Büyük Veri: İlaç Ar-Ge Durumu İçin Reçete

Rakamlar, 2016'nın ABD ilaç endüstrisi için harika bir yıl olmadığını gösteriyor. Aralık ayı başı itibariyle, Gıda ve İlaç Dairesi (FDA) tarafından yalnızca 19 yeni ilaç onaylandı, 2015'te onaylananların yarısından azı ve 2007'den bu yana en düşük seviye. En büyük oyuncular arasında, araştırma ve geliştirme için yatırım getirisi (Ar-Ge) %3,7'ye düştü.

Bu cesaret kırıcı istatistiklere rağmen, ilaç endüstrisi daha geniş sağlık ekosisteminin ayrılmaz bir parçası olmaya devam ediyor. Ancak endüstri, üretkenliği artırmak ve geliştirme süresini en aza indirmek için artan bir baskıyla karşı karşıya. Ar-Ge getirileri, yatırımcılar için önemli bir performans ölçüsü olmanın yanı sıra, toplu olarak yenilikçi ilaçların değerini belirleyen endüstri, ödeme yapanlar ve sağlık teknolojisi değerlendirme grupları arasındaki diyalog için bir başlangıç ​​noktası işlevi görür. Endüstri oyuncuları, üretkenlik sorunlarına karşı koymak için bilimsel ortaklıklar, gelişmekte olan pazarlardaki yatırımlar ve ürün portföylerinin çeşitlendirilmesi dahil olmak üzere farklı stratejiler izleyebilir. Bununla birlikte, bu parçanın önerdiği gibi, başka bir çözüm, ilaç geliştirmeyi iyileştirebilecek ve hızlandırabilecek veri analitiğini içerir.

Bu makale, ilaç geliştirmenin mevcut durumunu ve büyük verilerin farklı bileşenlerini nasıl iyileştirebileceğini incelemektedir: ilaç keşfi, klinik deney tasarımı ve advers ilaç reaksiyonu tespiti. Ardından, bu tür çözümleri entegre etmek isteyen şirketlere yönelik önerilerle sona erecektir.

Farmasötik Ar-Ge için Düşen Yatırım Getirisi

Daha önce bahsedildiği gibi, ticari başarıları bırakın, birkaç ilaç adayı sonunda ticari olarak onaylanır. Klinik öncesi testlere başlayan ilaçların 5.000'den yalnızca beşi veya %0,1'i insan testine girmeyi başarıyor ve yalnızca biri insan kullanımı için onaylanıyor.

2012 McKinsey raporuna göre, ilaç geliştirme programlarının sayısı ve program başına maliyet iki katına çıktığı için kümülatif başarı oranları %50 düştü. Ayrıca, tek seferlik lansmanların, artan deneme maliyetleri ve kalabalık pazarlar gibi daha derin sorunları gölgede bırakarak yatırım getirisinde geçici gelişmeler gösterdiğine de yaygın olarak inanılıyor. Pek çok ilaç şirketi, sonraki on yıldaki sonuçları daha mütevazı olsa da, 25 yıllık önemli bir hissedar değeri yaratmıştır (aşağıya bakınız).

İlaç geliştirme sürecinin uzun ve zahmetli olduğuna çok az kişi itiraz edebilir. Sonuçta, bir ilacı piyasaya sürmek 10 yıldan fazla ve 2,6 milyar dolardan fazla zaman alabilir. Araştırmacılar bir hastalığın arkasındaki süreci hücresel veya moleküler düzeyde anlamaya çalıştıklarında başlar. Hastalık süreçlerinin ve yollarının daha iyi anlaşılmasıyla, yeni tedaviler için potansiyel “hedefler” belirlenir. Klinik öncesi testler güvenlik ve etkinlik gösteriyorsa, aday test, inceleme ve yetkilendirmenin ardışık aşamalarına geçer.

Her adımda, belirli bileşikleri ilerletme veya durdurma kararları, deneysel ve geçmiş verilere dayalı olarak verilir. "Hızlı bir şekilde başarısız olmak" veya yetersiz performansa dayalı olarak daha fazla geliştirmeyi sonlandırmak çok önemlidir. Bunun nedeni, boru hattının birbirini izleyen her aşamasında ve özellikle insan denemeleri başladığında maliyetlerin artmasıdır. Bu zorluklarla mücadele etmek için ilaç şirketleri veri analitiği kullanabilir.

