Big Data: Prescrição para a situação de P&D Farmacêutica

Os números demonstram que 2016 não foi um grande ano para a indústria farmacêutica norte-americana. Até o início de dezembro, apenas 19 novos medicamentos haviam sido aprovados pela Food and Drug Administration (FDA), menos da metade dos aprovados em 2015 e o menor nível desde 2007. Entre os maiores players, o retorno do investimento em pesquisa e desenvolvimento (P&D) caiu para 3,7%.

Apesar dessas estatísticas desanimadoras, a indústria farmacêutica continua sendo parte integrante do ecossistema de saúde mais amplo. Mas a indústria enfrenta uma pressão crescente para melhorar a produtividade e minimizar o tempo de desenvolvimento. Os retornos sobre P&D servem como uma importante métrica de desempenho para os investidores, bem como um ponto de partida para o diálogo entre a indústria, os pagadores e os grupos de avaliação de tecnologia em saúde, que determinam coletivamente o valor de medicamentos inovadores. Os players do setor podem buscar diferentes estratégias – incluindo parcerias científicas, investimentos em mercados emergentes e diversificação de portfólios de produtos – para combater problemas de produtividade. No entanto, como este artigo sugere, outra solução inclui análise de dados, que pode aprimorar e acelerar o desenvolvimento de medicamentos.

Este artigo examina o estado atual do desenvolvimento de medicamentos e como o big data pode melhorar seus diferentes componentes: descoberta de medicamentos, design de ensaios clínicos e detecção de reações adversas a medicamentos. Em seguida, concluirá com recomendações para empresas que desejam integrar esses tipos de soluções.

Diminuição do ROI para P&D Farmacêutico

Como mencionado anteriormente, poucos candidatos a medicamentos acabam sendo aprovados comercialmente, muito menos sucessos comerciais. Apenas cinco em 5.000, ou 0,1%, dos medicamentos que iniciam os testes pré-clínicos chegam a testes em humanos, e apenas um é aprovado para uso humano.

De acordo com um relatório da McKinsey de 2012, as taxas cumulativas de sucesso caíram 50% à medida que o número de programas de desenvolvimento de medicamentos e o custo por programa dobraram. Também acredita-se amplamente que lançamentos pontuais mostram melhorias transitórias no ROI, ofuscando questões mais profundas, como custos crescentes de testes e mercados lotados. Muitas empresas farmacêuticas criaram um valor significativo para os acionistas em 25 anos, embora seus resultados na década seguinte sejam mais modestos (veja abaixo).

Poucos contestariam que o processo de desenvolvimento de medicamentos é longo e árduo. Afinal, pode levar mais de 10 anos e US$ 2,6 bilhões para levar um medicamento ao mercado. Começa quando os pesquisadores tentam entender o processo por trás de uma doença em nível celular ou molecular. Através de uma melhor compreensão dos processos e vias da doença, são identificados potenciais “alvos” para novos tratamentos. Se os testes pré-clínicos demonstrarem segurança e eficácia, um candidato passa para fases sucessivas de teste, revisão e autorização.

A cada passo, as decisões de avançar ou interromper certos compostos são tomadas com base em dados experimentais e históricos. “Falhar rapidamente”, ou encerrar o desenvolvimento com base em desempenho insatisfatório, é crucial. Isso ocorre porque os custos aumentam a cada etapa sucessiva do pipeline e, especialmente, quando os testes em humanos começam. Para combater essas dificuldades, as empresas farmacêuticas podem empregar a análise de dados.

Aplicativos de análise de dados para empresas farmacêuticas

A análise de big data envolve a coleta, manipulação e análise de conjuntos de dados massivos e diversos. Ele é promissor para as empresas farmacêuticas de várias maneiras: 1) A modelagem preditiva pode revelar alvos para o pipeline de medicamentos. 2) As ferramentas estatísticas podem melhorar o recrutamento de pacientes e aprimorar o monitoramento. 3) A mineração de dados de fóruns públicos e sites de mídia social pode identificar reações adversas a medicamentos não relatadas formalmente. Vamos nos aprofundar em cada caso de uso.

Modelagem Preditiva na Descoberta de Medicamentos

Se você fosse uma empresa de marketing procurando otimizar as conversões, investiria recursos em seu mercado-alvo e não em toda a população. É semelhante na descoberta de medicamentos – as empresas farmacêuticas pretendem investir em compostos com probabilidade de sucesso em ensaios clínicos e no mercado para que possam recuperar os investimentos iniciais em P&D.

