Daten als entscheidender Faktor für erfolgreichere F&E in den Life Sciences

Die Nachfrage nach neuen, personalisierten und vertrauenswürdigen Medikamenten und Therapien, die schnell und kosteneffizient zur Verfügung gestellt werden, wächst weltweit – insbesondere während einer globalen Pandemie.

Als Zivilisation sind wir gerade in einer historisch noch nie dagewesenen Position, da wir Krankheiten und Leiden umfassender verstehen und uns mehr Patientendaten als jemals zuvor zur Verfügung stehen. Aber die Abläufe bei der Markteinführung von Medikamenten haben sich über die Jahre nicht wesentlich geändert und der Status quo bringt weiterhin zahlreiche Hindernisse mit sich, die zur Chancennutzung überwunden werden müssen.

Datengestützte Forschung & Entwicklung (F&E): die Herausforderung und die Chance

Die Digitalisierung im Gesundheitswesen wirkt sich auf die gesamte Wertschöpfungskette aus und erzeugt große Mengen an heterogenen Daten – oft ist es aber schwierig, diese nutzbar zu machen und einen echten Mehrwert daraus zu ziehen.

Beispielsweise hat der Kampf gegen den Krebs zu einem explosionsartigen Wachstum bei Umfang und Fülle von proprietären und öffentlich verfügbaren Daten geführt, in denen das menschliche Genom mit der molekularen Basis von Krebs und der Effektivität von Krebsbehandlungen mit wirkstoffartigen Molekülen verknüpft wird. Allerdings sind diese Datensätze äußerst unterschiedlich, oft unstrukturiert und werden durch verschiedene Tools und Techniken erzeugt, was zu Problemen in Bezug auf Datenqualität und -konsistenz führt. Klinische Onkologen müssen in der Lage sein, eine vereinheitlichte Ansicht zu durchsuchen, zu filtern und interaktiv zu erforschen, die den gesamten Umfang dieser Daten in einer einzelnen, intuitiven Plattform umfasst.

Auf ähnliche Weise verbringen hochqualifizierte Experten aus den Bereichen Biowissenschaften und F&E viel Zeit damit, Anmerkungen zu klinischen Studien, Datensätze zu Patienten und Dokumente durchzugehen, um wichtige Probleme (z. B. unerwünschte Wirkungen) zu ermitteln und ein Gesamtbild des Inhalts der Dokumente zu erhalten. Diese Dokumente und medizinischen Unterlagen sind hochgradig komplex und unstrukturiert, was häufig zu Informationsüberflutung und unpräzisen oder fehlenden Informationen führt. Onkologen benötigen Unterstützung beim Gewinnen von Einblicken und Verstehen von Mustern aus unstrukturierten Dokumenten.

Steigende F&E-Aufwände und längere Vorlaufzeiten

Bei Medikamenten für den Massenmarkt ist das Entdecken von Wirkstoffen weiterhin ein teurer und zeitintensiver Prozess. Aber die Nachfrage nach maßgeschneiderten und personalisierten Lösungen für das Gesundheitswesen (einschließlich seltener Krankheiten) wächst, wobei sich die Situation aufgrund der steigenden zeitlichen und finanziellen Belastungen durch die regulatorischen Vorschritten weiter verschärft. 

Das Entdecken von Wirkstoffen und die klinischen Studien umfassen im Allgemeinen zwei Schlüsselphasen, jeweils mit zwei Hauptschritten:

1. Forschung und Entwicklung in einer frühen Phase

  • Zielerkennung und Validierung der Mechanismen, die die Krankheit verursachen und die mit spezifischen Molekülen, Verbindungen oder Formeln gezielt bekämpft werden können.
  • Wirkstofffindung und -optimierung: Ermittlung und Modifikation von Medikamentenkandidaten, die sich auf das Verhalten des ausgewählten Krankheitsziels auswirken.

2. Vorklinische und klinische Studien

  • Auslegung und Planung von (vor-)klinischen Studien, wobei Themen wie Auswahl von Ort und Patienten, Logistik und Versorgung sowie das jeweilige Schema für klinische Behandlung und Überwachung abgedeckt werden.
  • Ausführung klinischer Studien und Verwaltung von Risiken, die möglicherweise vorgelegt werden, Sammlung und Verarbeitung von Daten und Sicherstellung, dass behördliche Genehmigungen vorliegen und Vorgaben eingehalten werden.

Typischerweise kann Phase 1 drei bis fünf Jahre dauern, während Phase 2 sechs bis sieben Jahre in Anspruch nehmen kann. Es ist schwierig, diesen Zyklus zu verkürzen, da wenige Ansatzpunkte bei Finanzen oder Personal verfügbar sind. Das heißt: der Umfang der damit verbundenen Forschungsarbeiten, Fähigkeiten und Regelungen bringt mit sich, dass Unternehmen nicht einfach mehr Geld oder Personal für den Prozess einsetzen können.

