บิ๊กดาต้า: ใบสั่งยาสำหรับชะตากรรมของ R&D ด้านเภสัชกรรม

ตัวเลขแสดงให้เห็นว่าปี 2016 ไม่ใช่ปีที่ยอดเยี่ยมสำหรับอุตสาหกรรมยาของสหรัฐอเมริกา ณ ต้นเดือนธันวาคม ยาใหม่เพียง 19 ชนิดเท่านั้นที่ได้รับการอนุมัติจากสำนักงานคณะกรรมการอาหารและยา (อย.) น้อยกว่าครึ่งหนึ่งที่ได้รับอนุมัติในปี 2558 และอยู่ในระดับต่ำสุดนับตั้งแต่ปี 2550 ในบรรดาผู้เล่นรายใหญ่ที่สุดคือผลตอบแทนจากการลงทุนเพื่อการวิจัยและพัฒนา (R&D) ลดลงมาอยู่ที่ 3.7%

แม้จะมีสถิติที่น่าท้อใจเหล่านี้ แต่อุตสาหกรรมยายังคงมีความสำคัญต่อระบบนิเวศด้านการดูแลสุขภาพในวงกว้าง แต่อุตสาหกรรมต้องเผชิญกับแรงกดดันที่เพิ่มขึ้นในการปรับปรุงประสิทธิภาพการทำงานและลดเวลาในการพัฒนาให้เหลือน้อยที่สุด ผลตอบแทนจากการวิจัยและพัฒนาเป็นตัวชี้วัดประสิทธิภาพที่สำคัญสำหรับนักลงทุน เช่นเดียวกับจุดเริ่มต้นสำหรับการเจรจาระหว่างอุตสาหกรรม ผู้จ่ายเงิน และกลุ่มการประเมินเทคโนโลยีด้านสุขภาพ ซึ่งรวมกันกำหนดมูลค่าของยาที่เป็นนวัตกรรมใหม่ ผู้เล่นในอุตสาหกรรมสามารถดำเนินตามกลยุทธ์ต่างๆ ซึ่งรวมถึงความร่วมมือทางวิทยาศาสตร์ การลงทุนในตลาดเกิดใหม่ และการกระจายกลุ่มผลิตภัณฑ์ เพื่อรับมือกับปัญหาด้านผลิตภาพ อย่างไรก็ตาม ตามที่ชิ้นนี้แนะนำ โซลูชันอื่นรวมถึงการวิเคราะห์ข้อมูล ซึ่งสามารถปรับปรุงและเร่งการพัฒนายาได้

บทความนี้จะตรวจสอบสถานะปัจจุบันของการพัฒนายา และวิธีที่ข้อมูลขนาดใหญ่สามารถปรับปรุงองค์ประกอบต่างๆ ของยาได้ เช่น การค้นคว้ายา การออกแบบการทดลองทางคลินิก และการตรวจหาปฏิกิริยาของยาที่ไม่พึงประสงค์ จากนั้นจะสรุปด้วยคำแนะนำสำหรับบริษัทที่ต้องการผสานรวมโซลูชันประเภทนี้

ลด ROI สำหรับ R&D ทางเภสัชกรรม

ดังที่กล่าวไว้ก่อนหน้านี้ ในที่สุดก็ได้รับการอนุมัติในเชิงพาณิชย์ ผู้สมัครยาไม่กี่ราย นับประสาความสำเร็จในเชิงพาณิชย์ มีเพียงห้าใน 5,000 หรือ 0.1% ของยาที่เริ่มการทดสอบพรีคลินิกเท่านั้นที่เคยผ่านการทดสอบในมนุษย์ และมีเพียงตัวเดียวเท่านั้นที่ได้รับการอนุมัติให้ใช้กับมนุษย์

