Big Data: Prescripție pentru situația de cercetare și dezvoltare farmaceutică

Cifrele demonstrează că 2016 nu a fost un an grozav pentru industria farmaceutică din SUA. La începutul lunii decembrie, doar 19 medicamente noi fuseseră aprobate de Food and Drug Administration (FDA), mai puțin de jumătate dintre cele aprobate în 2015 și cel mai scăzut nivel din 2007. Printre cei mai mari jucători, rentabilitatea investiției în cercetare și dezvoltare (C&D) a scăzut la 3,7%.

În ciuda acestor statistici descurajatoare, industria farmaceutică rămâne parte integrantă a ecosistemului mai larg de asistență medicală. Dar industria se confruntă cu o presiune crescândă pentru a îmbunătăți productivitatea și a minimiza timpul de dezvoltare. Rentabilitatea cercetării și dezvoltării servește ca o măsură importantă de performanță pentru investitori, precum și un punct de plecare pentru dialogul dintre industrie, plătitori și grupurile de evaluare a tehnologiei sănătății, care determină în mod colectiv valoarea medicamentelor inovatoare. Actorii din industrie pot urma diferite strategii – inclusiv parteneriate științifice, investiții în piețele emergente și diversificarea portofoliilor de produse – pentru a contracara problemele de productivitate. Cu toate acestea, așa cum sugerează această piesă, o altă soluție include analiza datelor, care poate îmbunătăți și accelera dezvoltarea medicamentelor.

Acest articol examinează stadiul actual al dezvoltării medicamentelor și modul în care big data își poate îmbunătăți diferitele componente: descoperirea medicamentelor, proiectarea studiilor clinice și detectarea reacțiilor adverse la medicamente. Se va încheia apoi cu recomandări pentru companiile care doresc să integreze aceste tipuri de soluții.

Scăderea rentabilității investiției pentru cercetare și dezvoltare farmaceutică

După cum sa menționat anterior, puțini candidați la medicamente devin în cele din urmă aprobate comercial, cu atât mai puțin succese comerciale. Doar cinci din 5.000, sau 0,1%, dintre medicamentele care încep testele preclinice ajung vreodată la testarea umană și doar unul devine aprobat pentru uz uman.

Potrivit unui raport McKinsey din 2012, ratele de succes cumulate au scăzut cu 50%, deoarece numărul de programe de dezvoltare a medicamentelor și costul per program s-au dublat. De asemenea, se crede că lansările unice arată îmbunătățiri tranzitorii ale rentabilității investiției, eclipsând probleme mai profunde, cum ar fi costurile de încercare în creștere și piețele aglomerate. Multe companii farmaceutice au creat o valoare semnificativă pentru acționari pe 25 de ani, deși rezultatele lor în următorul deceniu sunt mai modeste (vezi mai jos).

Puțini ar contesta faptul că procesul de dezvoltare a medicamentelor este lung și anevoios. La urma urmei, poate dura mai mult de 10 ani și 2,6 miliarde de dolari pentru a aduce un medicament pe piață. Începe atunci când cercetătorii încearcă să înțeleagă procesul din spatele unei boli la nivel celular sau molecular. Printr-o mai bună înțelegere a proceselor și a căilor bolii, sunt identificate potențiale „ținte” pentru noile tratamente. Dacă testele preclinice demonstrează siguranța și eficacitatea, un candidat trece în faze succesive de testare, revizuire și autorizare.

La fiecare pas, deciziile de a avansa sau opri anumiți compuși sunt luate pe baza datelor experimentale și istorice. „Eșecul rapid” sau încetarea dezvoltării ulterioare bazate pe performanțe nesatisfăcătoare, este crucială. Acest lucru se datorează faptului că costurile cresc la fiecare etapă succesivă a conductei, și mai ales atunci când încep testele umane. Pentru a combate aceste dificultăți, companiile farmaceutice pot folosi analiza datelor.