No passado, os pesquisadores usavam compostos naturais de plantas ou animais como base para drogas candidatas. O desenvolvimento de medicamentos tem sido historicamente um processo iterativo usando laboratórios de triagem de alto rendimento (HTS) para testar fisicamente milhares de compostos por dia, com uma taxa de acerto esperada de 1% ou menos. Mas agora os cientistas estão criando novas moléculas com computadores. A modelagem preditiva, sofisticada e básica, pode ajudar a prever a interação, inibição e toxicidade de drogas candidatas. Um método muito difundido é a modelagem farmacocinética, que usa modelagem matemática avançada e simulações para prever como o composto agirá no corpo. Mesmo sem informações de estrutura de proteínas disponíveis, a triagem de bibliotecas de compostos virtuais permite que os pesquisadores considerem até 10.000 compostos e reduzam para 10 ou 20.

Esses recursos não precisam necessariamente ser construídos internamente. Recentemente, a IBM Watson Health e a Pfizer firmaram uma parceria para ajudar os pesquisadores a descobrir novos alvos de drogas. Enquanto o pesquisador médio lê 250-300 artigos em um ano, Watson processou 25 milhões de resumos Medline, mais de um milhão de artigos de revistas médicas em texto completo e quatro milhões de patentes. O Watson pode até ser ampliado com os dados privados de uma organização para revelar padrões ocultos.

Uma abordagem mais simples inclui a aplicação de dados históricos de estudos pré-clínicos, ensaios clínicos e vigilância pós-comercialização. Os dados podem ser usados ​​para prever o resultado final (aprovação da FDA/resultados do paciente) com base em várias variáveis ​​independentes.

Processos famintos por dados levam a uma maior colaboração

Paywalls e patentes há muito retardam o fluxo de informações na indústria hipercompetitiva. Portanto, uma tendência interessante é a crescente colaboração entre as partes da indústria. Por exemplo, o Structural Genomics Consortium, sem fins lucrativos, faz parceria com nove empresas farmacêuticas e laboratórios, que se comprometeram a compartilhar suas listas de desejos de medicamentos, resultados em periódicos de acesso aberto e amostras experimentais para acelerar a descoberta.

Da mesma forma, a startup britânica MedChemica está no centro de uma colaboração projetada para acelerar o desenvolvimento usando mineração de dados, mantendo a propriedade intelectual de cada parceiro. A tecnologia da MedChemica explora os bancos de dados de moléculas dos parceiros para encontrar pares próximos, realiza uma análise entre os dois e a saída é usada para criar regras que podem ser aplicadas a moléculas virtuais para prever os impactos de mudanças estruturais semelhantes. Todos os parceiros do consórcio podem sugerir onde são necessários dados adicionais e podem até concordar em compartilhar os custos em testes adicionais.

Melhor Design de Ensaio Clínico

Ensaios clínicos são estudos de pesquisa que testam se um tratamento é seguro e eficaz para humanos. Há três fases antes de um medicamento passar para a revisão da FDA. Cada fase subsequente envolve mais indivíduos, aumentando de dezenas na Fase I para milhares na Fase III. O processo normalmente leva de seis a sete anos para ser concluído. Atrasos no lançamento no mercado podem chegar a US$ 15 milhões por dia em custos de oportunidade para um medicamento de grande sucesso. Aqui estão alguns pontos problemáticos de ensaios clínicos e como o big data pode aliviá-los:

Recrutamento aprimorado e direcionado

O fracasso do ensaio é muitas vezes causado pela incapacidade de recrutar pacientes elegíveis suficientes. Os ensaios de Fase III são realizados em mais de 100 locais em dez ou mais países. E, como os medicamentos agora são frequentemente projetados para populações de nicho, as empresas competem para recrutar os mesmos pacientes. Como resultado, 37% dos ensaios clínicos não atingem suas metas de recrutamento e 11% dos locais não conseguem recrutar um único paciente. De acordo com o National Cancer Institute, apenas 5% dos pacientes com câncer participam de ensaios clínicos. O método tradicional de recrutamento de pacientes elegíveis é a revisão manual das listas de pacientes dos médicos, mas é caro e lento.

