大数据:制药公司的处方&D困境

这些数字表明，2016年对美国来说并不是一个伟大的年份.S. 制药行业. 截至12月初， 只有19种新药 已获得美国食品和药物管理局(FDA)的批准, 2015年批准的数量不到一半，是2007年以来的最低水平. 在最大的参与者中，研发投资回报率(R&D) 降至3.7%.

尽管这些统计数据令人沮丧, 制药行业仍然是更广泛的医疗保健生态系统的组成部分. 但是，该行业面临着提高生产力和缩短开发时间的压力. R的回报&D作为投资者重要的业绩指标，以及a 对话的起点 行业之间, 纳税人, 以及卫生技术评估小组, 这些因素共同决定了创新药物的价值. 业内人士可以 采取不同的策略 -包括科学伙伴关系, 新兴市场投资, 以及产品组合的多样化——以应对生产力问题. 然而, 正如这篇文章所示, 另一个解决方案包括数据分析, 哪些可以加强和加速药物开发.

本文考察了药物开发的现状, 以及大数据如何改善它的不同组成部分:药物发现, 临床试验设计, 药物不良反应检测. 最后，它将为希望集成这些类型的解决方案的公司提供建议.

降低制药研发的投资回报率&D

如前所述, 很少有候选药物最终获得商业批准, 更不用说商业成功了. 5000人中只有5人， or 0.1%, 在开始临床前试验的药物中，没有一个能进入人体试验, 只有一种被批准用于人类使用.

根据… 2012年麦肯锡报告, 随着药物开发项目的数量和每个项目的成本翻了一番，累计成功率下降了50%. 人们还普遍认为，一次性发布的产品在投资回报率方面会有短暂的提高, 掩盖了更深层次的问题，如不断增长的审判成本和拥挤的市场. 许多制药公司25年来创造了可观的股东价值, 尽管他们在接下来的十年中取得的成果较为温和(见下文)。.

很少有人会质疑药物开发过程是漫长而艰巨的. 毕竟，这需要的不仅仅是 10年，2美元.60亿年 把药物推向市场. 当研究人员试图在细胞或分子水平上了解疾病背后的过程时，它就开始了. 通过更好地了解疾病的过程和途径, 新疗法的潜在“目标” 确定. 如果临床前试验证明安全性和有效性, 候选人进入连续的测试阶段, 审查, 和授权.

每一步在美国，推进或停止某些化合物的决定是基于实验和历史数据做出的. “快速失败”，或者基于不满意的性能终止进一步的开发，是至关重要的. 这是因为成本在管道的每个后续阶段都会增加, 尤其是当人体试验开始时. 为了克服这些困难，制药公司可以采用数据分析.

制药公司的数据分析应用

大数据分析包括 对大量不同数据集的收集、操作和分析. 它在几个方面为制药公司提供了希望:1)预测建模可以发现药物管道的目标. 2)统计工具可以改善患者招募，加强监测. 3)公共论坛和社交媒体网站的数据挖掘可以识别未正式报告的药物不良反应. 让我们深入研究每个用例.

药物发现中的预测建模

如果你是一家希望优化转化率的营销公司, 你应该把资源投入到你的目标市场，而不是整个人群. 在药物研发方面也是如此——制药公司的目标是投资于可能在临床试验和市场上取得成功的化合物，这样他们就可以收回最初的R&D投资.

过去，研究人员使用天然植物或动物化合物作为候选药物的基础. 药物开发在历史上一直是 迭代过程 使用高通量筛选(HTS)实验室每天对数千种化合物进行物理测试 预期命中率为1%或更低. 但现在科学家们正在用计算机创造新的分子. 预测建模，无论是复杂的还是基本的， 可以帮助预测 候选药物的相互作用、抑制作用和毒性. 一种普遍的方法是 理性运动建模, 它使用先进的数学模型和模拟来预测化合物在体内的作用. 即使没有可用的蛋白质结构信息, 筛选虚拟化合物文库允许研究人员考虑 多达1万种化合物，然后把范围缩小到10到20个.

这些功能并不一定要在内部构建. 最近，IBM沃森健康和辉瑞 建立伙伴关系 帮助研究人员发现新的药物靶点. 而研究人员平均每年阅读250-300篇文章, 沃森已经处理了2500万篇Medline摘要, 超过一百万篇全文医学期刊文章, 400万项专利. 沃森甚至可以与一个组织的私人数据相结合，以揭示隐藏的模式.

一种更简单的方法包括应用临床前研究的历史数据, 临床试验, 以及上市后监控. 这些数据可用于基于各种独立变量预测最终结果(FDA批准/患者结果).

