Les chiffres démontrent que 2016 n'a pas été une excellente année pour l'industrie pharmaceutique américaine. Début décembre, seulement 19 nouveaux médicaments avait été approuvé par la Food and Drug Administration (FDA), moins de la moitié de ceux approuvés en 2015 et le niveau le plus bas depuis 2007. Parmi les plus grands acteurs, le retour sur investissement pour la recherche et le développement (R&D) est tombé à 3,7% .

Malgré ces statistiques décourageantes, l'industrie pharmaceutique reste partie intégrante de l'écosystème des soins de santé au sens large. Mais l'industrie est confrontée à une pression croissante pour améliorer sa productivité et minimiser le temps de développement. Les retours sur la R&D constituent un indicateur de performance important pour les investisseurs, ainsi qu'un point de départ du dialogue entre l'industrie, les payeurs et les groupes d'évaluation des technologies de la santé, qui déterminent collectivement la valeur des médicaments innovants. Les acteurs de l'industrie peuvent poursuivre différentes stratégies - y compris les partenariats scientifiques, les investissements dans les marchés émergents et la diversification des portefeuilles de produits - pour contrer les problèmes de productivité. Cependant, comme cet article le suggère, une autre solution comprend l'analyse des données, qui peut améliorer et accélérer le développement de médicaments.

Cet article examine l'état actuel du développement des médicaments et comment le big data peut améliorer ses différents composants: découverte de médicaments, conception d'essais cliniques et détection des effets indésirables des médicaments. Il se conclura ensuite par des recommandations aux entreprises souhaitant intégrer ces types de solutions.

Diminution du retour sur investissement de la R&D pharmaceutique

Comme mentionné précédemment, peu de médicaments candidats deviennent finalement approuvés commercialement, sans parler de succès commerciaux. Seulement cinq sur 5000, ou 0,1% , parmi les médicaments qui commencent les tests précliniques, on parvient à des tests sur l'homme, et un seul est approuvé pour usage humain.

Selon un Rapport McKinsey 2012 , les taux de réussite cumulés ont chuté de 50%, le nombre de programmes de développement de médicaments et le coût par programme ayant doublé. Il est également largement admis que les lancements ponctuels montrent des améliorations transitoires du retour sur investissement, éclipsant des problèmes plus profonds tels que la croissance des coûts d'essai et les marchés encombrés. De nombreuses sociétés pharmaceutiques ont créé une valeur actionnariale significative sur 25 ans, bien que leurs résultats au cours de la décennie suivante soient plus modestes (voir ci-dessous).

Rares sont ceux qui contesteraient que le processus de développement de médicaments est long et ardu. Après tout, cela peut prendre plus que 10 ans et 2,6 milliards de dollars pour mettre un médicament sur le marché. Cela commence lorsque les chercheurs essaient de comprendre le processus derrière une maladie au niveau cellulaire ou moléculaire. Grâce à une meilleure compréhension des processus et des voies de la maladie, «cibles» potentielles pour de nouveaux traitements sont identifiés . Si les tests précliniques démontrent l'innocuité et l'efficacité, un candidat passe à des phases successives de test, d'examen et d'autorisation.

A chaque pas , les décisions d'avancer ou d'arrêter certains composés sont prises sur la base de données expérimentales et historiques. «Échouer rapidement» ou mettre fin au développement ultérieur sur la base de performances insatisfaisantes est crucial. En effet, les coûts augmentent à chaque étape successive du pipeline, et en particulier lorsque les essais sur l'homme commencent. Pour lutter contre ces difficultés, les sociétés pharmaceutiques peuvent recourir à l'analyse de données.

Applications d'analyse de données pour les entreprises pharmaceutiques

L'analyse des mégadonnées implique la collecte, la manipulation et l'analyse d'ensembles de données massifs et diversifiés. Il est prometteur pour les sociétés pharmaceutiques de plusieurs manières: 1) La modélisation prédictive peut dénicher des cibles pour le pipeline de médicaments. 2) Les outils statistiques peuvent améliorer le recrutement des patients et améliorer le suivi. 3) L'exploration des données des forums publics et des sites de médias sociaux peut identifier des réactions indésirables aux médicaments non officiellement signalées. Examinons chaque cas d'utilisation.

Modélisation prédictive dans la découverte de médicaments

Si vous étiez une société de marketing cherchant à optimiser les conversions, vous investiriez des ressources dans votre marché cible plutôt que dans l'ensemble de la population. Il en va de même pour la découverte de médicaments: les sociétés pharmaceutiques visent à investir dans des composés susceptibles de réussir dans les essais cliniques et sur le marché afin de pouvoir récupérer leurs investissements initiaux en R&D.