É aqui que os dados eletrônicos do hospital do paciente e o big data podem ajudar. Com analistas e cientistas de dados, os pacientes podem ser inscritos com base em outras fontes que não sejam os visitantes dos médicos, como mídias sociais. Os critérios para seleção de pacientes agora podem incluir fatores como informações genéticas, status da doença e características individuais, permitindo que os ensaios sejam menores, mais curtos e menos caros. “É como pescar com um localizador de peixes”, disse John Potthoff, diretor executivo da Elligo Health Research. “Você pode realmente ver onde os pacientes estão e onde ir buscá-los. Quando você está olhando para um grupo maior, pode ser mais direcionado para encontrar os pacientes que melhor atendem aos critérios de inclusão e exclusão.” Ellen Kelso, diretora executiva do Chesapeake IRB, um conselho de revisão institucional independente que consulta empresas farmacêuticas, estima que mais de 60% dos ensaios usam análises preliminares online para identificar potenciais participantes.

Gerenciamento de testes mais forte e eficiente

Automação e big data permitem que os testes sejam monitorados em tempo real. Eles podem identificar sinais operacionais ou de segurança, ajudando a evitar problemas dispendiosos, como eventos adversos e atrasos. De acordo com um relatório recente da McKinsey, os ganhos potenciais de eficiência em ensaios clínicos incluem:

• A estimativa dinâmica do tamanho da amostra e outras alterações de protocolo podem permitir respostas rápidas aos insights emergentes dos dados clínicos. Eles também permitem testes menores de potência equivalente ou tempos de teste mais curtos, levando a ganhos de eficiência.
• A adaptação às diferenças nas taxas de recrutamento de pacientes do site permitiria que uma empresa abordasse sites com atraso, colocasse novos sites on-line, se necessário, e aumentasse o recrutamento de sites bem-sucedidos.
• O uso de registros médicos eletrônicos como fonte primária de dados de ensaios clínicos, em vez de um sistema separado, pode acelerar os ensaios e reduzir os erros de entrada manual de dados.
• O monitoramento remoto de sites de próxima geração habilitado por acesso a dados em tempo real pode melhorar o gerenciamento e as respostas a problemas que surgem em testes.

Complementando dados de ensaios clínicos com dados do mundo real

A indústria experimentou uma explosão nos dados disponíveis além do que é coletado em ambientes de ensaios clínicos tradicionais e rigidamente controlados. Embora os dados de registros eletrônicos de saúde (EHR) anônimos tenham sido analisados ​​no passado, geralmente são limitados a uma única instituição de pesquisa ou rede de provedores. No entanto, agora é possível vincular diferentes fontes de dados, permitindo que questões de pesquisa complexas sejam abordadas.

Por exemplo, a análise de dados de pacientes do EHR coletados em tempo real durante consultas médicas ou hospitalares pode nos ajudar a entender melhor os padrões de tratamento e os resultados clínicos no mundo real. Esses insights complementam os obtidos em ensaios clínicos e podem avaliar um espectro mais amplo de pacientes normalmente excluídos dos ensaios (por exemplo, pacientes idosos, frágeis ou imóveis, etc.). A gigante farmacêutica Genentech investiu pesadamente nessa abordagem, analisando bancos de dados de pacientes do mundo real para entender os resultados de diferentes subtipos de pacientes, regimes de tratamento e como diferentes padrões de tratamento afetam os resultados clínicos no mundo real.

Detecção de Reações Adversas a Medicamentos

As reações prejudiciais causadas por medicamentos são conhecidas como reações adversas a medicamentos (RAMs). Como os ensaios clínicos não imitam totalmente as condições do mundo real, as consequências de um medicamento não podem ser totalmente avaliadas antes do lançamento no mercado. E os sistemas de notificação de RAM dependem de relatórios regulatórios espontâneos que passaram por advogados, médicos e farmacêuticos, onde as informações podem ser perdidas ou mal interpretadas. Portanto, a detecção e a notificação de RAM são muitas vezes incompletas ou intempestivas. Estima-se que até 90% dos efeitos colaterais dos medicamentos não são relatados.

Muitos usuários de drogas, em vez disso, usam mídias sociais como Twitter, Facebook e fóruns médicos públicos, incluindo Medications.com e DailyStrength.com, para expressar reclamações ou relatar efeitos colaterais. Muitos usuários até incluem hashtags para agências reguladoras (por exemplo, #FDA), fabricantes (#Pfizer, #GSK) e produtos específicos (#accutaneprobz). A mineração desses locais para RAMs fornecidas pelo paciente pode ser mais precisa do que aquelas diagnosticadas por profissionais médicos. De acordo com David Lewis, chefe de segurança global da Novartis, “dados de mineração de mídia social nos dão uma chance maior de capturar RAMs que um paciente não necessariamente reclamaria com seu médico ou enfermeiro… um psiquiatra não pode ver a ideação suicida como uma RAM enquanto um paciente pode descrevê-la perfeitamente.” A análise de sentimentos, que identifica e categoriza computacionalmente as opiniões expressas no texto, também pode ser realizada.

