Databricks in der Pharmaindustrie: Wie sich die Pharmaforschung und -Entwicklung beschleunigen lässt

Heutzutage generiert ein durchschnittliches Pharmaunternehmen mehr Daten als je zuvor. Genomdaten, Ergebnisse klinischer Studien, Daten von Sensoren an Produktionslinien, Daten aus der Routineversorgung (Real-World-Daten, RWD) und die daraus abgeleiteten Erkenntnisse (Real-World-Evidence, RWE) sowie Protokolle über Interaktionen mit medizinischen Fachkräften – all diese Daten sind irgendwo vorhanden. Die Frage ist, ob es überhaupt jemandem gelingt, all dies auf einen Blick zu überblicken.

In den meisten Fällen lautet die Antwort „nein“. Nicht, weil die Technologie nicht existiert, sondern weil Forschungs-, klinische, Produktions- und Vertriebsdaten in unterschiedlichen Systemen gespeichert sind, unterschiedlichen Logiken folgen und von verschiedenen Organisationen verwaltet werden.

Das ist das eigentliche Datenproblem in der Pharmabranche.

Schauen wir uns das einmal genauer an – einschließlich der Frage, wie eine flexible Datenplattform wie Databricks dazu beitragen kann, diese Probleme zu beseitigen.

Datenherausforderungen und Lösungen

1. Das Silo-Problem

Die meisten Datenarchitekturen in der Pharmabranche sind funktional aufgebaut: Die Forschung und Entwicklung verfügt über eigene Systeme, der klinische Bereich über eigene, und auch die Bereiche Produktion, Qualität und Vertrieb haben jeweils ihre eigenen. Diese Systeme funktionieren isoliert betrachtet oft gut. Zusammen führen sie jedoch zu blinden Flecken.

Die praktische Konsequenz: Wenn ein Medical-Affairs-Team eine Real-World-Evidence-Analyse durchführen möchte, bei der klinische Daten, Abrechnungsdaten und Daten aus elektronischen Patientenakten kombiniert werden, ist das in der Regel ein monatelanges Projekt – und keine Analyse, die sich in wenigen Wochen erledigen lässt. Das Versprechen der KI erscheint in weiter Ferne, wenn die grundlegende Datenintegration noch manuelle Arbeit ist. Mit einer einheitlichen und dennoch flexiblen Datenplattform wie Databricks lässt sich diese Aufgabe deutlich schneller bewältigen.

2. Das Governance-Paradoxon

Die Pharmabranche unterliegt strengen Vorschriften: GxP, 21 CFR Part 11, Nachvollziehbarkeit, Reproduzierbarkeit. In vielen Unternehmen führt dies zu einem konservativen Datenmanagement – und innovative Anwendungsfälle für Analytik, maschinelles Lernen oder KI werden nicht genehmigt, da die Governance auf Ebene der Datenplattform noch nicht geklärt ist.

Die Lakehouse-Architektur von Databricks geht dieses Problem direkt an: Forschungs-, klinische, Fertigungs- und Vertriebsdaten werden auf einer einzigen logischen Ebene mit einheitlicher Governance und einem lückenlosen Prüfpfad vereint. Das bedeutet nicht, dass sich alles physisch an einem Ort befinden muss – es bedeutet vielmehr, dass alles unter einem einzigen Governance-Rahmenwerk kontrolliert werden kann. Compliance und Innovation stehen nicht mehr im Widerspruch zueinander, sondern bauen auf derselben Grundlage auf. 

3. Das AI-Ready-Fundament

KI-Anwendungsfälle in der Pharmabranche – Identifizierung von Wirkstoffzielen, klinische Patientensegmentierung, prädiktive Fertigungsqualität, Optimierung der Zusammenarbeit mit medizinischen Fachkräften – hängt von derselben Voraussetzung ab: einer einheitlichen, gut verwalteten Datenebene, auf der Modelle aufgebaut und deren Ergebnisse überprüft werden können. Fehlt diese, kann KI weder effektiv noch zuverlässig funktionieren.

Die Databricks Data Intelligence Platform bietet diese Grundlage für den gesamten Pharma- und Life-Sciences-Sektor: Sie deckt den gesamten Lebenszyklus eines Medikaments ab, von der Entdeckung über die Herstellung bis hin zum Vertrieb. Unternehmen, die diese Grundlage jetzt schaffen, werden 2–3 Jahre schneller zu funktionsfähigen KI-Anwendungsfällen gelangen als solche, die direkt mit dem Modell beginnen.

Databricks in der Pharmaindustrie: typische Anwendungsfälle 

Optimierung klinischer Studien 

Klinische Studien sind komplex und kostspielig, und die Rekrutierung und Bindung von Teilnehmern stellt nach wie vor einen hartnäckigen Engpass dar. Durch die Nutzung von Patientendemografiedaten, historischen Studiendaten, Zulassungskriterien, elektronischen Patientenakten (EHRs) und Versicherungsansprüchen können Unternehmen Databricks einsetzen, um

• die Auswahl der Studienzentren zu optimieren
• geeignete Teilnehmer aus verschiedenen Bevölkerungsgruppen zu identifizieren
• Rekrutierungszeitpläne zu prognostizieren und Risiken frühzeitig zu erkennen

Integration von RWE-Daten

Die Fragmentierung von Gesundheitsdaten (elektronische Patientenakten, Register, Abrechnungsdaten) erschwert deren Analyse. Databricks kann dabei helfen, diese Daten in standardisierte Formate (wie OMOP) zu konsolidieren, die den gesetzlichen Vorschriften entsprechen, um die Wirksamkeit von Medikamenten, die Therapietreue und das Patientenrisiko zu bewerten.