İlaç Firmaları İçin Veri Analitiği Uygulamaları

Büyük veri analitiği, büyük, çeşitli veri kümelerinin toplanmasını, işlenmesini ve analizini içerir. İlaç şirketlerine çeşitli şekillerde umut vaat ediyor: 1) Tahmine dayalı modelleme, ilaç hattı için hedefleri ortaya çıkarabilir. 2) İstatistiksel araçlar, hasta alımını iyileştirebilir ve izlemeyi iyileştirebilir. 3) Halka açık forumların ve sosyal medya sitelerinin veri madenciliği, resmi olarak bildirilmeyen advers ilaç reaksiyonlarını belirleyebilir. Her bir kullanım durumunu inceleyelim.

İlaç Keşifinde Öngörülü Modelleme

Dönüşümleri optimize etmek isteyen bir pazarlama şirketi olsaydınız, kaynakları tüm nüfus yerine hedef pazarınıza yatırırdınız. İlaç keşfinde de benzer bir durum var; ilaç şirketleri, ilk Ar-Ge yatırımlarını geri kazanabilmeleri için klinik deneylerde ve piyasada başarılı olması muhtemel bileşiklere yatırım yapmayı hedefliyor.

Geçmişte araştırmacılar, aday ilaçlar için temel olarak doğal bitki veya hayvan bileşiklerini kullandılar. İlaç geliştirme, tarihsel olarak, %1 veya daha düşük bir beklenen isabet oranıyla, günde binlerce bileşiği fiziksel olarak test etmek için yüksek verimli tarama (HTS) laboratuvarlarını kullanan yinelemeli bir süreç olmuştur. Ama şimdi bilim adamları bilgisayarlarla yeni moleküller yaratıyorlar. Hem karmaşık hem de temel olan tahmine dayalı modelleme, aday ilaç etkileşimini, inhibisyonunu ve toksisitesini tahmin etmeye yardımcı olabilir. Yaygın bir yöntem, bileşiğin vücutta nasıl hareket edeceğini tahmin etmek için gelişmiş matematiksel modelleme ve simülasyonları kullanan farmokinetik modellemedir. Mevcut protein yapısı bilgisi olmasa bile, sanal bileşik kitaplıklarının taranması, araştırmacıların 10.000'e kadar bileşiği dikkate almasına ve onu 10 veya 20'ye kadar daraltmasına olanak tanır.

Bu yeteneklerin mutlaka kurum içinde inşa edilmesi gerekmez. Yakın zamanda, IBM Watson Health ve Pfizer, araştırmacıların yeni ilaç hedeflerini keşfetmesine yardımcı olmak için bir ortaklık kurdu. Ortalama bir araştırmacı yılda 250-300 makale okurken, Watson 25 milyon Medline özetini, bir milyonun üzerinde tam metin tıp dergisi makalesini ve dört milyon patenti işledi. Watson, gizli kalıpları ortaya çıkarmak için bir kuruluşun özel verileriyle genişletilebilir.

Daha basit bir yaklaşım, klinik öncesi çalışmalardan, klinik çalışmalardan ve pazarlama sonrası gözetimden elde edilen geçmiş verilerin uygulanmasını içerir. Veriler, çeşitli bağımsız değişkenlere dayalı olarak nihai sonucu (FDA onayı/hasta sonuçları) tahmin etmek için kullanılabilir.

Veriye Aç Süreçler Artan İşbirliğine Yol Açıyor

Ödeme duvarları ve patentler, aşırı rekabetçi endüstrideki bilgi akışını uzun süredir yavaşlattı. Dolayısıyla ilginç bir eğilim, endüstri tarafları arasında artan işbirliğidir. Örneğin, kâr amacı gütmeyen Structural Genomics Consortium, ilaç istek listelerini paylaşmayı taahhüt eden dokuz ilaç şirketi ve laboratuvarı ile ortaktır, açık erişim dergileri ve keşfi hızlandırmak için deneysel örneklerle sonuçlanır.

Benzer şekilde, Birleşik Krallık girişimi MedChemica, her bir ortağın fikri mülkiyetini korurken veri madenciliğini kullanarak geliştirmeyi hızlandırmak için tasarlanmış bir işbirliğinin merkezinde yer alıyor. MedChemica'nın teknolojisi, yakın eşleşen çiftleri bulmak için ortakların molekül veritabanlarını çıkarır, ikisi arasında bir analiz yapar ve çıktı daha sonra benzer yapısal değişikliklerin etkilerini tahmin etmek için sanal moleküllere uygulanabilecek kurallar oluşturmak için kullanılır. Konsorsiyumdaki tüm ortaklar, ek verilerin nerede gerekli olduğunu önerebilir ve hatta daha ileri testlerde maliyetleri paylaşmayı kabul edebilir.

