Big Data in der Pharmaindustrie
Klaus Mueller im Interview mit dem Fachmagazin "Pharma Relations"
von Christian Bahlinger
Für die aktuelle Ausgabe (3.2017) des Pharma-Relations-Specials "Digital Health" (früher "Mobile Health") hat das Fachmagazin mit Branchenexperten über das große Thema "Big Data" gesprochen. Das Interview mit TWT Digital Health-Geschäftsführer Klaus Mueller finden Sie hier. Zum Artikel ...
Pharma Relations:
Alle reden von Big Data, die auch für die Pharmaindustrie von großer Bedeutung sein sollen. Aber um welche Art von Daten geht es hier überhaupt? Und welche davon sind besonders wichtig?
Klaus Mueller:
Bei Big Data geht es um die Analyse großer Datenmengen und die Entwicklung der Technologie. Aus diesen Analysen sollen Rückschlüsse und Erkenntnisse gewonnen werden, die man auf den ersten Blick nicht erkennt. Bei der Nutzung großer Datenmengen aus neuen Technologien oder bestehenden Datenquellen steht die Pharmaindustrie noch ganz am Anfang. Big Data wird auch die Pharmaindustrie revolutionieren. Patientendaten, Krankheitsmuster und die Weiterentwicklung der Forschung sind nur einige Einsatzgebiete.
Es geht um alle Arten von Daten, die für den Patienten von diagnostischer oder therapeutischer Relevanz sind. Das können „objektive“ Befunde sein, aber auch ganz subjektive Daten aus dem Bereich der Lebensqualität. In der Onkologie werden heute schon individuelle Therapiepläne aufgrund genetischer Daten des Patienten und des Tumors sowie den Präferenzen des Patienten erstellt. Ziel ist es, das Ansprechen des Tumors besser vorherzusagen und so die Wirkstoffmenge – und damit auch unerwünschte Wirkungen – zu reduzieren und die Lebensqualität zu verbessern. Das ist ein wichtiger Trend.
Und für die Pharmaindustrie ist natürlich auch der ganze Themenkomplex der Real-World-Daten wichtig. Die Studiendaten, von denen die Pharmas endlos viele haben, sind ja nur von beschränkter Aussagekraft: Denn so uniform wie das Kollektiv der Studienteilnehmer mit einem Dutzend Ein- und Ausschlusskriterien ist ein Patientenkollektiv im richtigen Leben ja nie. Viele Patienten haben Ko-Morbiditäten, bekommen deshalb viele verschiedene Medikamente verschrieben und kaufen auch noch das eine oder andere OTC-Präparat. Das kann man in klinischen Studien nicht abbilden – wohl aber in den Real-World-Studien, die eine klassische Big Data-Anwendung sind.
Außerdem sehe ich Big Data im Bereich des Data-Driven-Marketings. Die Pharmaunternehmen entwickeln zur Zeit Multi-Channel-Konzepte. Dort geht es darum, ihre Zielgruppen über verschiedenste Kanäle (Website, Apotheke, Außendienst etc.) zu erreichen und die Ansprachen in den Kanälen aufeinander abzustimmen.
Pharma Relations:
Welche Erkenntnisse könnten aus welchen Daten in der Pharmaindustrie gewonnen werden?
Klaus Mueller:
Individuelle Therapiepläne wie in der Onkologie werden wir perspektivisch auch bei vielen anderen Krankheiten sehen. Und sie werden auch dort zu einer breiten Stratifizierung der therapeutischen Optionen führen. Und das nicht nur bei Neuzulassungen. Für das gesamte Arsenal bewährter Arzneimittel, die man heute eher nach dem Gießkannenprinzip einsetzt, werden dann individuelle Behandlungspläne erstellt. Gerade bei den Volkskrankheiten, wo teilweise sehr unterschiedliche Behandlungskonzepte zur Verfügung stehen, kann das ein Ende der „Trial and error“-Strategie bedeuten.
Natürlich liegt es im ureigensten Interesse der Pharmahersteller, die Wirkung der eigenen Präparate bei den unterschiedlichsten Bevölkerungsgruppen eingehend zu untersuchen und zu dokumentieren, auch lange nach der Markteinführung. Und diese Daten fließen dann wieder in die Produktentwicklung zurück.
