Цифрите показват, че 2016 г. не е била страхотна за фармацевтичната индустрия в САЩ. Към началото на декември, само 19 нови лекарства беше одобрен от Администрацията по храните и лекарствата (FDA), по-малко от половината от одобрените през 2015 г. и най-ниското ниво от 2007 г. Сред най-големите играчи възвръщаемостта на инвестициите за научноизследователска и развойна дейност (R&D) падна до 3,7% .

Въпреки тези обезсърчаващи статистически данни, фармацевтичната индустрия остава неразделна част от по-широката здравна екосистема. Но индустрията е изправена пред нарастващ натиск за подобряване на производителността и минимизиране на времето за разработка. Възвръщаемостта от научноизследователска и развойна дейност служи като важен показател за ефективността на инвеститорите, както и като отправна точка за диалог между индустрията, платците и групите за оценка на здравните технологии, които колективно определят стойността на иновативните лекарства. Играчите в бранша могат преследвайте различни стратегии - включително научни партньорства, инвестиции в нововъзникващи пазари и диверсификация на продуктовите портфейли - за противодействие на проблемите с производителността. Както обаче подсказва тази част, друго решение включва анализ на данни, който може да подобри и ускори разработването на лекарства.

Тази статия разглежда настоящото състояние на разработването на лекарства и колко големи данни могат да подобрят различните му компоненти: откриване на лекарства, дизайн на клинично изпитване и откриване на нежелани лекарствени реакции. След това ще завърши с препоръки за компании, които искат да интегрират този тип решения.

Намаляване на възвръщаемостта на инвестициите за фармацевтични изследвания и разработки

Както бе споменато по-рано, малко кандидати за наркотици в крайна сметка стават търговски одобрени, да не говорим за търговски успехи. Само пет на 5000, или 0,1% , от лекарствата, които започват предклинични тестове, някога стигат до тестване при хора и само едно става одобрено за употреба от хора.

Според a Доклад на McKinsey за 2012 г. , кумулативният процент на успех е спаднал с 50%, тъй като броят на програмите за разработване на лекарства и разходите за програма са се удвоили. Също така е широко разпространено мнението, че еднократните стартирания показват временни подобрения в възвръщаемостта на инвестициите, засенчвайки по-дълбоки проблеми като нарастващите пробни разходи и претъпканите пазари. Много фармацевтични компании са създали значителна 25-годишна стойност за акционерите, въпреки че резултатите им през следващото десетилетие са по-скромни (виж по-долу).

Малцина биха оспорили, че процесът на разработване на лекарства е дълъг и труден. В крайна сметка може да отнеме повече от 10 години и 2,6 милиарда долара да пуснат лекарство на пазара. Започва, когато изследователите се опитват да разберат процеса, който стои зад дадено заболяване на клетъчно или молекулярно ниво. Чрез по-добро разбиране на болестните процеси и пътища, потенциални „цели“ за нови лечения са идентифицирани . Ако предклиничното тестване демонстрира безопасност и ефикасност, кандидатът преминава в последователни фази на тестване, преглед и упълномощаване.

На всяка стъпка , решенията за напредък или спиране на определени съединения се вземат въз основа на експериментални и исторически данни. „Бързото неуспех“ или прекратяването на по-нататъшното развитие въз основа на незадоволителни резултати е от решаващо значение. Това е така, защото разходите се увеличават на всеки следващ етап от тръбопровода, и особено когато започват опити с хора. За да се преборят с тези трудности, фармацевтичните компании могат да използват анализ на данни.

Приложения за анализ на данни за фармацевтични компании

Анализът на големи данни включва събиране, манипулиране и анализ на масивни, разнообразни набори от данни. Той осигурява обещание за фармацевтичните компании по няколко начина: 1) Предсказуемото моделиране може да открие цели за лекарствения тръбопровод. 2) Статистическите инструменти могат да подобрят набирането на пациенти и да подобрят наблюдението. 3) Извличането на данни на публични форуми и сайтове в социалните медии може да идентифицира нежелани лекарствени реакции, които не са официално докладвани. Нека се задълбочим във всеки случай на употреба.

Прогнозно моделиране при откриване на лекарства

Ако сте маркетингова компания, която се стреми да оптимизира реализациите, бихте инвестирали ресурси в целевия си пазар, а не в цялото население. Подобно е при откриването на лекарства - фармацевтичните компании се стремят да инвестират в съединения, които вероятно ще успеят в клинични изпитвания и на пазара, за да могат да възстановят първоначалните инвестиции в НИРД.

