Da anni il settore delle scienze della vita aspettava di realizzare soluzioni di medicina personalizzata efficaci, e grazie alla diffusione dell'intelligenza artificiale è finalmente possibile utilizzare i big data per cogliere nuove opportunità.
Stephan Ohnmacht, vice presidente di R&D Business Consulting presso Veeva, società di cloud computing focalizzata sulle applicazioni del settore farmaceutico e delle scienze della vita, spiega che l'IA e il machine learning riusciranno a sbloccare il potenziale della medicina personalizzata, aiutando i team di ricerca e sviluppo.
Tutto questo sarà però possibile solo ripensando l'approccio ai big data, garantendo che siano puliti, standardizzati, interoperabili e sicuri. Le strategie delle aziende biofarmaceutiche devono mettere al centro i dati riutilizzabili, integrandoli da diverse fonti.
Ridurre il tempo di attesa dei pazienti
Storicamente l'obiettivo delle raccolte dati era avere set completi di informazioni, ma l'ampiezza di questi dataset rendeva difficile individuare i modelli o identificare gli usi più efficaci.
Poiché oggi i requisiti di go-to-market e di approvazione dei trattamenti personalizzati sono più complessi che in passato, le aziende biofarmaceutiche pongono molta più attenzione alla governance e alla proprietà dei dati rispetto che alla raccolta.
I sistemi connessi oggi consentono a tutte le parti interessate di visualizzare i dati in qualsiasi momento anziché attendere l'invio delle informazioni in formati di difficile utilizzo nei sistemi, come i metadati o documenti testuali.
Lato sponsor sta diventando anche più facile individuare le inefficienze che hanno un impatto maggiore durante la fase di sviluppo clinico, in modo da ridurre il time to market dei farmaci personalizzati.
L'analisi dei dati sui tempi di ciclo tra due tappe cliniche può indicare se le operative si presentano durante la progettazione del protocollo, la selezione del sito, l'avvio o in altre tappe. Conoscendo queste informazioni, è possibile rendere le organizzazioni più produttive e veloci.
Avere un'unica fonte di dati accurata e sicura significa migliorare il processo decisionale per il deposito dei brevetti o del reclutamento dei pazienti, oltre ad aumentare l'efficienza nell'outsourcing, nell'approvvigionamento o nella razionalizzazione del portafoglio.
Solo risolvendo i problemi comuni relativi alla pulizia, alla proprietà e agli standard dei dati, il volume e la frequenza di accesso alle informazioni aumenterà.
L'importanza della collaborazione tra team
Per ridurre il tempo che intercorre tra la prima visita ai pazienti e la finalizzazione delle informazioni in uno studio clinico è necessario individuare un gruppo di esperti prima della raccolta e della pulizia dei dati per decidere l'approccio e i casi d'uso esatti. I data scientist, gli esperti di materia e gli esperti esterni possono contribuire a prendere decisioni e a verificare le ipotesi di miglioramento per questa tappa dello sviluppo clinico.
Ohnmacht sottolinea anche che è importante favorire la collaborazione tra funzioni che non hanno mai lavorato insieme, come la ricerca e la scienza di base, il business e l'IT. Gli stessi vertici aziendali devono essere coinvolti nel processo per individuare il modello di lavoro che meglio si adatta alla cultura dell'azienda.
Una volta definiti i ruoli e le responsabilità, le persone, i processi e la tecnologia devono allinearsi agli obiettivi aziendali più ampi, ai problemi e alle ipotesi concordate. Per gli statistici, i biologi molecolari, i chimici, gli esperti medici/genetisti e i data scientist è fondamentale lavorare su serie di dati puliti provenienti da un'unica fonte di verità per far riprendere il percorso di approvazione del farmaco.
Solo una volta che i casi d'uso dei big data saranno stati definiti ed eseguiti i team delle organizzazioni riusciranno a collaborare per un obiettivo comune. Il risultato sarà una documentazione di qualità superiore, una riduzione dei tempi necessari per completare processi clinici specifici e un maggior numero di proposte corrette al primo tentativo.
"Il crescente interesse e la spinta verso l'adozione di API dirette per l'accesso e la manipolazione dei dati con le autorità regolatorie e sanitarie e potenzialmente con le organizzazioni di ricerca a contratto e altre terze parti potrebbe portare a una maggiore cooperazione. I benefici di decisioni normative più rapide saranno percepiti direttamente dai pazienti" spiega Ohnmacht.
Un uso più intelligente dei dati apre a nuove possibilità
Il processo di sviluppo dei farmaci è di per sé molto sfidante e comporta costi e rischi non indifferenti; per questo le organizzazioni di ricerca e le realtà sanitarie devono ripensare l'approccio ai big data per semplificare il percorso.
Una volta ottenuti dati puliti, standardizzati e interoperabili, si potranno esplorare nuove possibilità come la ricerca di nuovi bersagli biologici o nuove popolazioni di pazienti.
Abbracciando un approccio centralizzato alla gestione dei dati si può sostenere l'ambizione di collegare i dati del mondo reale allo sviluppo clinico, migliorando l'esperienza del paziente con farmaci e cure sempre più efficaci.
