lek

Szkodliwe reakcje wywołane przez leki są znane jako niepożądane reakcje na lek (ADR). Ponieważ badania kliniczne nie naśladują w pełni warunków rzeczywistych, nie można w pełni ocenić skutków leku przed wprowadzeniem go na rynek. Ponadto systemy zgłaszania ADR opierają się na spontanicznych zgłoszeniach regulacyjnych, które przeszły przez prawników, klinicystów i farmaceutów, gdzie informacje mogą zostać utracone lub błędnie zinterpretowane. W związku z tym wykrywanie i zgłaszanie ADR jest często niekompletne lub nieterminowe. Szacuje się, że do 90% skutków ubocznych leków nie jest zgłaszanych.

Wielu użytkowników narkotyków zamiast tego korzysta z mediów społecznościowych, takich jak Twitter, Facebook i publiczne fora medyczne, w tym Medications.com i DailyStrength.com, aby zgłaszać skargi lub zgłaszać skutki uboczne. Wielu użytkowników zawiera nawet hashtagi dla agencji regulacyjnych (np. #FDA), producentów (#Pfizer, #GSK) i określonych produktów (#accutaneprobz). Wyszukiwanie w tych witrynach ADR dostarczonych przez pacjentów może okazać się dokładniejsze niż te zdiagnozowane przez lekarzy. Według Davida Lewisa, szefa globalnego bezpieczeństwa w firmie Novartis, „Wyszukiwanie danych z mediów społecznościowych daje nam większą szansę na uchwycenie ADR, na które pacjent niekoniecznie narzekałby swojemu lekarzowi lub pielęgniarce… psychiatra nie widzi myśli samobójczych jako ADR, podczas gdy pacjent może to doskonale opisać.” Można również przeprowadzić analizę sentymentu, która komputerowo identyfikuje i kategoryzuje opinie wyrażone w tekście.

Epidemico, spółka zależna Booz Allen Hamilton, wykorzystuje algorytmy przetwarzania języka naturalnego i uczenia maszynowego do wyszukiwania ADR w postach w mediach społecznościowych dla około 1400 leków. Badanie z 2014 r., zainicjowane wspólnie przez FDA i Epidemico, przeanalizowało 6,9 miliona postów na Twitterze i wykazało 4401 tweetów, które przypominały ADR. W porównaniu z danymi posiadanymi przez FDA, badanie wykazało wysoki związek między nieformalnymi doniesieniami w mediach społecznościowych a tymi zgłaszanymi w badaniach klinicznych (patrz wykres poniżej).

Zalecenia dla firm farmaceutycznych, które chcą wdrożyć te funkcje

Pomimo korzyści, wiele firm farmaceutycznych obawia się inwestowania w możliwości analityczne Big Data. Poniżej kilka zaleceń dotyczących sukcesu we wdrożeniu:

• Technologia i analityka. Firmy farmaceutyczne korzystające ze starszych systemów powinny zwiększyć możliwość udostępniania danych poprzez połączenie tych systemów. Ponadto badania i rozwój w branży farmaceutycznej powinny wykorzystywać najnowocześniejsze narzędzia, takie jak bioczujniki i urządzenia do pomiaru zdrowia w smartfonach. Dane z inteligentnych urządzeń i zdalne monitorowanie pacjentów za pomocą czujników i urządzeń mogą ułatwić badania i rozwój, analizować skuteczność i zwiększyć przyszłą sprzedaż. Na przykład Google nawiązał współpracę z Novartis w celu opracowania inteligentnych soczewek kontaktowych, które monitorują poziom glukozy u diabetyków, podczas gdy Roche i Qualcomm łączą siły, aby podnieść poziom monitorów antykoagulacyjnych, które chronią przed zakrzepami krwi, aby bezprzewodowo przesyłać informacje o pacjencie.

• Skoncentruj się na rzeczywistych dowodach. Rzeczywiste wyniki stają się coraz ważniejsze, ponieważ płatnicy korzystają z wyceny opartej na wartości. Firmy mogą się wyróżnić, poszukując leków o namacalnych, rzeczywistych efektach, takich jak leki skierowane do niszowych populacji pacjentów. Aby rozszerzyć swoje dane poza badania kliniczne, mogą nawet dołączyć do zastrzeżonych sieci danych.

• Współpracuj wewnętrznie i zewnętrznie. Badania i rozwój w branży farmaceutycznej od dawna były utajnione, ale zarówno wewnętrzna, jak i zewnętrzna współpraca będzie kluczem do sukcesu w przypadku dużych zbiorów danych. Poprawa współpracy wewnętrznej wymaga usprawnionej komunikacji między odkryciami, rozwojem klinicznym i sprawami medycznymi. Może to prowadzić do wglądu w portfolio, w tym identyfikacji klinicznej i potencjalnych możliwości w medycynie spersonalizowanej. Ważna jest również współpraca zewnętrzna: badacze akademiccy mogą zapewnić wgląd w najnowsze przełomowe odkrycia naukowe, inicjatywy realizowane z innymi firmami farmaceutycznymi mogą stworzyć większą, potężniejszą pulę danych, która posłuży do odkrywania, a organizacje zajmujące się badaniami kontraktowymi (CRO) mogą pomóc w skalowaniu wysiłków wewnętrznych lub zapewnić konkretną wiedzę specjalistyczną.

• Organizacja. Aby uniknąć silosów danych i ułatwić udostępnianie danych, najlepiej przypisać właścicieli do różnych typów danych, których zasięg obejmuje różne funkcje. Wiedza zdobyta przez właściciela danych będzie nieoceniona przy opracowywaniu sposobów wykorzystania istniejących informacji lub integracji dodatkowych danych. Zwiększyłoby to również odpowiedzialność za jakość danych. Zmiany te są jednak możliwe tylko wtedy, gdy kierownictwo firmy rzeczywiście wspiera wartość big data.

Pożegnalne myśli

Dzisiaj jasne jest, że nauki przyrodnicze, informatyka i data science zbliżają się do siebie. Chociaż wyzwania techniczne i kulturowe są bez wątpienia przed nami, zaawansowana analiza danych jest dźwignią, którą firmy farmaceutyczne mogą wykorzystać w walce z niekorzystną ekonomią badań i rozwoju. Oczywiście obietnica big data pozostanie tylko taka, jeśli organizacje nie podejmą strategicznych kroków we wdrożeniu.

Według Glena de Vriesa z firmy SaaS Medidata, duże zbiory danych „mogą wyleczyć złe samopoczucie w dziedzinie badań i rozwoju w naukach przyrodniczych”. Podczas Global Pharmaceuticals and Biotechnology Conference, której gospodarzem był The Financial Times, porównał duże zbiory danych do odkrycia kamienia z Rosetty, który pozwolił uczonym rozszyfrować hieroglify i odkryć historię starożytnego Egiptu. Podobnie, jeśli zbiory danych można łączyć w ramach systemu opieki zdrowotnej, w tym informacje pochodzące z genomiki/proteomiki, dane z kliniki rejestrowane przez lekarzy oraz mobilne zdrowie, badania medyczne przejdą rewolucję.