Daha İyi Klinik Deneme Tasarımı

Klinik araştırmalar, bir tedavinin insanlar için güvenli ve etkili olup olmadığını test eden araştırma çalışmalarıdır. Bir ilacın FDA incelemesine girmesinden önce üç aşama vardır. Sonraki her aşama, Aşama I'de onlarca, Aşama III'te binlere yükselen daha fazla bireyi içerir. Sürecin tamamlanması genellikle altı ila yedi yıl sürer. Piyasaya sürülmesindeki gecikmeler, gişe rekorları kıran bir ilaç için fırsat maliyetlerinde günde 15 milyon ABD Doları tutarında olabilir. İşte bazı klinik denemeler ve büyük verinin bunları nasıl hafifletebileceği:

Gelişmiş, Hedefli İşe Alım

Deneme başarısızlığı genellikle yeterli sayıda uygun hastayı işe alamamaktan kaynaklanır. Faz III denemeleri, on veya daha fazla ülkede 100'den fazla tesiste yürütülmektedir. Ve ilaçlar artık genellikle niş popülasyonlar için tasarlandığından, şirketler aynı hastaları işe almak için rekabet ediyor. Sonuç olarak, klinik araştırmaların %37'si işe alım hedeflerine ulaşamıyor ve sahaların %11'i tek bir hastayı işe alamıyor. Ulusal Kanser Enstitüsüne göre, kanser hastalarının sadece %5'i klinik deneylere katılıyor. Uygun hastalar için geleneksel işe alım yöntemi, doktorların hasta listelerinin manuel olarak gözden geçirilmesidir - ancak bu pahalı ve yavaştır.

Elektronik hasta hastanesi verilerinin ve büyük verilerin yardımcı olabileceği yer burasıdır. Analitik ve veri bilimcileri ile hastalar, doktorların ziyaretçileri dışındaki sosyal medya gibi kaynaklara dayalı olarak kaydedilebilir. Hasta seçimi kriterleri artık genetik bilgi, hastalık durumu ve bireysel özellikler gibi faktörleri içerebilir ve bu da denemelerin daha küçük, daha kısa ve daha ucuz olmasını sağlar. Elligo Health Research'ün CEO'su John Potthoff, "Bir balık bulucuyla balık tutmak gibi" dedi. "Hastaların nerede olduğunu ve onları almak için nereye gidileceğini gerçekten görebilirsiniz. Daha büyük bir havuza bakarken, dahil etme ve hariç tutma kriterlerini en iyi karşılayan hastaları bulma konusunda daha hedefli olabilirsiniz.” İlaç şirketlerine danışan bağımsız bir kurumsal inceleme kurulu olan Chesapeake IRB'nin yönetici direktörü Ellen Kelso, denemelerin %60'ından fazlasının potansiyel katılımcıları belirlemek için ön çevrimiçi analiz kullandığını tahmin ediyor.

Daha Güçlü ve Daha Verimli Deneme Yönetimi

Otomasyon ve büyük veri, denemelerin gerçek zamanlı olarak izlenmesine olanak tanır. Olumsuz olaylar ve gecikmeler gibi maliyetli sorunlardan kaçınmaya yardımcı olarak güvenlik veya operasyonel sinyalleri tanımlayabilirler. Yakın tarihli bir McKinsey raporuna göre, potansiyel klinik araştırma verimliliği kazanımları şunları içerir:

• Dinamik numune boyutu tahmini ve diğer protokol değişiklikleri, klinik verilerden ortaya çıkan içgörülere hızlı yanıtlar verebilir. Aynı zamanda, daha küçük eşdeğer güç denemeleri veya daha kısa deneme süreleri sağlayarak verimlilik kazanımlarına yol açar.
• Sitedeki hasta-işe alım oranlarındaki farklılıklara uyum sağlamak, bir şirketin geciken siteleri ele almasına, gerekirse yeni siteleri çevrimiçi duruma getirmesine ve başarılı sitelerden işe alımları artırmasına olanak tanır.
• Klinik araştırma verileri için ayrı bir sistem yerine elektronik tıbbi kayıtların birincil kaynak olarak kullanılması, denemeleri hızlandırabilir ve manuel veri girişi hatalarını azaltabilir.
• Gerçek zamanlı veri erişimiyle etkinleştirilen sahaların yeni nesil uzaktan izlenmesi, yönetimi ve denemelerde ortaya çıkan sorunlara verilen yanıtları iyileştirebilir.