В миналото изследователите са използвали естествени растителни или животински съединения като основа за кандидатстващи лекарства. Разработването на наркотици в исторически план е итеративен процес използване на лаборатории за скрининг с висока производителност (HTS) за физическо тестване на хиляди съединения на ден, с очаквана честота на удара от 1% или по-малко . Но сега учените създават нови молекули с компютри. Предсказуемо моделиране, както сложно, така и основно, може да помогне да се предскаже кандидат за лекарствено взаимодействие, инхибиране и токсичност. Разпространен метод е фармокинетично моделиране , който използва усъвършенствано математическо моделиране и симулации, за да предскаже как съединението ще действа в тялото. Дори и без налична информация за структурата на протеини, скринингът на виртуални съставни библиотеки позволява на изследователите да разгледат до 10 000 съединения и го стеснете до 10 или 20.

Не е задължително тези възможности да се изграждат вътрешно. Наскоро IBM Watson Health и Pfizer сключи партньорство за да помогне на изследователите да открият нови цели за наркотици. Докато средностатистическият изследовател чете 250-300 статии за една година, Уотсън е обработил 25 милиона резюмета на Medline, над един милион статии от медицински списания в пълен текст и четири милиона патента. Уотсън може дори да бъде увеличен с частни данни на организацията, за да разкрие скрити модели.

непрекъсната доставка с помощта на опаковчик и terraform

По-опростен подход включва прилагането на исторически данни от предклинични проучвания, клинични изпитвания и постмаркетингово наблюдение. Данните могат да се използват за прогнозиране на крайния резултат (одобрение от FDA / резултати от пациента) въз основа на различни независими променливи.

Гладните за данни процеси водят до засилено сътрудничество

Paywalls и патенти отдавна забави потока на информация в хиперконкурентната индустрия. Така че интересна тенденция е нарастващото сътрудничество между индустриалните партии. Например, с нестопанска цел Консорциум за структурна геномика партньори с девет фармацевтични компании и лаборатории, които имат обещал да сподели техните списъци с желания за наркотици, резултати в списания с отворен достъп и експериментални проби за ускоряване на откриването.

По същия начин стартирането в Обединеното кралство MedChemica е в основата на сътрудничеството, предназначено да ускори развитието с използване на извличане на данни, като същевременно поддържа интелектуалната собственост на всеки партньор. Технологията на MedChemica добива бази данни на молекули на партньори, за да намери тясно съвпадащи двойки, извършва анализ между двете и изходът след това се използва за създаване на правила, които могат да бъдат приложени към виртуални молекули, за да се предвидят въздействията на подобни структурни промени. Всички партньори в консорциума могат да предложат къде са необходими допълнителни данни и дори да се съгласят да споделят разходите при по-нататъшно тестване.

По-добър дизайн на клиничното изпитване

Клинични изпитвания са изследователски изследвания, които тестват дали лечението е безопасно и ефективно за хората. Има три фази, преди дадено лекарство да премине към преглед на FDA. Всяка следваща фаза включва повече индивиди, увеличавайки се от десетки във фаза I до хиляди във фаза III. Процеса обикновено отнема шест до седем години за завършване. Забавянията при пускането на пазара могат да достигнат $ 15 милиона на ден в алтернативни разходи за блокбъстър. Ето някои точки за болка в клиничното изпитване и колко големи данни могат да ги облекчат:

Подобрено, целенасочено набиране

Неуспехът на изпитанията често е причинен от невъзможността да се наберат достатъчно допустими пациенти. Изпитвания фаза III се провеждат в над 100 сайта в десет или повече държави . И тъй като наркотиците сега често са предназначени за популации от ниши, компаниите се състезават да наемат едни и същи пациенти. В резултат на това 37% от клиничните изпитвания не успяват да постигнат целите си за набиране и 11% от сайтовете не успяват да наемат нито един пациент. Според Национален институт по рака , само 5% от пациентите с рак се присъединяват към клинични изпитвания. Традиционният метод за набиране на отговарящи на условията пациенти е ръчен преглед на списъците с пациенти на лекарите, но това е така скъпо и бавно .