ตามรายงานของ McKinsey ปี 2012 อัตราความสำเร็จสะสมลดลง 50% เนื่องจากจำนวนโครงการพัฒนายาและต้นทุนต่อโปรแกรมเพิ่มขึ้นสองเท่า เป็นที่เชื่อกันอย่างกว้างขวางว่าการเปิดตัวครั้งเดียวแสดงการปรับปรุงชั่วคราวใน ROI โดยบดบังปัญหาที่ลึกกว่า เช่น ค่าใช้จ่ายในการทดลองใช้ที่เพิ่มขึ้นและตลาดที่แออัด บริษัทยาหลายแห่งได้สร้างมูลค่าให้แก่ผู้ถือหุ้นในช่วง 25 ปีอย่างมีนัยสำคัญ แม้ว่าผลงานของพวกเขาในทศวรรษต่อ ๆ ไปจะค่อนข้างเจียมเนื้อเจียมตัว (ดูด้านล่าง)

น้อยคนนักที่จะโต้แย้งว่ากระบวนการพัฒนายานั้นยาวนานและลำบาก อย่างไรก็ตาม อาจต้องใช้เวลามากกว่า 10 ปีและ 2.6 พันล้านดอลลาร์ในการนำยาออกสู่ตลาด เริ่มต้นเมื่อนักวิจัยพยายามทำความเข้าใจกระบวนการที่อยู่เบื้องหลังโรคในระดับเซลล์หรือระดับโมเลกุล ด้วยความเข้าใจที่ดีขึ้นเกี่ยวกับกระบวนการและวิถีของโรค จึงมีการระบุ "เป้าหมาย" ที่เป็นไปได้สำหรับการรักษาใหม่ๆ หากการทดสอบพรีคลินิกแสดงให้เห็นถึงความปลอดภัยและประสิทธิภาพ ผู้สมัครจะเข้าสู่ขั้นตอนการทดสอบ การทบทวน และการอนุญาตที่ต่อเนื่องกัน

ในทุกขั้นตอน การตัดสินใจที่จะก้าวหน้าหรือหยุดสารประกอบบางอย่างจะทำบนพื้นฐานของข้อมูลการทดลองและประวัติ “ล้มเหลวอย่างรวดเร็ว” หรือยุติการพัฒนาเพิ่มเติมโดยพิจารณาจากประสิทธิภาพที่ไม่น่าพอใจเป็นสิ่งสำคัญ เนื่องจากต้นทุนเพิ่มขึ้นในทุกขั้นตอนต่อเนื่องของไปป์ไลน์ และโดยเฉพาะอย่างยิ่งเมื่อการทดลองในมนุษย์เริ่มต้นขึ้น เพื่อต่อสู้กับปัญหาเหล่านี้ บริษัทยาสามารถใช้การวิเคราะห์ข้อมูลได้

แอปพลิเคชันการวิเคราะห์ข้อมูลสำหรับบริษัทยา

การวิเคราะห์ข้อมูลขนาดใหญ่เกี่ยวข้องกับการรวบรวม การจัดการ และการวิเคราะห์ชุดข้อมูลขนาดใหญ่และหลากหลาย มันให้คำมั่นสัญญาแก่บริษัทยาได้หลายวิธี: 1) การสร้างแบบจำลองเชิงคาดการณ์สามารถค้นพบเป้าหมายสำหรับท่อส่งยาได้ 2) เครื่องมือทางสถิติสามารถปรับปรุงการจัดหาผู้ป่วยและเพิ่มประสิทธิภาพการเฝ้าติดตาม 3) การขุดข้อมูลของฟอรัมสาธารณะและไซต์โซเชียลมีเดียสามารถระบุปฏิกิริยาของยาที่ไม่พึงประสงค์ซึ่งไม่ได้รายงานอย่างเป็นทางการ มาเจาะลึกการใช้งานแต่ละกรณีกัน

การสร้างแบบจำลองทำนายในการค้นพบยา

หากคุณเป็นบริษัทการตลาดที่ต้องการเพิ่มประสิทธิภาพ Conversion คุณจะต้องลงทุนทรัพยากรในตลาดเป้าหมายมากกว่าประชากรทั้งหมด การค้นคว้ายาก็คล้ายคลึงกัน โดยบริษัทยาตั้งเป้าที่จะลงทุนในสารประกอบที่มีแนวโน้มว่าจะประสบความสำเร็จในการทดลองทางคลินิกและตลาด เพื่อให้สามารถกู้คืนการลงทุนด้านการวิจัยและพัฒนาเบื้องต้นได้