Klinik Araştırma Verilerini Gerçek Dünya Verileriyle Tamamlama

Endüstri, geleneksel, sıkı bir şekilde kontrol edilen klinik deney ortamlarından toplananların ötesinde mevcut verilerde bir patlama yaşadı. Anonimleştirilmiş elektronik sağlık kaydı (EHR) verileri geçmişte analiz edilmiş olsa da, genellikle tek bir araştırma kurumu veya sağlayıcı ağı ile sınırlıdır. Ancak, karmaşık araştırma sorularının ele alınmasına izin vererek farklı veri kaynaklarını birbirine bağlamak artık mümkün.

Örneğin, doktor veya hastane ziyaretleri sırasında gerçek zamanlı olarak toplanan EHR hasta verilerinin analizi, gerçek dünyadaki tedavi modellerini ve klinik sonuçları daha iyi anlamamıza yardımcı olabilir. Bu içgörüler, klinik deneylerden elde edilenleri tamamlar ve tipik olarak deneylerden dışlanan daha geniş bir hasta yelpazesini değerlendirebilir (örneğin, yaşlı, zayıf veya hareketsiz hastalar, vb.). Farmasötik devi Genentech, farklı hasta alt tiplerinin sonuçlarını, tedavi rejimlerini ve farklı tedavi modellerinin gerçek dünyadaki klinik sonuçları nasıl etkilediğini anlamak için gerçek dünyadaki hastaların veritabanlarını analiz ederek bu yaklaşıma büyük yatırım yaptı.

Olumsuz İlaç Reaksiyonları Tespiti

İlaçların neden olduğu zararlı reaksiyonlar, advers ilaç reaksiyonları (ADR'ler) olarak bilinir. Klinik deneyler gerçek dünya koşullarını tam olarak taklit etmediğinden, bir ilacın sonuçları piyasaya sürülmeden önce tam olarak değerlendirilemez. ADR raporlama sistemleri, bilgilerin kaybolabileceği veya yanlış yorumlanabileceği avukatlar, klinisyenler ve eczacılardan geçen anlık düzenleyici raporlara dayanır. Bu nedenle, ADR tespiti ve raporlaması genellikle eksik veya zamansızdır. İlaçların yan etkilerinin %90'a kadarının bildirilmediği tahmin edilmektedir.

Pek çok uyuşturucu kullanıcısı bunun yerine Twitter, Facebook gibi sosyal medyaya ve Medications.com ve DailyStrength.com gibi halka açık tıbbi forumlara şikayetlerini dile getirmek veya yan etkileri bildirmek için başvuruyor. Hatta birçok kullanıcı düzenleyici kurumlar (örneğin, #FDA), üreticiler (#Pfizer, #GSK) ve belirli ürünler (#accutaneprobz) için hashtag'ler bile içerir. Hasta tarafından sağlanan ADR'ler için bu sitelerin madenciliği, tıp uzmanları tarafından teşhis edilenlerden daha doğru olabilir. Novartis olarak küresel güvenlik başkanı David Lewis'e göre, "Sosyal medyadan veri madenciliği yapmak bize, bir hastanın doktoruna veya hemşiresine mutlaka şikayet etmeyeceği ADR'leri yakalama şansı veriyor... bir ADR, bir hasta bunu mükemmel bir şekilde tanımlayabilir.” Metinde ifade edilen görüşleri sayısal olarak tanımlayan ve sınıflandıran duygu analizi de yapılabilir.

Booz Allen Hamilton'ın bir yan kuruluşu olan Epidemico, yaklaşık 1.400 uyuşturucu için sosyal medya gönderilerinden ADR'leri aramak için doğal dil işleme ve makine öğrenimi algoritmaları kullanıyor. FDA ve Epidemico tarafından ortaklaşa başlatılan bir 2014 araştırması, 6.9 milyon Twitter gönderisini inceledi ve bir ADR'ye benzeyen 4.401 tweet buldu. FDA tarafından tutulan verilerle karşılaştırıldığında, çalışma, resmi olmayan sosyal medya raporları ile klinik araştırmalarda bildirilenler arasında yüksek bir ilişki buldu (aşağıdaki tabloya bakın).