Ето къде има електронни данни за болнични пациенти и големи данни мога да помогна . С аналитика и учени по данни , пациентите могат да бъдат записани въз основа на източници, различни от посетителите на лекарите, като социалните медии. Критериите за избор на пациент вече могат да включват фактори като генетична информация, състояние на заболяването и индивидуални характеристики, позволяващи опитите да бъдат по-малки, по-кратки и по-евтини. „Това е като да ловите с риботърсач“, каза Джон Потхоф, главен изпълнителен директор в Elligo Health Research . „Наистина можете да видите къде са пациентите и къде да отидете, за да ги получите. Когато търсите по-голям басейн, можете да бъдете по-целенасочени в намирането на пациенти, които отговарят най-добре на критериите за включване и изключване. “ Елън Келсо, изпълнителен директор в Чесапийк IRB , независим институционален съвет за преглед, който консултира фармацевтични компании, изчислява, че повече от 60% опити използват предварителен онлайн анализ за идентифициране на потенциални участници.

По-силно и ефективно управление на пробите

Автоматизацията и големите данни позволяват пробите да бъдат наблюдавани в реално време. Те могат да идентифицират сигнали за безопасност или експлоатация, като помагат да се избегнат скъпи проблеми като неблагоприятни събития и закъснения. Според a скорошен доклад на McKinsey , потенциалните печалби от ефективността на клиничното изпитване включват:

• Динамичната оценка на размера на извадката и други промени в протокола могат да позволят бързи отговори на нововъзникващите прозрения от клиничните данни. Те също така позволяват по-малки опити с еквивалентна мощност или по-кратки времена за изпитване, което води до повишаване на ефективността.
• Адаптирането към разликите в процента на набиране на пациенти на място би позволило на компанията да се обърне към изоставащите сайтове, да въведе нови сайтове онлайн, ако е необходимо, и да увеличи набирането от успешни сайтове.
• Използването на електронни медицински записи като основен източник за данни от клинични изпитвания, вместо да има отделна система, може да ускори изпитванията и да намали грешките при ръчно въвеждане на данни.
• Дистанционното наблюдение от следващо поколение на сайтове, активирано чрез достъп до данни в реално време, може да подобри управлението и отговорите на проблеми, които възникват в опитите.

Допълване на данни от клинични проучвания с данни от реалния свят

Индустрията има преживя експлозия в наличните данни извън събраното от традиционните, строго контролирани среди за клинични изпитвания. Въпреки че данните от анонимни електронни здравни досиета (EHR) са анализирани в миналото, обикновено те се ограничават до една изследователска институция или мрежа от доставчици. Въпреки това, сега е възможно да свързва различни източници на данни, позволявайки да се разглеждат сложни изследователски въпроси.

Например, анализът на данните за пациентите с EHR, събрани в реално време по време на посещения на лекар или болница, може да ни помогне да разберем по-добре моделите на лечение и клиничните резултати в реалния свят. Тези прозрения допълват тези, получени от клинични изпитвания и може да оцени по-широк спектър на пациенти, които обикновено са изключени от изпитванията (напр. възрастни, крехки или неподвижни пациенти и др.). Фармацевтичен гигант Genentech има инвестира сериозно в този подход , анализиране на бази данни на реални пациенти, за да се разберат резултатите от различни подтипове пациенти, схеми на лечение и как различните модели на лечение влияят върху клиничните резултати в реалния свят.

Откриване на нежелани лекарствени реакции

Вредните реакции, причинени от лекарства, са известни като нежелани лекарствени реакции (АРС). Тъй като клиничните изпитвания не имитират напълно реалните условия, последиците от лекарството не могат да бъдат напълно оценени преди пускането на пазара. И, ADR системи за отчитане разчитам на спонтанни регулаторни доклади, преминали през адвокати, клиницисти и фармацевти, при които информацията може да бъде загубена или погрешно интерпретирана. Следователно, откриването и докладването на ADR са често непълни или ненавременни . Смята се, че до 90% от страничните ефекти на лекарствата не се съобщават.

Вместо това много потребители на наркотици отиват в социални медии като Twitter, Facebook и публични медицински форуми, включително Medications.com и DailyStrength.com, за да гласови оплаквания или съобщаване за странични ефекти . Много потребители дори включват хаштагове за регулаторни агенции (напр. #FDA), производители (#Pfizer, #GSK) и конкретни продукти (#accutaneprobz). Извличането на тези сайтове за предоставени от пациента НЛР може да се окаже по-точно от тези, диагностицирани от медицински специалисти. Според Дейвид Луис , ръководител на глобалната безопасност като Novartis, „Извличането на данни от социалните медии ни дава по-голям шанс за улавяне на НЛР, за които пациентът не би задължително да се оплаква от своя лекар или медицинска сестра ... психиатър не може да възприеме суицидните идеи като НЛР пациентът може да го опише перфектно. ' Анализ на настроението , който изчислително идентифицира и категоризира мненията, изразени в текст, също може да се извърши.