A Epidemico, uma subsidiária da Booz Allen Hamilton, usa algoritmos de processamento de linguagem natural e aprendizado de máquina para pesquisar ADRs de postagens de mídia social para cerca de 1.400 medicamentos. Um estudo de 2014, lançado em conjunto pela FDA e Epidemico, examinou 6,9 milhões de postagens no Twitter e encontrou 4.401 tweets que se assemelhavam a um ADR. Quando comparado com os dados mantidos pelo FDA, o estudo encontrou uma alta relação entre os relatórios informais de mídia social e os relatados em ensaios clínicos (veja o gráfico abaixo).

Recomendações para empresas farmacêuticas que desejam implementar esses recursos

Apesar de seus benefícios, muitas empresas farmacêuticas têm receio de investir em recursos analíticos de big data. Abaixo estão algumas recomendações para o sucesso na implementação:

• Tecnologia e análise. As empresas farmacêuticas que utilizam sistemas legados devem aumentar a capacidade de compartilhar dados conectando esses sistemas. Além disso, a P&D farmacêutica deve alavancar ferramentas de ponta, como biossensores e dispositivos de medição de saúde em smartphones. Dados de dispositivos inteligentes e monitoramento remoto de pacientes por meio de sensores e dispositivos podem facilitar a P&D, analisar a eficácia e melhorar as vendas futuras. Por exemplo, o Google fechou uma parceria com a Novartis para desenvolver uma lente de contato inteligente que monitora os níveis de glicose dos diabéticos, enquanto a Roche e a Qualcomm estão unindo forças para elevar os monitores de anticoagulação, que protegem contra coágulos sanguíneos, para transmitir informações do paciente sem fio.

• Concentre-se em evidências do mundo real. Os resultados do mundo real estão se tornando mais importantes à medida que os pagadores utilizam preços baseados em valor. As empresas podem se diferenciar ao buscar medicamentos com resultados tangíveis no mundo real, como aqueles direcionados a populações de pacientes de nicho. Para expandir seus dados além dos ensaios clínicos, eles podem até ingressar em redes de dados proprietárias.

• Colaborar interna e externamente. Historicamente, a P&D farmacêutica tem sido envolta em sigilo, mas a colaboração interna e externa será a chave para o sucesso com big data. Melhorar a colaboração interna requer comunicação simplificada entre descoberta, desenvolvimento clínico e assuntos médicos. Isso pode levar a insights em todo o portfólio, incluindo identificação clínica e oportunidades potenciais em medicina personalizada. A colaboração externa também é importante: pesquisadores acadêmicos podem fornecer informações sobre os mais recentes avanços científicos, iniciativas lideradas com outras empresas farmacêuticas podem criar um pool de dados maior e mais poderoso para alavancar a descoberta e organizações de pesquisa contratadas (CROs) podem ajudar a dimensionar um esforço interno ou fornecer conhecimentos específicos.

• Organização. Para evitar silos de dados e facilitar o compartilhamento de dados, é melhor atribuir proprietários a diferentes tipos de dados, com alcance estendendo-se pelas funções. A experiência adquirida pelo proprietário dos dados será inestimável ao desenvolver maneiras de usar as informações existentes ou integrar dados adicionais. Também aumentaria a responsabilidade pela qualidade dos dados. No entanto, essas mudanças só são possíveis se a liderança da empresa apoiar genuinamente o valor do big data.

Pensamentos de despedida

Hoje, está claro que as ciências da vida, ciência da computação e ciência de dados estão convergindo. Embora os desafios técnicos e culturais estejam, sem dúvida, à frente, a análise avançada de dados é uma alavanca que as empresas farmacêuticas podem usar para combater a economia de P&D desfavorável. É claro, porém, que a promessa de big data permanecerá apenas se as organizações não tomarem medidas estratégicas na implementação.

De acordo com Glen de Vries, da empresa de SaaS Medidata, o big data “pode curar o mal-estar de P&D das ciências da vida”. Durante a Conferência Global de Produtos Farmacêuticos e Biotecnologia organizada pelo The Financial Times, ele comparou o big data com a descoberta da Pedra de Roseta, que permitiu aos estudiosos decifrar os hieróglifos e desvendar a história do Egito Antigo. Da mesma forma, se os conjuntos de dados puderem ser combinados dentro do sistema de saúde, incluindo informações provenientes de genômica/proteômica, dados clínicos registrados por médicos e saúde móvel, a pesquisa médica sofrerá uma revolução.