Pharma Relations:
Was ist wichtig für ein Unternehmen, um sich gut für die Zukunft im Hinblick auf die Analyse der Pharmadaten aufzustellen?
Klaus Mueller:
Für Verkaufs- und Finanzdaten im Bereich der Enterprise-Software werden diese Funktionen in der Pharmaindustrie schon weitgehend genutzt. Von daher gibt es auch ein gewisses Know-how in den Firmen. Der eigentliche Schatz sind aber die klinischen Daten und deren Verknüpfung mit pathologischen Parametern und patientenspezifischen Modellen. Das ist alles andere als trivial und das Wissen der Firmen beschränkt.
Sie werden also nicht umhin kommen, ihre internen Prozesse anzupassen. Denn Big Data löst die historische Grenze zwischen Forschung und Entwicklung auf der einen sowie Marketing und Vertrieb auf der anderen Seite endgültig auf. Wer vor Jahren schon eine eigene Abteilung aufgebaut hat, um auf den digitalen Wandel vorbereitet zu sein, ist jetzt vergleichsweise fein raus. Wer das verpasst hat, sollte es schleunigst nachholen oder externes Know-how einkaufen.
Pharma Relations:
Setzen Sie bereits, oder kennen Sie gute Pharma-Projekte im Zusammenhang mit Big Data oder KI um, wenn ja, welche?
Klaus Mueller:
Als erstes sind da die Projekte zu nennen, die sich mit der Entwicklung von individualisierten Medikamenten und Therapien beschäftigen. Da ist wie schon erwähnt die Onkologie sehr weit vorne. Wir beschäftigen uns eher mit der Therapieunterstützung für Patienten und Ärzte auf der Tool-Ebene. Zur Zeit sind wir an einem Projekt beteiligt, bei dem der Patient von dem Zeitpunkt der Terminierung einer Operation im Krankenhaus und der Nachsorge nach dem Aufenthalt in der Klinik begleitet wird. Dort fließen die gewonnenen Daten kontinuierlich in die Optimierung des Systems ein. Unterstützt wird der Patient von einem Chatbot, der durch seine KI-Mechanismen die gewonnenen Daten nutzt.
Big Data und Künstliche Intelligenz – wie hängen diese Sparten zusammen
und welche Chancen birgt diese Verbindung für die Pharmaindustrie?
Künstliche Intelligenz dient wie menschliche Intelligenz auch dazu, Fehler zu minimieren. Und weil in komplexen Situationen Fehler unvermeidbar sind, versuchen wir, an Computermodellen zu lernen. Deshalb bauen wir Hochhäuser und Flugzeuge auch erst dann, wenn wir sie als Computermodelle schon unter allen vorstellbaren Bedingungen getestet haben. Das schließt Fehler nicht aus, reduziert ihre Wahrscheinlichkeit aber drastisch.
In der Medizin ist das anders. Neue Therapien werden zwar in klinischen Studien ausgiebig getestet, aber die Bedingungen sind oft artifiziell. Im Rahmen von Simulationen – wie des am MPI für molekulare Genetik in Berlin entwickelten „Virtuellen Patienten“ – können Medikamente oder Medikamentenkombinationen erst unter den verschiedensten Rahmenbedingungen mit Tausenden von Patientendaten computersimuliert werden, bevor sie in einen klinischen Test gehen. Die Techniken dafür haben sich in den letzten Jahren rasant entwickelt. In-Memory-Datenbanken nutzen die Möglichkeit, große Datenmengen im Hauptspeicher von Computersystemen extrem schnell zu verarbeiten. Analysen, die mit traditionellen Datenbanken typischerweise mehrere Stunden dauern, können so in Sekundenbruchteilen durchgeführt werden.
Die Pharmaindustrie kann so letztlich Entscheidungshilfen bekommen: Welche Patienten werden am ehesten auf das Medikament ansprechen? Und wie kann man sie identifizieren? In Studien mit so vorselektionierten Patienten sollte es möglich sein, Medikamente sehr viel effizienter zu entwickeln – wenn die Zielgruppe dann auch deutlich kleiner wird.
Case Study: Sichere Patientendaten
Medical Apps als Adhärenz-Unterstützung sind sehr gefragt. Um dabei jedem Patienten gerecht zu werden, braucht es Zugriff auf die individuellen Gesundheitsdaten. Diese gilt es sicher und datenschutzkonform zu speichern – wir zeigen wie!