Aplicații de analiză a datelor pentru companii farmaceutice

Analiza datelor mari implică colectarea, manipularea și analiza unor seturi de date masive și diverse. Oferă promisiuni pentru companiile farmaceutice în mai multe moduri: 1) Modelarea predictivă poate descoperi ținte pentru pipeline de medicamente. 2) Instrumentele statistice pot îmbunătăți recrutarea pacienților și pot îmbunătăți monitorizarea. 3) Exploatarea de date a forumurilor publice și a site-urilor de social media poate identifica reacții adverse la medicamente care nu sunt raportate oficial. Să analizăm fiecare caz de utilizare.

Modelarea predictivă în descoperirea medicamentelor

Dacă ai fi o companie de marketing care dorește să optimizeze conversiile, ai investi resurse în piața țintă, mai degrabă decât în ​​întreaga populație. Este similar în ceea ce privește descoperirea de medicamente – companiile farmaceutice își propun să investească în compuși care ar putea avea succes în studiile clinice și pe piață, astfel încât să poată recupera investițiile inițiale în cercetare și dezvoltare.

În trecut, cercetătorii au folosit compuși naturali din plante sau animale ca bază pentru medicamentele candidate. Dezvoltarea medicamentelor a fost din istorie un proces iterativ care folosește laboratoarele de screening cu randament ridicat (HTS) pentru a testa fizic mii de compuși pe zi, cu o rată de succes estimată de 1% sau mai puțin. Dar acum oamenii de știință creează noi molecule cu computere. Modelarea predictivă, atât sofisticată, cât și de bază, poate ajuta la prezicerea interacțiunii medicamentului candidat, a inhibiției și a toxicității. O metodă larg răspândită este modelarea farmacocinetică, care folosește modelare și simulări matematice avansate pentru a prezice modul în care compusul va acționa în organism. Chiar și fără informații disponibile despre structura proteinelor, screening-ul bibliotecilor virtuale de compuși permite cercetătorilor să ia în considerare până la 10.000 de compuși și să-i restrângă la 10 sau 20.

Aceste capabilități nu trebuie neapărat construite în interior. Recent, IBM Watson Health și Pfizer au creat un parteneriat pentru a ajuta cercetătorii să descopere noi ținte de medicamente. În timp ce un cercetător mediu citește 250-300 de articole într-un an, Watson a procesat 25 de milioane de rezumate Medline, peste un milion de articole din reviste medicale cu text integral și patru milioane de brevete. Watson poate fi chiar îmbunătățit cu datele private ale unei organizații pentru a dezvălui tipare ascunse.

O abordare mai simplă include aplicarea datelor istorice din studii preclinice, studii clinice și supraveghere după punerea pe piață. Datele pot fi utilizate pentru a prezice rezultatul final (aprobarea FDA/rezultatele pacientului) pe baza diferitelor variabile independente.

Procesele aglomerate de date duc la o colaborare sporită

Paywall-urile și brevetele au încetinit de multă vreme fluxul de informații în industria hipercompetitivă. Deci, o tendință interesantă este colaborarea în creștere între părțile din industrie. De exemplu, Consorțiul nonprofit Structural Genomics colaborează cu nouă companii și laboratoare farmaceutice, care s-au angajat să-și împărtășească listele de dorințe de medicamente, rezultatele în reviste cu acces deschis și mostre experimentale pentru a accelera descoperirea.

În mod similar, startup-ul britanic MedChemica se află în centrul unei colaborări menite să accelereze dezvoltarea utilizând data mining-ul, păstrând în același timp proprietatea intelectuală a fiecărui partener. Tehnologia MedChemica extrage bazele de date ale partenerilor de molecule pentru a găsi perechi strâns potrivite, efectuează o analiză între cele două, iar rezultatul este apoi folosit pentru a crea reguli care pot fi aplicate moleculelor virtuale pentru a prezice impactul schimbărilor structurale similare. Toți partenerii din consorțiu pot sugera unde sunt necesare date suplimentare și pot chiar să fie de acord să împartă costurile în testele ulterioare.