ในอดีต นักวิจัยใช้สารประกอบจากพืชหรือสัตว์ตามธรรมชาติเป็นพื้นฐานสำหรับยาที่เลือกใช้ การพัฒนายาในอดีตเป็นกระบวนการทำซ้ำโดยใช้ห้องแล็บการตรวจคัดกรองปริมาณงานสูง (HTS) เพื่อทดสอบสารประกอบหลายพันชนิดทางร่างกายต่อวัน โดยคาดว่าจะมีอัตราการกระแทกที่ 1% หรือน้อยกว่า แต่ตอนนี้นักวิทยาศาสตร์กำลังสร้างโมเลกุลใหม่ด้วยคอมพิวเตอร์ แบบจำลองเชิงทำนายทั้งแบบซับซ้อนและแบบพื้นฐานสามารถช่วยคาดการณ์ปฏิกิริยาโต้ตอบ การยับยั้ง และความเป็นพิษของยาที่เป็นไปได้ วิธีการที่แพร่หลายคือการสร้างแบบจำลองทางเภสัชจลนศาสตร์ ซึ่งใช้แบบจำลองทางคณิตศาสตร์ขั้นสูงและการจำลองเพื่อคาดการณ์ว่าสารประกอบจะออกฤทธิ์อย่างไรในร่างกาย แม้จะไม่มีข้อมูลโครงสร้างโปรตีน แต่การคัดกรองไลบรารีสารประกอบเสมือนช่วยให้นักวิจัยพิจารณาสารประกอบได้มากถึง 10,000 ชนิด และจำกัดให้แคบลงเหลือ 10 หรือ 20 ชนิด

ความสามารถเหล่านี้ไม่จำเป็นต้องสร้างขึ้นเอง เมื่อเร็ว ๆ นี้ IBM Watson Health และ Pfizer ได้ร่วมมือกันเพื่อช่วยให้นักวิจัยค้นพบเป้าหมายของยาใหม่ ในขณะที่นักวิจัยโดยเฉลี่ยอ่านบทความ 250-300 บทความในหนึ่งปี วัตสันได้ประมวลผลบทคัดย่อของ Medline 25 ล้านฉบับ บทความในวารสารทางการแพทย์ฉบับเต็มมากกว่าหนึ่งล้านฉบับ และสิทธิบัตรสี่ล้านฉบับ วัตสันสามารถเสริมด้วยข้อมูลส่วนตัวขององค์กรเพื่อแสดงรูปแบบที่ซ่อนอยู่ได้

แนวทางที่ง่ายกว่านี้รวมถึงการประยุกต์ใช้ข้อมูลในอดีตจากการศึกษาก่อนคลินิก การทดลองทางคลินิก และการเฝ้าระวังหลังการขาย ข้อมูลสามารถใช้ในการทำนายผลลัพธ์สุดท้าย (การอนุมัติของ FDA/ผลลัพธ์ของผู้ป่วย) ตามตัวแปรอิสระต่างๆ

กระบวนการที่ต้องใช้ข้อมูลมากนำไปสู่การทำงานร่วมกันที่เพิ่มขึ้น

Paywall และสิทธิบัตรได้ชะลอการไหลของข้อมูลในอุตสาหกรรมที่มีการแข่งขันสูง แนวโน้มที่น่าสนใจคือการร่วมมือกันระหว่างฝ่ายต่างๆ ในอุตสาหกรรม ตัวอย่างเช่น Consortium Structural Genomics Consortium ที่ไม่แสวงหากำไรเป็นพันธมิตรกับบริษัทยาและห้องปฏิบัติการ 9 แห่ง ซึ่งให้คำมั่นว่าจะแชร์รายการความต้องการยาของตน ส่งผลให้มีวารสารที่เข้าถึงได้แบบเปิด และตัวอย่างทดลองเพื่อเร่งการค้นพบ