Für die aktuelle Ausgabe (3.2017) des Pharma-Relations-Specials "Digital Health" (früher "Mobile Health") hat das Fachmagazin mit Branchenexperten über das große Thema "Big Data" gesprochen. Das Interview mit TWT Digital Health-Geschäftsführer Klaus Mueller finden Sie hier. Zum Artikel ...
Pharma Relations:
Alle reden von Big Data, die auch für die Pharmaindustrie von großer Bedeutung sein sollen. Aber um welche Art von Daten geht es hier überhaupt? Und welche davon sind besonders wichtig?
Klaus Mueller:
Bei Big Data geht es um die Analyse großer Datenmengen und die Entwicklung der Technologie. Aus diesen Analysen sollen Rückschlüsse und Erkenntnisse gewonnen werden, die man auf den ersten Blick nicht erkennt. Bei der Nutzung großer Datenmengen aus neuen Technologien oder bestehenden Datenquellen steht die Pharmaindustrie noch ganz am Anfang. Big Data wird auch die Pharmaindustrie revolutionieren. Patientendaten, Krankheitsmuster und die Weiterentwicklung der Forschung sind nur einige Einsatzgebiete.
Es geht um alle Arten von Daten, die für den Patienten von diagnostischer oder therapeutischer Relevanz sind. Das können „objektive“ Befunde sein, aber auch ganz subjektive Daten aus dem Bereich der Lebensqualität. In der Onkologie werden heute schon individuelle Therapiepläne aufgrund genetischer Daten des Patienten und des Tumors sowie den Präferenzen des Patienten erstellt. Ziel ist es, das Ansprechen des Tumors besser vorherzusagen und so die Wirkstoffmenge – und damit auch unerwünschte Wirkungen – zu reduzieren und die Lebensqualität zu verbessern. Das ist ein wichtiger Trend.
Und für die Pharmaindustrie ist natürlich auch der ganze Themenkomplex der Real-World-Daten wichtig. Die Studiendaten, von denen die Pharmas endlos viele haben, sind ja nur von beschränkter Aussagekraft: Denn so uniform wie das Kollektiv der Studienteilnehmer mit einem Dutzend Ein- und Ausschlusskriterien ist ein Patientenkollektiv im richtigen Leben ja nie. Viele Patienten haben Ko-Morbiditäten, bekommen deshalb viele verschiedene Medikamente verschrieben und kaufen auch noch das eine oder andere OTC-Präparat. Das kann man in klinischen Studien nicht abbilden – wohl aber in den Real-World-Studien, die eine klassische Big Data-Anwendung sind.
Außerdem sehe ich Big Data im Bereich des Data-Driven-Marketings. Die Pharmaunternehmen entwickeln zur Zeit Multi-Channel-Konzepte. Dort geht es darum, ihre Zielgruppen über verschiedenste Kanäle (Website, Apotheke, Außendienst etc.) zu erreichen und die Ansprachen in den Kanälen aufeinander abzustimmen.
Pharma Relations:
Welche Erkenntnisse könnten aus welchen Daten in der Pharmaindustrie gewonnen werden?
Klaus Mueller:
Individuelle Therapiepläne wie in der Onkologie werden wir perspektivisch auch bei vielen anderen Krankheiten sehen. Und sie werden auch dort zu einer breiten Stratifizierung der therapeutischen Optionen führen. Und das nicht nur bei Neuzulassungen. Für das gesamte Arsenal bewährter Arzneimittel, die man heute eher nach dem Gießkannenprinzip einsetzt, werden dann individuelle Behandlungspläne erstellt. Gerade bei den Volkskrankheiten, wo teilweise sehr unterschiedliche Behandlungskonzepte zur Verfügung stehen, kann das ein Ende der „Trial and error“-Strategie bedeuten.
Natürlich liegt es im ureigensten Interesse der Pharmahersteller, die Wirkung der eigenen Präparate bei den unterschiedlichsten Bevölkerungsgruppen eingehend zu untersuchen und zu dokumentieren, auch lange nach der Markteinführung. Und diese Daten fließen dann wieder in die Produktentwicklung zurück.
Pharma Relations:
Was ist wichtig für ein Unternehmen, um sich gut für die Zukunft im Hinblick auf die Analyse der Pharmadaten aufzustellen?