Analyse von Arzneimittelneueinführungen

Databricks kann zudem bei der Analyse von Produkteinführungen helfen, indem es Daten aus Apotheken und zentralen Datenbanken verarbeitet, um wichtige Leistungsindikatoren (NBRx, TRx) zu verfolgen, Zugangsbarrieren seitens der Kostenträger (öffentliche oder private Krankenversicherer) zu identifizieren und die Prioritäten von Fachkräften im Gesundheitswesen während der Einführung neuer Arzneimittel zu ermitteln.

Unterstützung der Supply Chain und der Fertigung

Databricks unterstützt die Integration globaler Fertigungssysteme und ermöglicht so vorausschauende Wartung, die Freigabe von Ausnahmepartien sowie die Prozessoptimierung in Echtzeit.

Beschleunigung der Arzneimittelforschung und -Entwicklung

Databricks kann dazu beitragen, den derzeit erheblichen Zeitaufwand für die Arzneimittelforschung und -entwicklung zu reduzieren – wie die folgende Fallstudie zeigt.

Fallstudie: Einsatz von Databricks bei AstraZeneca

 Es ist allgemein bekannt, dass die Entwicklung eines Medikaments bis zu 10–15 Jahre dauern kann, während weniger als 5 % der neuen Medikamente den Markt erreichen – und das bei erheblichen Kosten. AstraZeneca wollte diese Situation mit Hilfe von Databricks verbessern.

Diese Fallstudie verdeutlicht, dass eine der größten Herausforderungen in der modernen Arzneimittelforschung nicht mehr der Mangel an relevanten Daten ist, sondern vielmehr deren enorme Menge und Fragmentierung. Die Forscher des Unternehmens haben Zugriff auf riesige Datenmengen aus verschiedenen Quellen – interne Systeme, wissenschaftliche Publikationen und öffentliche Datenbanken –, doch die Integration und schnelle Verarbeitung dieser Daten stellte ein erhebliches Hindernis für die Entscheidungsfindung dar.

Zu den größten Herausforderungen zählten daher die Verwaltung einer fragmentierten Datenumgebung, die Analyse von Millionen von Datenpunkten aus Hunderten von Quellen sowie die Gewährleistung der Skalierbarkeit und Nachhaltigkeit der Infrastruktur. Herkömmliche Ansätze zur Datenverarbeitung und Open-Source-Tools waren nicht in der Lage, das wachsende Datenvolumen und die Anforderungen fortschrittlicher Data-Science-Modelle effektiv zu bewältigen, was die Forscher daran hinderte, schnell genug fundierte Entscheidungen zu treffen.

AstraZeneca löste dieses Problem durch die Implementierung der Databricks-Plattform, die eine einheitliche, skalierbare Umgebung für die Integration und Verarbeitung von Daten sowie die Ausführung von Machine-Learning-Modellen bietet. Mithilfe der Plattform erstellte das Unternehmen einen sogenannten Wissensgraphen, der biologische Zusammenhänge strukturiert und als Grundlage für ein Empfehlungssystem dient. Dieses Empfehlungssystem ist in der Lage, Hypothesen zu neuen Wirkstoffzielen zu generieren und gleichzeitig mithilfe von Natural Language Processing (NLP) riesige Mengen wissenschaftlicher Literatur zu analysieren. Darüber hinaus haben das automatisierte Cluster-Management und die Skalierung von Databricks den Infrastrukturbetrieb erheblich vereinfacht und Daten- sowie ML-Prozesse effizienter gestaltet.

Durch die Implementierung hat AstraZeneca erhebliche geschäftliche und betriebliche Vorteile erzielt. Das System ist in der Lage, Millionen von Datenpunkten aus Tausenden von Quellen zu verarbeiten, was zu einer Leistungssteigerung um eine Größenordnung geführt hat. Die betriebliche Effizienz und die Produktivität der Data-Science-Teams haben sich verbessert, während die Forscher schneller zu umsetzbaren Erkenntnissen gelangen können. Das wichtigste Ergebnis ist die Verkürzung der „Time-to-Insight“ und der „Time-to-Market“: Die Identifizierung und Validierung neuer Wirkstoffziele hat sich beschleunigt, was direkt dazu beiträgt, dass das Unternehmen neue Therapien schneller und kosteneffizienter entwickeln kann.

Insgesamt zeigt das Beispiel von AstraZeneca, dass die Integration einer fortschrittlichen Dateninfrastruktur und künstlicher Intelligenz einen strategischen Vorteil in der Pharmaindustrie bietet. Unternehmen, die in der Lage sind, ihre Daten auf einer einheitlichen Plattform zu verwalten und schnell geschäftlichen Nutzen daraus zu ziehen, können sich einen erheblichen Wettbewerbsvorteil hinsichtlich der Effizienz in Forschung und Entwicklung sowie der Innovationsgeschwindigkeit verschaffen.

Fazit

In der Pharmabranche ist die Datenplattform längst keine reine IT-Initiative mehr. Die Produktivität in Forschung und Entwicklung, die Geschwindigkeit der klinischen Entwicklung, die Effizienz in der Produktion und die Qualität geschäftlicher Entscheidungen stehen und fallen alle mit derselben Datengrundlage.

Als Databricks-Partner unterstützt DSS Consulting Pharmaunternehmen dabei, diesen Weg zu beschreiten . Wenn auch Sie der Meinung sind, dass diese Datenplattform für Ihr Unternehmen nützlich sein könnte, wäre ein Gespräch darüber sinnvoll.