ในทำนองเดียวกัน MedChemica สตาร์ทอัพในสหราชอาณาจักรเป็นแกนหลักของการทำงานร่วมกันที่ออกแบบมาเพื่อเร่งการพัฒนาโดยใช้การทำเหมืองข้อมูลในขณะที่ยังคงรักษาทรัพย์สินทางปัญญาของคู่ค้าแต่ละราย เทคโนโลยีของ MedChemica ขุดฐานข้อมูลโมเลกุลของพันธมิตรเพื่อค้นหาคู่ที่ใกล้เคียงกัน ทำการวิเคราะห์ระหว่างทั้งสอง จากนั้นผลลัพธ์จะถูกนำมาใช้เพื่อสร้างกฎที่สามารถนำไปใช้กับโมเลกุลเสมือนเพื่อทำนายผลกระทบของการเปลี่ยนแปลงโครงสร้างที่คล้ายคลึงกัน พันธมิตรทั้งหมดในกลุ่มสามารถแนะนำตำแหน่งที่ต้องการข้อมูลเพิ่มเติม และสามารถตกลงที่จะแบ่งปันค่าใช้จ่ายในการทดสอบเพิ่มเติม

การออกแบบการทดลองทางคลินิกที่ดีขึ้น

การทดลองทางคลินิกเป็นการศึกษาวิจัยที่ทดสอบว่าการรักษานั้นปลอดภัยและมีประสิทธิภาพสำหรับมนุษย์หรือไม่ มีสามขั้นตอนก่อนที่ยาจะเข้าสู่การตรวจสอบของ FDA แต่ละระยะต่อมาเกี่ยวข้องกับบุคคลจำนวนมากขึ้น โดยเพิ่มขึ้นจากหลายสิบในระยะที่ 1 เป็นหลายพันในระยะที่ 3 กระบวนการนี้มักใช้เวลาหกถึงเจ็ดปีจึงจะเสร็จสมบูรณ์ ความล่าช้าในการเปิดตัวในตลาดอาจสูงถึง 15 ล้านดอลลาร์ต่อวันในค่าเสียโอกาสสำหรับยาบล็อกบัสเตอร์ ต่อไปนี้คือจุดปวดของการทดลองทางคลินิกและข้อมูลขนาดใหญ่ที่สามารถบรรเทาได้:

ปรับปรุงการสรรหาที่ตรงเป้าหมาย

ความล้มเหลวในการทดลองมักเกิดจากการไม่สามารถคัดเลือกผู้ป่วยที่มีคุณสมบัติเพียงพอ การทดลองระยะที่ 3 ดำเนินการมากกว่า 100 แห่ง ในสิบประเทศขึ้นไป และเนื่องจากยามักจะได้รับการออกแบบสำหรับประชากรเฉพาะกลุ่ม บริษัทต่างๆ จึงแข่งขันกันเพื่อคัดเลือกผู้ป่วยกลุ่มเดียวกัน เป็นผลให้ 37% ของการทดลองทางคลินิกล้มเหลวในการบรรลุเป้าหมายในการจัดหาและ 11% ของไซต์ล้มเหลวในการรับผู้ป่วยรายเดียว ตามที่สถาบันมะเร็งแห่งชาติ มีเพียง 5% ของผู้ป่วยโรคมะเร็งที่เข้าร่วมการทดลองทางคลินิก วิธีการสรรหาผู้ป่วยแบบเดิมคือการตรวจสอบรายชื่อผู้ป่วยของแพทย์ด้วยตนเอง แต่มีราคาแพงและช้า