Епидемия , дъщерно дружество на Booz Allen Hamilton, използва обработка на естествен език и алгоритми за машинно обучение за търсене на НЛР от публикации в социалните медии за около 1400 лекарства. Проучване от 2014 г., стартирано съвместно от FDA и Epidemico, изследва 6,9 милиона публикации в Twitter и намерени 4 401 туита което приличаше на ADR. В сравнение с данните, съхранявани от FDA, проучването установи висока връзка между неформалните доклади в социалните медии и тези, докладвани в клинични изпитвания (вж. Таблицата по-долу).

Препоръки за фармацевтични компании, които искат да внедрят тези функции

Въпреки предимствата му, много фармацевтични компании са предпазливи да инвестират в аналитични възможности за големи данни. По-долу са дадени някои препоръки за успех в изпълнението:

• Технологии и анализи. Фармацевтичните компании, използващи наследени системи, трябва да увеличат възможността за споделяне на данни чрез свързване на тези системи. Освен това фармацевтичните научноизследователски и развойни дейности трябва да използват модерни инструменти като биосензори и устройства за измерване на здравето в смартфоните. Данните от интелигентни устройства и дистанционно наблюдение на пациентите чрез сензори и устройства могат да улеснят научноизследователската и развойна дейност, да анализират ефикасността и да увеличат бъдещите продажби. Например, Google сключи партньорство с Novartis да се разработи интелигентна контактна леща, която да следи нивата на глюкозата на диабетиците, докато Roche и Qualcomm обединяват усилията си за издигане на антикоагулационни монитори, които пазят от кръвни съсиреци, за безжично предаване на информация за пациента.

• Фокусирайте се върху реални доказателства. Резултатите от реалния свят стават все по-важни, тъй като платците използват ценообразуване въз основа на стойността. Компаниите могат да се разграничат, като търсят лекарства с осезаеми реални резултати, като тези, насочени към популациите от пациенти в ниша. За да разширят своите данни извън клиничните изпитвания, те дори могат да се присъединят към собствени мрежи за данни.

• Сътрудничайте вътрешно и външно. Фармацевтичните научноизследователски и развойни дейности исторически са били скрити в тайна, но както вътрешното, така и външното сътрудничество ще бъдат ключови за успеха с големи данни. Подобряването на вътрешното сътрудничество изисква рационализирана комуникация между откритията, клиничното развитие и медицинските въпроси. Това може да доведе до прозрения в цялото портфолио, включително клинична идентификация и потенциални възможности в персонализираната медицина. Външното сътрудничество също е важно: академичните изследователи могат да предоставят представа за най-новите научни постижения, инициативите, ръководени от други фармацевтични компании, могат да създадат по-голям и по-мощен фонд от данни, който да се използва за откриване и договорни изследователски организации (CRO) могат да помогнат за мащабиране на вътрешни усилия или да предоставят специфичен опит.

• Организация. За да се избегнат силозите за данни и да се улесни споделянето на данни, най-добре е да се присвоят собственици на различни типове данни, като обхватът им се разширява между функциите. Опитът, придобит от собственика на данните, ще бъде безценен при разработването на начини за използване на съществуваща информация или за интегриране на допълнителни данни. Това също би повишило отчетността за качеството на данните. Тези промени обаче са възможни само ако ръководството на компанията наистина подкрепя стойността на големите данни.

Мисли за раздяла

Днес е ясно, че науките за живота, компютърните науки и науките за данни се сближават. Въпреки че техническите и културните предизвикателства несъмнено предстоят, усъвършенстваният анализ на данните е лост, който фармацевтичните компании могат да използват за борба с неблагоприятната икономика на научноизследователската и развойна дейност. Разбира се, обаче, обещанието за големи данни ще остане точно това, ако организациите не предприемат стратегически стъпки в изпълнението.

Според Глен де Фриз на компанията SaaS Medidata, големи данни „могат да излекуват неразположението в научноизследователската и развойна дейност на науката за живота“. По време на Глобалната конференция по фармацевтика и биотехнологии, организирана от „Файненшъл таймс“, той сравнява големи данни с откритието на камъка Розета, което позволява на учените да дешифрират йероглифи и да отключат древната египетска история. По същия начин, ако наборите от данни могат да се комбинират в здравната система, включително информация, идваща от геномика / протеомика, данни в клиниката, записани от лекари, и мобилно здраве, медицинските изследвания ще претърпят революция.