Bu Özellikleri Uygulayacak İlaç Firmalarına Öneriler

Faydalarına rağmen, birçok ilaç şirketi büyük veri analitik yeteneklerine yatırım yapmaktan çekiniyor. Aşağıda uygulamada başarı için bazı öneriler yer almaktadır:

• Teknoloji ve analitik. Eski sistemleri kullanan ilaç şirketleri, bu sistemleri birbirine bağlayarak veri paylaşma yeteneğini artırmalıdır. Ek olarak, farmasötik Ar-Ge, akıllı telefonlardaki biyosensörler ve sağlık ölçüm cihazları gibi son teknoloji araçlardan yararlanmalıdır. Akıllı cihazlardan elde edilen veriler ve hastaların sensörler ve cihazlar aracılığıyla uzaktan izlenmesi, Ar-Ge'yi kolaylaştırabilir, etkinliği analiz edebilir ve gelecekteki satışları artırabilir. Örneğin, Google, şeker hastalarının glikoz seviyelerini izleyen akıllı bir kontakt lens geliştirmek için Novartis ile bir ortaklık kurarken, Roche ve Qualcomm, hasta bilgilerini kablosuz olarak iletmek için kan pıhtılarına karşı koruma sağlayan pıhtılaşma önleyici monitörleri yükseltmek için güçlerini birleştiriyor.

• Gerçek dünyadaki kanıtlara odaklanın. Ödeyenler değere dayalı fiyatlandırmayı kullandıkça gerçek dünyadaki sonuçlar daha önemli hale geliyor. Şirketler, niş hasta popülasyonlarını hedefleyenler gibi somut gerçek dünya sonuçları olan ilaçları takip ederek kendilerini farklılaştırabilir. Verilerini klinik deneylerin ötesine genişletmek için özel veri ağlarına bile katılabilirler.

• İçeride ve dışarıda işbirliği yapın. Farmasötik Ar-Ge, tarihsel olarak gizlilik içinde gizlenmiştir - ancak hem dahili hem de harici işbirliği, büyük verilerle başarının anahtarı olacaktır. Dahili işbirliğini geliştirmek, keşif, klinik geliştirme ve tıbbi işler arasında akıcı bir iletişim gerektirir. Bu, klinik tanımlama ve kişiselleştirilmiş tıptaki potansiyel fırsatlar dahil olmak üzere portföy genelinde içgörülere yol açabilir. Dış işbirliği de önemlidir: akademik araştırmacılar en son bilimsel buluşlar hakkında fikir verebilir, diğer ilaç şirketlerinin öncülük ettiği girişimler, keşif için daha büyük, daha güçlü bir veri havuzu oluşturabilir ve sözleşmeli araştırma kuruluşları (CRO'lar) dahili bir çabayı ölçeklendirmeye yardımcı olabilir veya özel uzmanlık sağlayın.

• Organizasyon. Veri silolarından kaçınmak ve veri paylaşımını kolaylaştırmak için, erişimleri işlevler arasında genişleyen farklı veri türlerine sahipler atamak en iyisidir. Veri sahibinin kazandığı uzmanlık, mevcut bilgileri kullanmanın veya ek verileri entegre etmenin yollarını geliştirirken çok değerli olacaktır. Ayrıca veri kalitesi için hesap verebilirliği de artıracaktır. Bununla birlikte, bu değişiklikler ancak şirket liderliğinin büyük verilerin değerini gerçekten desteklemesi durumunda mümkündür.

Ayrılık Düşünceleri

Bugün, yaşam bilimleri, bilgisayar bilimi ve veri biliminin yakınsadığı açıktır. Teknik ve kültürel zorluklar kuşkusuz önümüzde dursa da, gelişmiş veri analitiği, ilaç şirketlerinin olumsuz Ar-Ge ekonomisiyle mücadele etmek için çekebilecekleri bir kaldıraçtır. Tabii ki, yine de, kuruluşlar uygulamada stratejik adımlar atmazlarsa, büyük veri vaadi aynen kalacaktır.

SaaS şirketi Medidata'dan Glen de Vries'e göre, büyük veriler "yaşam bilimlerinin Ar-Ge sıkıntısını iyileştirebilir." Financial Times'ın ev sahipliği yaptığı Küresel İlaç ve Biyoteknoloji Konferansı sırasında, büyük verileri, bilim adamlarının hiyeroglifleri deşifre etmesine ve Eski Mısır tarihinin kilidini açmasına izin veren Rosetta Taşı'nın keşfiyle karşılaştırdı. Benzer şekilde, genomik/proteomikten gelen bilgiler, doktorlar tarafından kaydedilen klinik içi veriler ve mobil sağlık dahil olmak üzere veri kümeleri sağlık sistemi içinde birleştirilebilirse, tıbbi araştırmalar bir devrim yaşayacaktır.