Design mai bun al studiilor clinice

Studiile clinice sunt studii de cercetare care testează dacă un tratament este sigur și eficient pentru oameni. Există trei faze înainte ca un medicament să treacă în revizuirea FDA. Fiecare fază ulterioară implică mai mulți indivizi, crescând de la zeci în Faza I la mii în Faza III. Procesul durează de obicei șase până la șapte ani. Întârzierile în lansarea pe piață se pot ridica la 15 milioane de dolari pe zi în costuri de oportunitate pentru un medicament de succes. Iată câteva puncte critice ale studiilor clinice și cum le pot atenua datele mari:

Recrutare îmbunătățită, direcționată

Eșecul testului este adesea cauzat de incapacitatea de a recruta suficienti pacienți eligibili. Studiile de fază III sunt efectuate în peste 100 de locații din zece sau mai multe țări. Și, deoarece medicamentele sunt acum adesea concepute pentru populații de nișă, companiile concurează pentru a recruta aceiași pacienți. Drept urmare, 37% dintre studiile clinice nu reușesc să-și atingă obiectivele de recrutare și 11% dintre site-uri nu reușesc să recruteze un singur pacient. Potrivit Institutului Național al Cancerului, doar 5% dintre pacienții cu cancer se alătură studiilor clinice. Metoda tradițională de recrutare a pacienților eligibili este revizuirea manuală a listelor de pacienți ale medicilor, dar este costisitoare și lentă.

Iată unde pot ajuta datele electronice ale spitalelor pentru pacienți și big data. Cu oamenii de analiză și de date, pacienții pot fi înscriși pe baza altor surse decât vizitatorii medicilor, cum ar fi rețelele sociale. Criteriile de selecție a pacienților pot include acum factori precum informații genetice, starea bolii și caracteristicile individuale, permițând studiilor să fie mai mici, mai scurte și mai puțin costisitoare. „Este ca și cum ai pescui cu un detector de pești”, a spus John Potthoff, director executiv la Elligo Health Research. „Puteți vedea cu adevărat unde sunt pacienții și unde să mergeți pentru a-i obține. Când te uiți la un grup mai mare, poți fi mai direcționat în găsirea pacienților care îndeplinesc cel mai bine criteriile de includere și excludere.” Ellen Kelso, director executiv la Chesapeake IRB, un consiliu de evaluare instituțional independent care consultă companiile farmaceutice, estimează că peste 60% dintre studii folosesc analize online preliminare pentru a identifica potențialii participanți.

Gestionarea proceselor mai puternică și mai eficientă

Automatizarea și big data permit monitorizarea încercărilor în timp real. Ele pot identifica semnalele de siguranță sau operaționale, ajutând la evitarea problemelor costisitoare, cum ar fi evenimentele adverse și întârzierile. Potrivit unui raport recent McKinsey, potențialele câștiguri ale eficienței studiilor clinice includ:

• Estimarea dinamică a dimensiunii eșantionului și alte modificări ale protocolului ar putea permite răspunsuri rapide la perspectivele emergente din datele clinice. Ele permit, de asemenea, încercări mai mici de putere echivalentă sau timpi de încercare mai scurti, ceea ce duce la câștiguri de eficiență.
• Adaptarea la diferențele dintre ratele de recrutare a pacienților de pe site ar permite unei companii să abordeze site-urile întârziate, să aducă site-uri noi online, dacă este necesar, și să crească recrutarea de la site-uri de succes.
• Folosirea înregistrărilor medicale electronice ca sursă primară pentru datele din studiile clinice, mai degrabă decât a avea un sistem separat, ar putea accelera studiile și reduce erorile de introducere manuală a datelor.
• Monitorizarea de la distanță de ultimă generație a site-urilor, activată de accesul la date în timp real, ar putea îmbunătăți managementul și răspunsurile la problemele care apar în timpul încercărilor.