ที่นี่ข้อมูลโรงพยาบาลผู้ป่วยอิเล็กทรอนิกส์และข้อมูลขนาดใหญ่สามารถช่วยได้ ด้วยการวิเคราะห์และนักวิทยาศาสตร์ด้านข้อมูล ผู้ป่วยสามารถลงทะเบียนตามแหล่งที่มาอื่นที่ไม่ใช่ผู้มาเยี่ยมของแพทย์ เช่น โซเชียลมีเดีย เกณฑ์ในการเลือกผู้ป่วยในปัจจุบันสามารถรวมปัจจัยต่างๆ เช่น ข้อมูลทางพันธุกรรม สถานะโรค และลักษณะเฉพาะของแต่ละบุคคล ทำให้การทดลองมีขนาดเล็กลง สั้นลง และราคาไม่แพง “มันเหมือนกับการตกปลาด้วยเครื่องหาปลา” John Potthoff ประธานเจ้าหน้าที่บริหารของ Elligo Health Research กล่าว “คุณสามารถเห็นได้จริงๆ ว่าผู้ป่วยอยู่ที่ไหนและจะไปรับพวกเขาได้ที่ไหน เมื่อคุณกำลังมองหาสระว่ายน้ำที่ใหญ่ขึ้น คุณสามารถกำหนดเป้าหมายได้มากขึ้นในการค้นหาผู้ป่วยที่ตรงตามเกณฑ์การรวมและการยกเว้นที่ดีที่สุด” Ellen Kelso กรรมการบริหารของ Chesapeake IRB ซึ่งเป็นคณะกรรมการตรวจสอบสถาบันอิสระที่ให้คำปรึกษาบริษัทยา ประมาณการว่ามากกว่า 60% ของการทดลองใช้การวิเคราะห์ออนไลน์เบื้องต้นเพื่อระบุผู้เข้าร่วมที่มีศักยภาพ

การจัดการการทดลองใช้ที่แข็งแกร่งและมีประสิทธิภาพมากขึ้น

ระบบอัตโนมัติและบิ๊กดาต้าช่วยให้สามารถตรวจสอบการทดลองใช้งานได้แบบเรียลไทม์ พวกเขาสามารถระบุสัญญาณความปลอดภัยหรือการดำเนินงาน ช่วยหลีกเลี่ยงปัญหาที่มีค่าใช้จ่ายสูง เช่น เหตุการณ์ไม่พึงประสงค์และความล่าช้า ตามรายงานล่าสุดของ McKinsey ประสิทธิภาพในการทดลองทางคลินิกที่อาจได้รับ ได้แก่:

• การประมาณขนาดตัวอย่างแบบไดนามิกและการเปลี่ยนแปลงโปรโตคอลอื่นๆ สามารถช่วยให้ตอบสนองต่อข้อมูลเชิงลึกที่เกิดขึ้นใหม่ได้อย่างรวดเร็วจากข้อมูลทางคลินิก พวกเขายังเปิดใช้งานการทดลองใช้ขนาดเล็กที่มีกำลังเทียบเท่าหรือเวลาทดลองใช้ที่สั้นลง ซึ่งนำไปสู่ประสิทธิภาพที่เพิ่มขึ้น
• การปรับให้เข้ากับความแตกต่างของอัตราการรับสมัครผู้ป่วยในสถานพยาบาลจะช่วยให้บริษัทสามารถจัดการกับไซต์ที่ล้าหลัง นำไซต์ใหม่ออนไลน์หากจำเป็น และเพิ่มการสรรหาจากไซต์ที่ประสบความสำเร็จ
• การใช้เวชระเบียนอิเล็กทรอนิกส์เป็นแหล่งข้อมูลหลักสำหรับการทดลองทางคลินิก แทนที่จะมีระบบแยกกันสามารถเร่งการทดลองใช้และลดข้อผิดพลาดในการป้อนข้อมูลด้วยตนเองได้
• การตรวจสอบไซต์ระยะไกลรุ่นต่อไปที่เปิดใช้งานโดยการเข้าถึงข้อมูลแบบเรียลไทม์สามารถปรับปรุงการจัดการและการตอบสนองต่อปัญหาที่เกิดขึ้นในการทดลองใช้

การเสริมข้อมูลการทดลองทางคลินิกด้วยข้อมูลในโลกแห่งความเป็นจริง

อุตสาหกรรมประสบกับการระเบิดของข้อมูลที่มีอยู่นอกเหนือจากที่รวบรวมจากสภาพแวดล้อมการทดลองทางคลินิกแบบดั้งเดิมที่มีการควบคุมอย่างเข้มงวด แม้ว่าในอดีตที่ผ่านมาจะมีการวิเคราะห์ข้อมูลบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) ที่ไม่เปิดเผยชื่อ แต่โดยปกติแล้วจะจำกัดอยู่ที่สถาบันวิจัยหรือเครือข่ายผู้ให้บริการเพียงแห่งเดียว อย่างไรก็ตาม ขณะนี้สามารถเชื่อมโยงแหล่งข้อมูลต่างๆ ได้ ทำให้สามารถตอบคำถามการวิจัยที่ซับซ้อนได้

