Databricks a gyógyszeriparban: hogyan gyorsítható a gyógyszerkutatás és -fejlesztés?

Egy átlagos gyógyszercég ma több adatot termel, mint valaha. Genomikai adatok, klinikai vizsgálati eredmények, a gyártósorokra telepített szenzorok, a rutinellátás során keletkező adatok (real-world data, RWD) és az ezeken alapuló bizonyítékok (real-world evidence, RWE), HCP interakciós naplók – mind ott vannak valahol. A kérdés az, hogy van-e valaki, aki ezeket egyszerre át is képes látni.

A legtöbb esetben a válasz: nincs. Nem azért, mert nincs erre technológia, hanem azért, mert a kutatási, klinikai, gyártási és kereskedelmi adatok más-más rendszerben, más-más logika szerint, más-más szervezet kezelésében léteznek.

Ez az igazi adatprobléma a pharma szektorban.

Nézzük meg most ezt részletesen – beleértve azt is, hogyan segíthet egy olyan flexibilis adatplatform, mint a Databricks, ezeknek a problémáknak a kiküszöbölésében.

Adatproblémák és megoldások

1. Az adatsilók problémája

A pharma adat-architektúrák zöme funkcionálisan épül fel. Minden szervezeti egység saját rendszerrel dolgozik: az R&D csapat, a clinical operations, a gyártás, a quality és a kereskedelmi szervezet is. Ezek a rendszerek önmagukban sokszor kiválóak, együtt azonban vakfoltokat eredményezhetnek.

Konkrét következmény: ha a medical affairs csapat real-world evidence-t akar elemezni, és ehhez klinikai, claimekkel kapcsolatos és elektronikus egészségügyi nyilvántartási (EHR-) adatokat kell összefésülni, ez jellemzően hónapos projekt – nem hetekig tartó elemzés. Az AI előnyei a távolba vesznek, ha már az alapadatok integrációja is hosszan elhúzódó, manuális folyamatot igényel. Egy egységes, ugyanakkor flexibilis adatplatform, mint a Databricks segítségével lényegesen rövidebb ideig tart ez a feladat.

2. A governance-paradoxon

A pharma szektor erősen szabályozott: GxP, 21 CFR Part 11, auditálhatóság, reprodukálhatóság. Ez sok helyen arra vezet, hogy az adatkezelés is óvatos marad, és az innovatív adatelemzés, a gépi tanulás, az AI use case-ek nem kapnak zöld utat – mert a governance kérdése nincs megoldva az adatplatform szintjén.

A Databricks lakehouse architektúrája erre kínál megoldást: a strukturált és nem strukturált adatok – legyenek ezek gyógyszerkutatási, klinikai, gyártási vagy kereskedelmi adatok – egyetlen közös alaprétegre kerülnek, egységes irányítás (governance) és audit-nyilvántartás (audit trail) mellett. Ez nem azt jelenti, hogy minden egy helyen van fizikailag, hanem azt, hogy minden adat egyetlen logikai kontroll alatt kezelhető. A compliance és az innováció nem egymás ellen dolgozik, hanem ugyanabból az alapból építkezik.

3. „AI-ready” alapok

A gyógyszeripari AI use case-ek – a célpontazonosítás, klinikai betegszegmentálás, prediktív gyártási minőség, HCP engagement optimalizálás területén – mind ugyanazon az alapfeltételen múlnak: legyen egy egységes, jól kontrollált alapréteg, amelyre a modellek építhetők és amelyből az eredmények auditálhatók. Ha ez nem létezik, az AI sem tud hatékonyan, megbízhatóan működni.

A Databricks Data Intelligence Platform ezt az alapot biztosítja a pharma-szektorban a teljes gyógyszer-életciklus mentén, a drug discoverytől a gyártáson át a kereskedelmi szervezetig. Az a szervezet, amelyik most rakja le ezt az alapot, 2–3 évvel gyorsabban jut el működő AI use case-ekhez, mint az, amelyik a modellel kezdi.

Databricks a gyógyszeriparban: tipikus use case-ek 

Klinikai vizsgálatok optimalizálása 

A klinikai vizsgálatok összetettek és költségesek, és a résztvevők toborzása és megtartása tartós szűk keresztmetszetet jelent. A betegek demográfiai adatai, a korábbi vizsgálati adatok, a részvételi kritériumok, az elektronikus egészségügyi nyilvántartások (EHR) és a biztosítási igénylések kihasználásával a szervezetek a Databricks segítségével képessé válnak

• a vizsgálati helyszínek kiválasztásának optimalizálására
• a megfelelő résztvevők azonosítására a különböző populációk körében
• a toborzási ütemtervek előrejelzésére és a kockázatok korai felismerésére

RWE-adatok integrációja

Az egészségügyi adatok (elektronikus egészségügyi nyilvántartások, regiszterek, igénylések) széttagoltsága megnehezíti ezek elemzését. A Databricks segíthet ezeket összevonni előírásoknak megfelelő, szabványosított formátumokba (például OMOP) a gyógyszerek hatékonyságának, a kezelés betartásának és a betegek kockázatának értékelése érdekében.