Dans le passé, les chercheurs utilisaient des composés végétaux ou animaux naturels comme base pour des médicaments candidats. Le développement de médicaments a toujours été un processus itératif en utilisant des laboratoires de criblage à haut débit (HTS) pour tester physiquement des milliers de composés par jour, avec un taux de réussite attendu de 1% ou moins . Mais maintenant, les scientifiques créent de nouvelles molécules avec des ordinateurs. Modélisation prédictive, à la fois sophistiquée et basique, peut aider à prédire interaction médicamenteuse candidate, inhibition et toxicité. Une méthode répandue est modélisation pharmacocinétique , qui utilise une modélisation et des simulations mathématiques avancées pour prédire comment le composé agira dans le corps. Même sans informations disponibles sur la structure des protéines, le criblage des bibliothèques de composés virtuels permet aux chercheurs d'envisager jusqu'à 10000 composés , et réduisez-le à 10 ou 20.

Ces capacités ne doivent pas nécessairement être développées en interne. Récemment, IBM Watson Health et Pfizer forgé un partenariat pour aider les chercheurs à découvrir de nouvelles cibles médicamenteuses. Alors que le chercheur moyen lit 250 à 300 articles en un an, Watson a traité 25 millions de résumés Medline, plus d'un million d'articles de revues médicales en texte intégral et quatre millions de brevets. Watson peut même être complété par les données privées d’une organisation pour révéler des modèles cachés.

Une approche plus simple comprend l'application de données historiques provenant d'études précliniques, d'essais cliniques et de surveillance post-commercialisation. Les données peuvent être utilisées pour prédire le résultat final (approbation de la FDA / résultats pour les patients) en fonction de diverses variables indépendantes.

Les processus gourmands en données conduisent à une collaboration accrue

Les paywalls et les brevets ont longtemps ralenti le flux d’informations dans l’industrie hyperconcurrentielle. Une tendance intéressante est donc la collaboration croissante entre les acteurs de l'industrie. Par exemple, à but non lucratif Consortium de génomique structurale s'associe à neuf sociétés pharmaceutiques et laboratoires, qui ont s'est engagé à partager leurs listes de souhaits de médicaments, les résultats dans des revues en libre accès et des échantillons expérimentaux pour accélérer la découverte.

De même, une startup britannique MedChemica est au cœur d’une collaboration conçue pour accélérer le développement en utilisant le data mining tout en préservant la propriété intellectuelle de chaque partenaire. La technologie de MedChemica exploite les bases de données de molécules des partenaires pour trouver des paires étroitement appariées, effectue une analyse entre les deux, et le résultat est ensuite utilisé pour créer des règles qui peuvent être appliquées à des molécules virtuelles pour prédire les impacts de changements structurels similaires. Tous les partenaires du consortium peuvent suggérer où des données supplémentaires sont nécessaires et peuvent même accepter de partager les coûts lors de tests supplémentaires.

Meilleure conception des essais cliniques

Essais cliniques sont des études de recherche qui testent si un traitement est sûr et efficace pour les humains. Il y a trois phases avant qu'un médicament passe à l'examen de la FDA. Chaque phase suivante implique plus d'individus, passant de dizaines dans la phase I à des milliers dans la phase III. Le processus prend généralement six à sept ans pour terminer. Les retards de lancement sur le marché peuvent s'élever à 15 millions de dollars par jour en coûts d'opportunité pour un médicament à succès. Voici quelques points faibles des essais cliniques et comment les mégadonnées peuvent les atténuer:

Recrutement amélioré et ciblé

L'échec de l'essai est souvent causé par l'incapacité de recruter suffisamment de patients éligibles. Les essais de phase III sont menés à plus de 100 sites dans dix pays ou plus . Et, comme les médicaments sont désormais souvent conçus pour des populations de niche, les entreprises se font concurrence pour recruter les mêmes patients. En conséquence, 37% des essais cliniques n'atteignent pas leurs objectifs de recrutement et 11% des sites ne recrutent pas un seul patient. Selon le Institut national du cancer , seulement 5% des patients atteints de cancer rejoignent les essais cliniques. La méthode traditionnelle de recrutement des patients éligibles est l’examen manuel des listes de patients des médecins, mais c’est cher et lent .

Voici où se trouvent les données électroniques des patients hospitalisés et le Big Data peut aider . Avec des analyses et scientifiques des données , les patients peuvent être inscrits sur la base de sources autres que les visiteurs des médecins, comme les réseaux sociaux. Les critères de sélection des patients peuvent désormais inclure des facteurs tels que les informations génétiques, l'état de la maladie et les caractéristiques individuelles, ce qui permet aux essais d'être plus petits, plus courts et moins coûteux. «C’est comme pêcher avec un sondeur», a déclaré John Potthoff, directeur général de Recherche sur la santé Elligo . «Vous pouvez vraiment voir où se trouvent les patients et où aller pour les obtenir. Lorsque vous recherchez un pool plus grand, vous pouvez être plus ciblé pour trouver les patients qui répondent le mieux aux critères d’inclusion et d’exclusion. » Ellen Kelso, directrice exécutive de Chesapeake IRB , un comité d'examen institutionnel indépendant qui consulte les sociétés pharmaceutiques, estime que plus de 60% des essais utilisent une analyse préliminaire en ligne pour identifier les participants potentiels.