ตัวอย่างเช่น การวิเคราะห์ข้อมูลผู้ป่วย EHR ที่รวบรวมแบบเรียลไทม์ระหว่างการไปพบแพทย์หรือเข้ารับการตรวจในโรงพยาบาล จะช่วยให้เราเข้าใจรูปแบบการรักษาและผลลัพธ์ทางคลินิกในโลกแห่งความเป็นจริงได้ดียิ่งขึ้น ข้อมูลเชิงลึกเหล่านี้ช่วยเสริมความรู้ที่ได้รับจากการทดลองทางคลินิก และสามารถประเมินผู้ป่วยในวงกว้างซึ่งปกติแล้วจะไม่รวมอยู่ในการทดลอง (เช่น ผู้สูงอายุ ผู้ป่วยที่อ่อนแอ หรือไม่สามารถเคลื่อนไหวได้ เป็นต้น) Genentech ยักษ์ใหญ่ด้านเภสัชกรรมลงทุนอย่างหนักในแนวทางนี้ โดยวิเคราะห์ฐานข้อมูลของผู้ป่วยในโลกแห่งความเป็นจริง เพื่อทำความเข้าใจผลลัพธ์ของผู้ป่วยชนิดย่อย สูตรการรักษา และรูปแบบการรักษาที่แตกต่างกันส่งผลต่อผลลัพธ์ทางคลินิกในโลกแห่งความเป็นจริงอย่างไร

การตรวจหาปฏิกิริยาไม่พึงประสงค์จากยา

ปฏิกิริยาที่เป็นอันตรายที่เกิดจากยาเรียกว่าอาการไม่พึงประสงค์จากยา (ADRs) เนื่องจากการทดลองทางคลินิกไม่ได้เลียนแบบสภาพจริงอย่างสมบูรณ์ จึงไม่สามารถประเมินผลที่ตามมาของยาได้อย่างเต็มที่ก่อนออกสู่ตลาด และระบบการรายงาน ADR อาศัยรายงานด้านกฎระเบียบที่เกิดขึ้นเองซึ่งผ่านทนายความ แพทย์ และเภสัชกร ซึ่งข้อมูลอาจสูญหายหรือตีความผิด ดังนั้น การตรวจจับและการรายงาน ADR มักจะไม่สมบูรณ์หรือไม่เหมาะสม ประมาณว่าไม่มีรายงานผลข้างเคียงถึง 90% ของยา

ผู้ใช้ยาจำนวนมากแทนที่จะใช้โซเชียลมีเดียเช่น Twitter, Facebook และฟอรัมทางการแพทย์สาธารณะรวมถึง Medicines.com และ DailyStrength.com เพื่อร้องเรียนหรือรายงานผลข้างเคียง ผู้ใช้หลายคนยังใส่แฮชแท็กสำหรับหน่วยงานกำกับดูแล (เช่น #FDA) ผู้ผลิต (#Pfizer, #GSK) และผลิตภัณฑ์เฉพาะ (#accutaneprobz) การขุดไซต์เหล่านี้สำหรับ ADR ที่ผู้ป่วยให้มาสามารถพิสูจน์ได้ว่ามีความแม่นยำมากกว่าที่ได้รับการวินิจฉัยโดยผู้เชี่ยวชาญทางการแพทย์ David Lewis หัวหน้าฝ่ายความปลอดภัยระดับโลกในฐานะ Novartis กล่าวว่า “การขุดข้อมูลจากโซเชียลมีเดียทำให้เรามีโอกาสมากขึ้นในการจับ ADR ซึ่งผู้ป่วยไม่จำเป็นต้องบ่นเกี่ยวกับแพทย์หรือพยาบาลของพวกเขา…จิตแพทย์ไม่สามารถเห็นความคิดฆ่าตัวตายได้ ADR ในขณะที่ผู้ป่วยสามารถอธิบายได้อย่างสมบูรณ์แบบ” นอกจากนี้ยังสามารถดำเนินการวิเคราะห์ความคิดเห็นซึ่งระบุและจัดหมวดหมู่ความคิดเห็นในข้อความด้วยการคำนวณได้