Suplimentarea datelor din studiile clinice cu date din lumea reală

Industria a experimentat o explozie a datelor disponibile dincolo de cele colectate din mediile tradiționale de studii clinice strict controlate. În timp ce datele de fișă electronică de sănătate (EHR) anonimizate au fost analizate în trecut, acestea sunt de obicei limitate la o singură instituție de cercetare sau rețea de furnizori. Cu toate acestea, acum este posibil să se conecteze diferite surse de date, permițând abordarea întrebărilor complexe de cercetare.

De exemplu, analiza datelor pacientului EHR colectate în timp real în timpul vizitelor la medic sau la spital ne poate ajuta să înțelegem mai bine modelele de tratament și rezultatele clinice din lumea reală. Aceste perspective le completează pe cele obținute din studiile clinice și pot evalua un spectru mai larg de pacienți excluși în mod obișnuit din studii (de exemplu, pacienți vârstnici, fragili sau imobili etc.). Gigantul farmaceutic Genentech a investit mult în această abordare, analizând baze de date cu pacienți din lumea reală pentru a înțelege rezultatele diferitelor subtipuri de pacienți, regimuri de tratament și modul în care diferitele modele de tratament afectează rezultatele clinice în lumea reală.

Detectarea reacțiilor adverse la medicamente

Reacțiile dăunătoare cauzate de medicamente sunt cunoscute ca reacții adverse la medicamente (ADR). Deoarece studiile clinice nu imită pe deplin condițiile din lumea reală, consecințele unui medicament nu pot fi pe deplin evaluate înainte de lansarea pe piață. Și, sistemele de raportare a RAM se bazează pe rapoarte de reglementare spontane care au trecut prin avocați, clinicieni și farmaciști, unde informațiile pot fi pierdute sau interpretate greșit. Prin urmare, detectarea și raportarea ADR sunt adesea incomplete sau intempestive. Se estimează că până la 90% dintre efectele secundare ale medicamentelor nu sunt raportate.

Mulți consumatori de droguri apelează în schimb la rețelele sociale precum Twitter, Facebook și forumuri medicale publice, inclusiv Medications.com și DailyStrength.com, pentru a exprima plângeri sau pentru a raporta efecte secundare. Mulți utilizatori includ chiar și hashtag-uri pentru agențiile de reglementare (de exemplu, #FDA), producători (#Pfizer, #GSK) și produse specifice (#accutaneprobz). Exploatarea acestor site-uri pentru ADR furnizate de pacient se poate dovedi mai precisă decât cele diagnosticate de profesioniștii medicali. Potrivit lui David Lewis, șeful pentru siguranță globală ca Novartis, „Exploarea datelor din rețelele sociale ne oferă o șansă mai mare de a capta reacții adverse de care un pacient nu s-ar plânge neapărat medicului sau asistentei sale... un psihiatru nu poate vedea ideea suicidară ca fiind un ADR în timp ce un pacient îl poate descrie perfect.” De asemenea, poate fi efectuată și analiza sentimentelor, care identifică și clasifică în mod computațional opiniile exprimate în text.

Epidemico, o subsidiară a lui Booz Allen Hamilton, folosește procesarea limbajului natural și algoritmi de învățare automată pentru a căuta reacții adverse din postările de pe rețelele sociale pentru aproximativ 1.400 de medicamente. Un studiu din 2014, lansat în comun de FDA și Epidemico, a examinat 6,9 milioane de postări pe Twitter și a găsit 4.401 de tweet-uri care seamănă cu un ADR. În comparație cu datele deținute de FDA, studiul a găsit o relație ridicată între rapoartele informale din rețelele sociale și cele raportate în studiile clinice (vezi graficul de mai jos).