Gestion des essais plus solide et plus efficace

L'automatisation et le Big Data permettent de surveiller les essais en temps réel. Ils peuvent identifier les signaux de sécurité ou opérationnels, ce qui permet d'éviter des problèmes coûteux tels que les événements indésirables et les retards. Selon un rapport McKinsey récent , les gains d'efficacité potentiels des essais cliniques comprennent:

• L'estimation dynamique de la taille de l'échantillon et d'autres changements de protocole pourraient permettre des réponses rapides aux nouvelles informations issues des données cliniques. Ils permettent également des essais plus petits de puissance équivalente ou des temps d'essai plus courts, conduisant à des gains d'efficacité.
• S'adapter aux différences de taux de recrutement de patients sur les sites permettrait à une entreprise de s'attaquer aux sites en retard, de mettre en ligne de nouveaux sites si nécessaire et d'augmenter le recrutement à partir de sites performants.
• L'utilisation des dossiers médicaux électroniques comme source principale des données d'essais cliniques plutôt que d'avoir un système distinct pourrait accélérer les essais et réduire les erreurs de saisie manuelle des données.
• La surveillance à distance de nouvelle génération des sites grâce à l'accès aux données en temps réel pourrait améliorer la gestion et les réponses aux problèmes qui surviennent lors des essais.

Compléter les données d'essais cliniques avec des données du monde réel

L'industrie a a connu une explosion dans les données disponibles au-delà de ce qui est collecté dans des environnements d'essais cliniques traditionnels et étroitement contrôlés. Bien que les données anonymisées des dossiers de santé électroniques (DSE) aient été analysées dans le passé, elles sont généralement limitées à un seul établissement de recherche ou à un réseau de fournisseurs. cependant, c'est maintenant possible pour relier différentes sources de données, permettant de traiter des questions de recherche complexes.

Par exemple, l'analyse des données des patients du DSE collectées en temps réel lors des visites chez le médecin ou à l'hôpital peut nous aider à mieux comprendre les modèles de traitement et les résultats cliniques dans le monde réel. Ces informations complètent celles tirées des essais cliniques et peut évaluer un spectre plus large des patients généralement exclus des essais (par exemple, patients âgés, fragiles ou immobiles, etc.). Le géant pharmaceutique Genentech a investi massivement dans cette démarche , analysant les bases de données de patients du monde réel pour comprendre les résultats de différents sous-types de patients, les schémas thérapeutiques et comment les différents schémas de traitement affectent les résultats cliniques dans le monde réel.

Détection des effets indésirables des médicaments

Les réactions nocives causées par les médicaments sont connues sous le nom de Effets indésirables du médicament (ADR). Les essais cliniques n’imitant pas totalement les conditions du monde réel, les conséquences d’un médicament ne peuvent pas être pleinement évaluées avant son lancement sur le marché. Et, les systèmes de reporting ADR compter sur rapports réglementaires spontanés qui sont passés par des avocats, des cliniciens et des pharmaciens, où des informations peuvent être perdues ou mal interprétées. Par conséquent, la détection et la notification des effets indésirables souvent incomplet ou intempestif . On estime que jusqu'à 90% des effets secondaires des médicaments ne sont pas signalés.

De nombreux consommateurs de drogue utilisent plutôt les médias sociaux comme Twitter, Facebook et les forums médicaux publics, notamment Medications.com et DailyStrength.com pour plaintes vocales ou signaler des effets secondaires . De nombreux utilisateurs incluent même des hashtags pour les agences de régulation (par exemple, #FDA), les fabricants (#Pfizer, #GSK) et des produits spécifiques (#accutaneprobz). L'exploration de ces sites pour les effets indésirables fournis par les patients peut s'avérer plus précis que ceux diagnostiqués par les professionnels de la santé. Selon David Lewis , responsable de la sécurité mondiale sous le nom de Novartis, «L'exploitation des données des médias sociaux nous donne une plus grande chance de capturer des effets indésirables dont un patient ne se plaindrait pas nécessairement à son médecin ou à son infirmier ... un psychiatre ne peut pas voir les idées suicidaires comme des effets indésirables alors qu'un le patient peut parfaitement le décrire. » Analyse des sentiments , qui identifie et catégorise par ordinateur les opinions exprimées dans le texte, peut également être effectuée.