Epidemico บริษัทลูกของ Booz Allen Hamilton ใช้การประมวลผลภาษาธรรมชาติและอัลกอริธึมการเรียนรู้ด้วยเครื่องเพื่อค้นหา ADR จากโพสต์ในโซเชียลมีเดียสำหรับยาประมาณ 1,400 รายการ การศึกษาในปี 2014 ซึ่งเปิดตัวร่วมกันโดย FDA และ Epidemico ได้ตรวจสอบโพสต์ Twitter 6.9 ล้านรายการ และพบทวีต 4,401 รายการที่คล้ายกับ ADR เมื่อเปรียบเทียบกับข้อมูลที่จัดทำโดย FDA การศึกษาพบว่ามีความสัมพันธ์สูงระหว่างรายงานสื่อสังคมออนไลน์ที่ไม่เป็นทางการกับรายงานในการทดลองทางคลินิก (ดูแผนภูมิด้านล่าง)

คำแนะนำสำหรับบริษัทยาที่ต้องการใช้คุณสมบัติเหล่านี้

แม้จะให้ประโยชน์ แต่บริษัทยาหลายแห่งก็ระมัดระวังการลงทุนในด้านความสามารถในการวิเคราะห์บิ๊กดาต้า ด้านล่างนี้คือคำแนะนำบางประการเพื่อความสำเร็จในการติดตั้งใช้งาน:

• เทคโนโลยีและการวิเคราะห์ บริษัทยาที่ใช้ระบบเดิมควรเพิ่มความสามารถในการแบ่งปันข้อมูลโดยการเชื่อมต่อระบบเหล่านี้ นอกจากนี้ R&D ด้านเภสัชกรรมควรใช้เครื่องมือที่ทันสมัย ​​เช่น ไบโอเซนเซอร์และอุปกรณ์ตรวจวัดสุขภาพในสมาร์ทโฟน ข้อมูลจากอุปกรณ์อัจฉริยะและการตรวจสอบผู้ป่วยจากระยะไกลผ่านเซ็นเซอร์และอุปกรณ์สามารถอำนวยความสะดวกในการวิจัยและพัฒนา วิเคราะห์ประสิทธิภาพ และเพิ่มยอดขายในอนาคต ตัวอย่างเช่น Google ได้ร่วมมือกับ Novartis เพื่อพัฒนาคอนแทคเลนส์อัจฉริยะที่ตรวจสอบระดับกลูโคสของผู้ป่วยโรคเบาหวาน ในขณะที่ Roche และ Qualcomm กำลังร่วมมือกันยกระดับจอภาพป้องกันการแข็งตัวของเลือดซึ่งป้องกันลิ่มเลือดเพื่อส่งข้อมูลผู้ป่วยแบบไร้สาย

• เน้นที่หลักฐานในโลกแห่งความเป็นจริง ผลลัพธ์ในโลกแห่งความเป็นจริงมีความสำคัญมากขึ้นเมื่อผู้จ่ายเงินใช้การกำหนดราคาตามมูลค่า บริษัทต่างๆ สามารถสร้างความแตกต่างในตนเองได้ด้วยการแสวงหายาที่มีผลจริงที่จับต้องได้ เช่น ยาที่มุ่งเป้าไปที่ประชากรผู้ป่วยเฉพาะกลุ่ม หากต้องการขยายข้อมูลนอกเหนือจากการทดลองทางคลินิก พวกเขาสามารถเข้าร่วมเครือข่ายข้อมูลที่เป็นกรรมสิทธิ์ได้