Recomandări pentru companiile farmaceutice care doresc să implementeze aceste caracteristici

În ciuda beneficiilor sale, multe companii farmaceutice se feresc să investească în capabilități de analiză a datelor mari. Mai jos sunt câteva recomandări pentru succes în implementare:

• Tehnologie și analiză. Companiile farmaceutice care utilizează sisteme vechi ar trebui să sporească capacitatea de a partaja date prin conectarea acestor sisteme. În plus, cercetarea și dezvoltarea farmaceutică ar trebui să utilizeze instrumente de ultimă oră, cum ar fi biosenzorii și dispozitivele de măsurare a sănătății din smartphone-uri. Datele de la dispozitive inteligente și monitorizarea de la distanță a pacienților prin senzori și dispozitive ar putea facilita cercetarea și dezvoltarea, ar putea analiza eficacitatea și ar putea îmbunătăți vânzările viitoare. De exemplu, Google a încheiat un parteneriat cu Novartis pentru a dezvolta o lentilă de contact inteligentă care monitorizează nivelurile de glucoză ale diabeticilor, în timp ce Roche și Qualcomm își unesc forțele pentru a ridica monitoare anticoagulante, care protejează împotriva cheagurilor de sânge, pentru a transmite fără fir informațiile pacientului.

• Concentrați-vă pe dovezile din lumea reală. Rezultatele din lumea reală devin din ce în ce mai importante pe măsură ce plătitorii folosesc prețuri bazate pe valoare. Companiile se pot diferenția prin urmărirea medicamentelor cu rezultate tangibile în lumea reală, cum ar fi cele care vizează populațiile de pacienți de nișă. Pentru a-și extinde datele dincolo de studiile clinice, aceștia pot chiar să se alăture rețelelor de date proprietare.

• Colaborați intern și extern. Cercetarea și dezvoltarea farmaceutică a fost în mod istoric ascuns în secret, dar atât colaborarea internă, cât și cea externă va fi cheia succesului cu big data. Îmbunătățirea colaborării interne necesită o comunicare eficientă între descoperire, dezvoltare clinică și afaceri medicale. Acest lucru poate duce la perspective în întregul portofoliu, inclusiv la identificarea clinică și la oportunități potențiale în medicina personalizată. Colaborarea externă este, de asemenea, importantă: cercetătorii academicieni pot oferi o perspectivă asupra celor mai recente descoperiri științifice, inițiativele conduse de alte companii farmaceutice pot crea un pool de date mai mare și mai puternic pe care să îl folosească pentru descoperire, iar organizațiile de cercetare contractuale (CRO) pot ajuta la extinderea unui efort intern. sau să ofere expertiză specifică.

• Organizare. Pentru a evita silozările de date și pentru a facilita partajarea datelor, cel mai bine este să atribuiți proprietari diferitelor tipuri de date, extinzându-le pe toate funcțiile. Expertiza dobândită de proprietarul datelor va fi de neprețuit atunci când se dezvoltă modalități de utilizare a informațiilor existente sau de a integra date suplimentare. De asemenea, ar spori responsabilitatea pentru calitatea datelor. Cu toate acestea, aceste schimbări sunt posibile doar dacă conducerea companiei susține cu adevărat valoarea big data.

Gânduri de despărțire

Astăzi, este clar că științele vieții, informatica și știința datelor converg. Deși, fără îndoială, ne așteaptă provocări tehnice și culturale, analiza avansată a datelor este o pârghie pe care companiile farmaceutice o pot acționa pentru a combate economia de cercetare și dezvoltare nefavorabilă. Desigur, totuși, promisiunea big data va rămâne doar aceea dacă organizațiile nu iau pași strategici în implementare.

Potrivit lui Glen de Vries de la compania SaaS Medidata, big data „pot vindeca starea de rău în cercetare și dezvoltare a științei vieții”. În timpul Conferinței Globale de Farmaceutică și Biotehnologie găzduită de The Financial Times, el a comparat datele mari cu descoperirea Pietrei Rosetta, care a permis cercetătorilor să descifreze hieroglifele și să deblocheze istoria Egiptului Antic. În mod similar, dacă seturile de date pot fi combinate în cadrul sistemului de asistență medicală, inclusiv informații care provin din genomică/proteomică, date în clinică înregistrate de medici și sănătatea mobilă, cercetarea medicală va suferi o revoluție.