Klaus Mueller:
Für Verkaufs- und Finanzdaten im Bereich der Enterprise-Software werden diese Funktionen in der Pharmaindustrie schon weitgehend genutzt. Von daher gibt es auch ein gewisses Know-how in den Firmen. Der eigentliche Schatz sind aber die klinischen Daten und deren Verknüpfung mit pathologischen Parametern und patientenspezifischen Modellen. Das ist alles andere als trivial und das Wissen der Firmen beschränkt.
Sie werden also nicht umhin kommen, ihre internen Prozesse anzupassen. Denn Big Data löst die historische Grenze zwischen Forschung und Entwicklung auf der einen sowie Marketing und Vertrieb auf der anderen Seite endgültig auf. Wer vor Jahren schon eine eigene Abteilung aufgebaut hat, um auf den digitalen Wandel vorbereitet zu sein, ist jetzt vergleichsweise fein raus. Wer das verpasst hat, sollte es schleunigst nachholen oder externes Know-how einkaufen.
Pharma Relations:
Setzen Sie bereits, oder kennen Sie gute Pharma-Projekte im Zusammenhang mit Big Data oder KI um, wenn ja, welche?
Klaus Mueller:
Als erstes sind da die Projekte zu nennen, die sich mit der Entwicklung von individualisierten Medikamenten und Therapien beschäftigen. Da ist wie schon erwähnt die Onkologie sehr weit vorne. Wir beschäftigen uns eher mit der Therapieunterstützung für Patienten und Ärzte auf der Tool-Ebene. Zur Zeit sind wir an einem Projekt beteiligt, bei dem der Patient von dem Zeitpunkt der Terminierung einer Operation im Krankenhaus und der Nachsorge nach dem Aufenthalt in der Klinik begleitet wird. Dort fließen die gewonnenen Daten kontinuierlich in die Optimierung des Systems ein. Unterstützt wird der Patient von einem Chatbot, der durch seine KI-Mechanismen die gewonnenen Daten nutzt.
Big Data und Künstliche Intelligenz – wie hängen diese Sparten zusammen
und welche Chancen birgt diese Verbindung für die Pharmaindustrie?
Künstliche Intelligenz dient wie menschliche Intelligenz auch dazu, Fehler zu minimieren. Und weil in komplexen Situationen Fehler unvermeidbar sind, versuchen wir, an Computermodellen zu lernen. Deshalb bauen wir Hochhäuser und Flugzeuge auch erst dann, wenn wir sie als Computermodelle schon unter allen vorstellbaren Bedingungen getestet haben. Das schließt Fehler nicht aus, reduziert ihre Wahrscheinlichkeit aber drastisch.
In der Medizin ist das anders. Neue Therapien werden zwar in klinischen Studien ausgiebig getestet, aber die Bedingungen sind oft artifiziell. Im Rahmen von Simulationen – wie des am MPI für molekulare Genetik in Berlin entwickelten „Virtuellen Patienten“ – können Medikamente oder Medikamentenkombinationen erst unter den verschiedensten Rahmenbedingungen mit Tausenden von Patientendaten computersimuliert werden, bevor sie in einen klinischen Test gehen. Die Techniken dafür haben sich in den letzten Jahren rasant entwickelt. In-Memory-Datenbanken nutzen die Möglichkeit, große Datenmengen im Hauptspeicher von Computersystemen extrem schnell zu verarbeiten. Analysen, die mit traditionellen Datenbanken typischerweise mehrere Stunden dauern, können so in Sekundenbruchteilen durchgeführt werden.
Die Pharmaindustrie kann so letztlich Entscheidungshilfen bekommen: Welche Patienten werden am ehesten auf das Medikament ansprechen? Und wie kann man sie identifizieren? In Studien mit so vorselektionierten Patienten sollte es möglich sein, Medikamente sehr viel effizienter zu entwickeln – wenn die Zielgruppe dann auch deutlich kleiner wird.
Case Study: Sichere Patientendaten
Medical Apps als Adhärenz-Unterstützung sind sehr gefragt. Um dabei jedem Patienten gerecht zu werden, braucht es Zugriff auf die individuellen Gesundheitsdaten. Diese gilt es sicher und datenschutzkonform zu speichern – wir zeigen wie!