需要数据的流程会增加协作

收费墙和专利已经很久了 减缓流动 在这个竞争激烈的行业中，信息的缺失. 因此，一个有趣的趋势是行业各方之间日益增长的合作. 例如，非营利组织 结构基因组学协会 与九家制药公司和实验室合作 承诺分享 他们的药物愿望清单, 结果在开放获取期刊, 和实验样本来加速发现.

类似的，英国创业公司 MedChemica 协作的核心是否旨在使用数据挖掘加速开发，同时维护每个合作伙伴的知识产权. MedChemica的技术从合作伙伴的分子数据库中挖掘，以找到紧密匹配的分子对, 在两者之间执行分析, 然后，输出结果被用来创建规则，这些规则可以应用于虚拟分子，以预测类似结构变化的影响. 联盟中的所有合作伙伴都可以建议需要补充数据的地方, 甚至可以同意分担进一步测试的费用.

更好的临床试验设计

临床试验 研究是否测试一种治疗方法对人类是否安全有效. 一种药物进入FDA审查前要经过三个阶段. 每个后续阶段都涉及到更多的个体, 从第一阶段的数十个增加到第三阶段的数千个. 这个过程 通常需要 六到七年才能完成. 市场发布的延迟可能会达到 每天1500万美元 重磅药物的机会成本. 以下是一些临床试验的痛点，以及大数据如何缓解它们:

加强针对性招聘

试验失败通常是由于无法招募到足够的合格患者. 第三期试验在 超过100个站点分布在10个或更多的国家. 和, 因为现在的药物通常是为特定人群设计的, 各家公司竞相招募同样的病人. 结果，37%的临床试验 未能达到招聘目标 11%的诊所连一个病人都招不到. 根据 国家癌症研究所在美国，只有5%的癌症患者参加临床试验. 招募符合条件的患者的传统方法是手动审查医生的患者名单-但它是 昂贵而缓慢.

这里是电子病人医院数据和大数据 可以帮助. 通过分析和 数据科学家在美国，患者可以根据社交媒体等医生访客以外的来源登记. 现在选择病人的标准可以包括遗传信息等因素, 疾病状态, 个人特征, 使试验规模更小, 更短的, 而且更便宜. “这就像用一个寻鱼器钓鱼一样，”该公司首席执行官约翰·波特霍夫(John Potthoff)说 elliigo健康研究. “你可以真正看到病人在哪里，去哪里找他们. 当你看到一个更大的游泳池, 你可以更有针对性地找到最符合纳入和排除标准的患者.艾伦·凯尔索(Ellen Kelso)说 切萨皮克IRB是一个咨询制药公司的独立机构审查委员会， 估计超过60% 许多试验使用初步的在线分析来识别潜在的参与者.

加强和提高审判管理效率

自动化和大数据允许对试验进行实时监控. 它们可以识别安全或操作信号, 有助于避免代价高昂的问题，如不良事件和延误. 根据… 麦肯锡最近的报告，潜在的临床试验效率提高包括:

• 动态样本量估计和其他协议更改可以对临床数据的新见解做出快速反应. 它们还可以实现同等功率的更小的试验或更短的试验时间, 提高效率.
• 适应不同地区患者招募率的差异将使公司能够解决落后地区的问题, 如有必要，将新网站上线, 增加从成功网站的招聘.
• 使用电子医疗记录作为临床试验数据的主要来源，而不是使用单独的系统，可以加速试验并减少人工数据输入错误.
• 通过实时数据访问实现的下一代站点远程监控可以改善对试验中出现的问题的管理和响应.

用真实世界的数据补充临床试验数据

这个行业 经历了一次爆炸 在可用的数据中超越传统的收集, 严格控制临床试验环境. 虽然过去对匿名电子健康记录(EHR)数据进行了分析, 它通常局限于单一的研究机构或供应商网络. 然而, 现在是可能的 链接不同的数据源，使复杂的研究问题得到解决.

例如, 对医生或医院就诊期间实时收集的EHR患者数据进行分析，可以帮助我们更好地了解现实世界中的治疗模式和临床结果. 这些见解补充了从临床试验和 可以评估更广泛的范围吗 通常被排除在试验之外的患者(例如.g.老年人、体弱或行动不便的病人等.). 制药巨头基因泰克(Genentech)做到了 在这方面投入了大量资金, 分析现实世界患者的数据库，了解不同患者亚型的结果, 治疗方案, 以及在现实世界中不同的治疗模式如何影响临床结果.