Új gyógyszerek piaci bevezetésének elemzése

A Databricks segíthet a termékbevezetések elemzésében is, a gyógyszertári és központi adatok feldolgozásával a kulcsfontosságú teljesítménymutatók (NBRx, TRx) nyomon követése, a fizetők (állami vagy magánegészségügyi biztosítók) hozzáférési akadályainak azonosítása, valamint az egészségügyi szakemberek prioritásainak meghatározása érdekében új gyógyszerek bevezetése során.

Az ellátási lánc és a gyártás támogatása

A Databricks támogatja a globális gyártási rendszerek integrálását, ami lehetővé teszi a prediktív karbantartást, a kivételes kiszerelések engedélyezését és a folyamatok valós idejű optimalizálását is.

Gyógyszerkutatás és -fejlesztés felgyorsítása

A Databricks segítségével rövidíthető a gyógyszerkutatásra és -fejlesztésre fordított, ma még tetemes idő – erről szól az alábbi esettanulmány is.

Esettanulmány: Databricks az AstraZenecánál

Köztudott, hogy a gyógyszerfejlesztés folyamata akár 10–15 évig is eltarthat, miközben az új szerek kevesebb mint 5%-a jut el a piacra, jelentős költségek mellett. Az AstraZeneca ezen próbált javítani a Databricks segítségével.

Az esettanulmány jól szemlélteti, hogy a modern gyógyszerkutatás egyik legnagyobb kihívása már nem a megfelelő adatok hiánya, hanem éppen azok túlzott mennyisége és széttagoltsága. A vállalat kutatói hatalmas mennyiségű, különböző forrásokból – belső rendszerekből, tudományos publikációkból és nyilvános adatbázisokból – származó adathoz férnek hozzá, azonban ezek integrálása és gyors feldolgozása komoly akadályt jelentett a döntéshozatalban.

A legfőbb kihívások közé tartozott tehát a fragmentált adatkörnyezet kezelése, a többszáz forrásból származó, többmillió adatpont elemzése, valamint az infrastruktúra skálázhatósága és fenntarthatósága. A hagyományos adatfeldolgozási megközelítések és a nyílt forráskódú eszközök nem tudták hatékonyan támogatni a növekvő adatvolument és a fejlett adat-tudományos modellek igényeit, így a kutatók sem tudtak kellő gyorsasággal megalapozott döntéseket hozni.

Az AstraZeneca erre a problémára a Databricks platform bevezetésével reagált, amely egységes, skálázható környezetet biztosít az adatok integrálására, feldolgozására és gépi tanulási modellek futtatására. A platform segítségével a vállalat egy úgynevezett tudásgráfot épített, amely a biológiai összefüggéseket rendszerezi, és alapját képezi egy ajánlórendszernek. Ez az ajánlórendszer képes új gyógyszercélpontokra vonatkozó hipotéziseket generálni, miközben természetes nyelvfeldolgozással (NLP) elemzi a nagymennyiségű tudományos szakirodalmat. Emellett a Databricks automatizált klaszterkezelése és -skálázása jelentősen leegyszerűsítette az infrastruktúra üzemeltetését, és hatékonyabbá tette az adat- és ML-folyamatokat.

A bevezetés eredményeként az AstraZeneca jelentős üzleti és működési előnyöket realizált. A rendszer képes többezer forrásból származó többmillió adatpont feldolgozására, ami nagyságrendi teljesítménynövekedést eredményezett. Javult az operációs hatékonyság és az adat-tudományos csapatok produktivitása, miközben a kutatók gyorsabban jutnak értelmezhető insightokhoz. A legfontosabb eredmény az úgynevezett „time-to-insight” és „time-to-market” csökkenése: az új gyógyszercélpontok azonosítása és validálása felgyorsult, ami közvetlenül hozzájárul ahhoz, hogy a vállalat gyorsabban és költséghatékonyabban fejlesszen új terápiákat.

Összességében az AstraZeneca esete azt mutatja, hogy a fejlett adatinfrastruktúra és a mesterséges intelligencia integrálása stratégiai előnyt jelent a gyógyszeriparban. Azok a szervezetek, amelyek képesek az adataikat egységes platformon kezelni és abból gyorsan üzleti értéket teremteni, jelentős versenyelőnyhöz juthatnak a kutatás-fejlesztés hatékonyságában és az innováció sebességében.

Záró gondolat

A pharma szektorban az adatplatform ma már nem egy egyszerű IT-kérdés. Az R&D produktivitása, a klinikai fejlesztés sebessége, a gyártási hatékonyság és a kereskedelmi szervezet döntéseinek minősége mind ugyanazon az adatalapon áll vagy bukik.

A DSS Consulting Databricks-partnerként kész segíteni gyógyszercégeknek is ebben.  Ha Ön is úgy gondolja, hogy ez az adatplatform az Önök szervezete számára is hasznos lehet, érdemes lenne beszélnünk.