Épidémie , filiale de Booz Allen Hamilton, utilise le traitement du langage naturel et des algorithmes d'apprentissage automatique pour rechercher des effets indésirables dans les publications sur les réseaux sociaux pour quelque 1 400 médicaments. Une étude de 2014, lancée conjointement par la FDA et Epidemico, a examiné 6,9 millions de publications sur Twitter et a trouvé 4401 tweets qui ressemblait à un ADR. Comparée aux données détenues par la FDA, l'étude a révélé une forte relation entre les rapports informels sur les réseaux sociaux et ceux rapportés dans les essais cliniques (voir le graphique ci-dessous).

Recommandations pour les entreprises pharmaceutiques souhaitant mettre en œuvre ces fonctionnalités

Malgré ses avantages, de nombreuses sociétés pharmaceutiques hésitent à investir dans les capacités d'analyse du Big Data. Voici quelques recommandations pour réussir la mise en œuvre:

• Technologie et analytique. Les sociétés pharmaceutiques utilisant des systèmes existants devraient accroître la capacité de partager des données en connectant ces systèmes. En outre, la R&D pharmaceutique devrait tirer parti d'outils de pointe tels que les biocapteurs et les appareils de mesure de la santé dans les smartphones. Les données provenant d'appareils intelligents et la surveillance à distance des patients au moyen de capteurs et d'appareils pourraient faciliter la R&D, analyser l'efficacité et améliorer les ventes futures. Par exemple, Google a conclu un partenariat avec Novartis développer une lentille de contact intelligente qui surveille la glycémie des diabétiques, tout en Roche et Qualcomm unissent leurs forces sur des moniteurs anti-coagulation surélevés, qui protègent contre les caillots sanguins, pour transmettre sans fil les informations du patient.

• Concentrez-vous sur les preuves du monde réel. Les résultats concrets deviennent de plus en plus importants à mesure que les payeurs utilisent une tarification basée sur la valeur. Les entreprises peuvent se différencier en recherchant des médicaments avec des résultats concrets tangibles, tels que ceux ciblant des populations de patients de niche. Pour étendre leurs données au-delà des essais cliniques, ils peuvent même rejoindre des réseaux de données propriétaires.

• Collaborez en interne et en externe. La R&D pharmaceutique a toujours été dissimulée dans le secret, mais la collaboration interne et externe sera la clé du succès avec le Big Data. L'amélioration de la collaboration interne nécessite une communication rationalisée entre la découverte, le développement clinique et les affaires médicales. Cela peut conduire à des informations sur l'ensemble du portefeuille, y compris l'identification clinique et les opportunités potentielles en médecine personnalisée. La collaboration externe est également importante: les chercheurs universitaires peuvent fournir un aperçu des dernières avancées scientifiques, les initiatives menées avec d'autres sociétés pharmaceutiques peuvent créer un pool de données plus grand et plus puissant à exploiter pour la découverte, et organismes de recherche sous contrat (CRO) peuvent aider à mettre à l'échelle un effort interne ou fournir une expertise spécifique.

• Organisation. Pour éviter les silos de données et faciliter le partage des données, il est préférable d’affecter les propriétaires à différents types de données, leur portée s’étendant à toutes les fonctions. L'expertise acquise par le propriétaire des données sera inestimable lors du développement de moyens d'utiliser les informations existantes ou d'intégrer des données supplémentaires. Cela améliorerait également la responsabilité de la qualité des données. Cependant, ces changements ne sont possibles que si les dirigeants de l'entreprise soutiennent véritablement la valeur du Big Data.

Pensées de séparation

Aujourd'hui, il est clair que les sciences de la vie, l'informatique et la science des données convergent. Bien que des défis techniques et culturels soient sans aucun doute à venir, l'analyse avancée des données est un levier que les entreprises pharmaceutiques peuvent tirer pour lutter contre une économie de R&D défavorable. Bien sûr, cependant, la promesse du big data ne restera que si les organisations ne prennent pas des mesures stratégiques de mise en œuvre.

D'après Glen de Vries de la société SaaS Medidata, le big data «peut remédier au malaise de la R&D dans les sciences de la vie». Au cours de la conférence mondiale sur les produits pharmaceutiques et la biotechnologie organisée par le Financial Times, il a comparé le big data à la découverte de la pierre de Rosette, qui a permis aux chercheurs de déchiffrer les hiéroglyphes et de déverrouiller l'histoire de l'Égypte ancienne. De même, si des ensembles de données peuvent être combinés au sein du système de santé, y compris des informations provenant de la génomique / protéomique, des données en clinique enregistrées par les médecins et de la santé mobile, la recherche médicale connaîtra une révolution.