药物不良反应检测

药物引起的有害反应被称为药物不良反应(adr)。. 因为临床试验不能完全模拟现实世界的情况, 在投放市场之前，无法对药物的后果进行充分评估. 药品不良反应报告系统 依靠 经过律师审核的自发监管报告, 临床医生, 和药剂师, 哪里的信息可能会丢失或被误解. 因此，药品不良反应的检测和报告是 常为不完整或不合时宜的. 据估计，高达90%的药物副作用未被报道.

许多吸毒者转而使用推特等社交媒体, 脸谱网, 和公共医疗论坛，包括药物.com和DailyStrength.com为 声音投诉或报告副作用. 许多用户甚至为监管机构添加了标签.g.(# FDA)、制造商(#Pfizer、#GSK)和特定产品(#accutaneprobz). 事实证明，在这些网站上挖掘患者提供的不良反应比医学专业人士诊断出的不良反应更准确. 大卫·刘易斯说, 诺华的全球安全主管, “从社交媒体上挖掘数据让我们有更大的机会捕捉到患者不一定会向医生或护士抱怨的不良反应……精神科医生不能将自杀意念视为不良反应，而患者可以完美地描述它。.” 情绪分析，它可以计算识别和分类文本中表达的意见，也可以执行.

Epidemico博思艾伦的子公司， 使用自然语言处理 以及机器学习算法，从社交媒体帖子中搜索约1400种药物的不良反应. 2014年，FDA和流行病组织联合发起了一项研究.900万推特帖子和 发现4401条推文 类似于ADR. 与FDA持有的数据相比, 该研究发现，非正式社交媒体报道与临床试验报告之间存在高度关联(见下表)。.

给希望实现这些功能的制药公司的建议

尽管它有好处, 许多制药公司对投资大数据分析能力持谨慎态度. 以下是成功实施的一些建议:

• 技术和分析. 利用遗留系统的制药公司应该通过连接这些系统来提高共享数据的能力. 此外，制药R&D应该利用智能手机中的生物传感器和健康测量设备等尖端工具. 来自智能设备的数据以及通过传感器和设备对患者的远程监控可以促进R&D、分析功效，提升未来销量. 例如, 谷歌与诺华公司达成了合作伙伴关系 开发一种智能隐形眼镜来监测糖尿病患者的血糖水平，同时 罗氏和高通 联合起来提高抗凝监护仪吗, 哪一种能防止血栓, 无线传输病人信息.

• 关注真实世界的证据. 随着付款人采用基于价值的定价，现实世界的结果变得越来越重要. 制药公司可以通过研发具有实际效果的药物来使自己与众不同, 比如那些针对小众患者群体的药物. 为了将数据扩展到临床试验之外，他们甚至可以加入专有数据网络.

• 内部和外部协作. 制药R&从历史上看，大数据一直处于保密状态，但内部和外部合作将是大数据成功的关键. 改进内部协作需要在发现之间进行流线型的沟通, 临床开发, 医疗事务. 这可以导致对整个投资组合的洞察, 包括临床鉴定和个性化医疗的潜在机会. 外部合作也很重要:学术研究人员可以提供对最新科学突破的见解, 与其他制药公司合作的倡议可以创造更大的市场, 更强大的数据池，以利用发现, 和 合约研究机构 (cro)可以帮助扩展内部工作或提供特定的专业知识.

• 组织. 避免数据孤岛，促进数据共享, 最好将所有者分配给不同的数据类型, 随着他们的影响力扩展到各个职能部门. 在开发使用现有信息或集成其他数据的方法时，数据所有者获得的专业知识将是非常宝贵的. 它还将加强对数据质量的问责制. 然而, 只有当公司领导层真正支持大数据的价值时，这些变化才有可能发生.

分开的想法

今天，很明显，生命科学、计算机科学和数据科学正在融合. 尽管技术和文化方面的挑战无疑摆在面前, 先进的数据分析是制药公司可以用来对抗不利R的杠杆&D经济学. 当然, 虽然, 如果组织不采取战略措施来实施大数据，大数据的前景将只是昙花一现.

格伦·德·弗里斯说 “大数据”可以治愈生命科学的R&D不适.在《欧博体育app下载》主办的全球制药和生物技术会议上, 他将大数据比作罗塞塔石碑的发现, 让学者们能够破译象形文字，揭开古埃及历史的面纱. 类似的, 如果数据集可以在医疗保健系统内组合, 包括来自基因组学/蛋白质组学的信息, 由医生记录的临床数据, 移动医疗, 医学研究将经历一场革命.