• ทำงานร่วมกันภายในและภายนอก การวิจัยและพัฒนาด้านเภสัชกรรมในอดีตถูกปกปิดเป็นความลับ—แต่การทำงานร่วมกันทั้งภายในและภายนอกจะเป็นกุญแจสู่ความสำเร็จกับข้อมูลขนาดใหญ่ การปรับปรุงความร่วมมือภายในจำเป็นต้องมีการสื่อสารที่คล่องตัวระหว่างการค้นคว้า การพัฒนาทางคลินิก และกิจการทางการแพทย์ ซึ่งสามารถนำไปสู่ข้อมูลเชิงลึกในกลุ่มผลิตภัณฑ์ รวมทั้งการระบุทางคลินิกและโอกาสที่เป็นไปได้ในการแพทย์เฉพาะบุคคล ความร่วมมือจากภายนอกก็มีความสำคัญเช่นกัน: นักวิจัยเชิงวิชาการสามารถให้ข้อมูลเชิงลึกเกี่ยวกับความก้าวหน้าทางวิทยาศาสตร์ล่าสุดได้ ความคิดริเริ่มที่เป็นแนวหน้าร่วมกับบริษัทยาอื่นๆ สามารถสร้างแหล่งรวมข้อมูลที่ยิ่งใหญ่กว่าและมีประสิทธิภาพมากขึ้นเพื่อใช้ประโยชน์ในการค้นพบ และทำสัญญากับองค์กรวิจัย (CRO) สามารถช่วยปรับขนาดความพยายามภายใน หรือให้ความเชี่ยวชาญเฉพาะด้าน

• องค์กร. เพื่อหลีกเลี่ยงการจัดเก็บข้อมูลและอำนวยความสะดวกในการแบ่งปันข้อมูล เป็นการดีที่สุดที่จะกำหนดเจ้าของให้กับประเภทข้อมูลที่แตกต่างกัน โดยจะขยายขอบเขตไปตามฟังก์ชันต่างๆ ความเชี่ยวชาญที่ได้รับจากเจ้าของข้อมูลจะประเมินค่าไม่ได้เมื่อพัฒนาวิธีการใช้ข้อมูลที่มีอยู่หรือเพื่อรวมข้อมูลเพิ่มเติม นอกจากนี้ยังช่วยเพิ่มความรับผิดชอบต่อคุณภาพของข้อมูลอีกด้วย อย่างไรก็ตาม การเปลี่ยนแปลงเหล่านี้จะเกิดขึ้นได้ก็ต่อเมื่อความเป็นผู้นำของบริษัทสนับสนุนคุณค่าของข้อมูลขนาดใหญ่อย่างแท้จริง

ความคิดที่พรากจากกัน

ทุกวันนี้ เป็นที่ชัดเจนว่าวิทยาศาสตร์เพื่อชีวิต วิทยาการคอมพิวเตอร์ และวิทยาศาสตร์ข้อมูลกำลังมาบรรจบกัน แม้ว่าความท้าทายทางเทคนิคและวัฒนธรรมจะรออยู่ข้างหน้าอย่างไม่ต้องสงสัย การวิเคราะห์ข้อมูลขั้นสูงคือบริษัทยาที่สามารถดึงดันเพื่อต่อสู้กับเศรษฐศาสตร์การวิจัยและพัฒนาที่ไม่เอื้ออำนวย แน่นอนว่าคำมั่นสัญญาของข้อมูลขนาดใหญ่จะยังคงอยู่เพียงว่าหากองค์กรไม่ทำตามขั้นตอนเชิงกลยุทธ์ในการดำเนินการ

Glen de Vries แห่งบริษัท Medidata บริษัท SaaS กล่าวว่าข้อมูลขนาดใหญ่ "สามารถรักษาอาการป่วยจากการวิจัยและพัฒนาด้านวิทยาศาสตร์เพื่อชีวิตได้" ในระหว่างการประชุม Global Pharmaceuticals and Biotechnology Conference ซึ่งจัดโดย The Financial Times เขาได้เปรียบเทียบข้อมูลขนาดใหญ่กับการค้นพบ Rosetta Stone ซึ่งทำให้นักวิชาการสามารถถอดรหัสอักษรอียิปต์โบราณและปลดล็อกประวัติศาสตร์อียิปต์โบราณได้ ในทำนองเดียวกัน หากชุดข้อมูลสามารถรวมกันภายในระบบการดูแลสุขภาพ ซึ่งรวมถึงข้อมูลที่มาจากจีโนม/โปรตีโอมิกส์ ข้อมูลในคลินิกที่บันทึกโดยแพทย์ และสุขภาพเคลื่อนที่ การวิจัยทางการแพทย์จะปฏิวัติ