Die Verfügbarkeit von Big Data Tools und Datenwissenschaften mit ihrem Potential, den F&E-Prozess buchstäblich zu entfesseln, macht diese Fähigkeiten noch kritischer. Wissenschaftler in der medizinischen Forschung haben möglicherweise nicht die Zeit und speziellen Fähigkeiten, um moderne Datentechniken zu beherrschen, mit denen große Mengen an hochgradig dimensionalen Daten durchsucht und strukturiert werden können, um Ursachenbeziehungen zu ermitteln, aus denen in großem Maßstab neue Hypothesen entstehen können.

Neu qualifizierte Data Scientists, die noch nicht in F&E-zentrierten Organisationen gearbeitet haben, einschließlich Biowissenschaften und Gesundheitswesen, haben möglicherweise Schwierigkeiten beim Verstehen von pharmazeutischen Wissenschafts- und Arzneimittelzulassungsprozessen. Sie sind sich z. B. nicht sicher, wie sie die Prozesse am besten mit ihren Tools präzise darstellen und interpretieren können oder worauf sie ihre Bemühungen konzentrieren sollen.

Außerdem kann es angesichts der schnellen Kadenz, die durch Prozesse bei der Wirkstoffentdeckung in der F&E erfordert wird, bei manchen unflexiblen Datenermittlungs-Plattformen zu Problemen beim Ansprechverhalten kommen. Beispielsweise sind sie möglicherweise nicht in der Lage, sich mit ausreichender Geschwindigkeit an die sich rasch ändernden Anforderungen anzupassen, wie an das Pipelining von neuen Datenquellen, die Aufnahme von komplexen unstrukturierten Datensätzen, die Unterstützung von neuen Tools für Data Science oder die Bereitstellung von neuen F&E-Modellen und Fähigkeiten im großen Maßstab.

Um die Forschung und Entwicklung auf sinnvolle Weise zu beschleunigen, müssen alle diese Dimensionen aneinander ausgerichtet, mit präziser Umsetzung und jeweils mit den richtigen Systemen und der passenden Infrastruktur angewandt werden – um die schnelle Entwicklung neuer Modelle und das sofortige Pipelining von Daten zu erleichtern, die für den Erfolg nötig sind. Und hierfür gibt es keine einfach skalierbare Lösung, die auf Menschen beruht.

KI und Data Science versprechen einen kontinuierlichen Strom an neuen Lösungen

Künstliche Intelligenz (KI), Data Science und Analytics wirken sich in beträchtlichem Umfang auf F&E und Wirkstoffentdeckung aus. Diese Tools und Techniken unterstützen Wissenschaftler in der Forschung dabei, die Beziehungen, Verhaltensweisen und genetischen Faktoren zu enträtseln, die Krankheiten verursachen, die Effizienz von Suche und Analyse des komplexen Chemical Space zu verbessern und die Effizienz klinischer Studien zu erhöhen, indem Versuchsverwaltung, Rekrutierung, Patientenmeldungen und Datensammlung in der realen Welt optimiert werden.

KI-fähige Lösungen können die Zeit und Kosten für die Markteinführung neuer Therapien verringern, kostspieliges Scheitern in den späten Phasen vermeiden und die regulatorischen Genehmigungsprozesse und Berichterstattung beschleunigen. Sie können auch eine stärker personalisierte Therapeutik bereitstellen, was sich beträchtlich auf den Erfolg beim Patienten und dessen Lebensqualität auswirken kann.

Erfahrungen und Insights für die Zukunft

Biowissenschaften und pharmazeutische Lieferanten nutzen die Vorteile von KI und Data Science in ihren F&E-Organisationen. Aber sie stellen weitere Herausforderungen fest, wenn sie ihre etablierten Prozesse und Teams in der Forschung weiterentwickeln, um diese im großen Maßstab zu nutzen. KI für F&E generiert nur dann einen Mehrwert, wenn innovative Lösungen im großen Maßstab implementiert werden und vertrauenswürdig sind – und die meisten KI-Projekte scheitern, wenn eines dieser Elemente fehlt.

Die Änderung der Kultur und täglichen Arbeit in Forschung & Entwicklung bedeuten einen großen konzeptionellen Wandel, der nicht über Nacht umgesetzt werden kann. Selbst die Entwicklung des richtigen Medikaments für eine Krankheit ist keine Erfolgsgarantie – das Timing für die Einführung, Markenbezeichnung und Preisgestaltung spielen allesamt eine Rolle.

Capgemini und Altran sind Experten bei der Unterstützung von Unternehmen aus der Biowissenschaft bei der Einführung von KI und Data Science und deren Einbettung in ihre F&E-Prozesse. Wir haben einige der größten globalen Biopharma-Unternehmen in die Lage versetzt, das Potential von KI und datengestützter F&E in vielen neuen und verschiedenen Bereichen zu erkunden, darunter die Diagnose seltener Krankheiten, die Suche nach Kandidaten unter den Molekülen, die Ermittlung von Mustern bei unerwünschten Wirkungen und die Patientenauswahl für klinische Studien.

Wir bieten alle Skills, um sämtlichen Prozessbeteiligten gerecht zu werden, und wir sind in der Lage, auf über 25.000 Experten und wichtige Partnerschaften zurückzugreifen. Diese schließen Cloud Hyperscaler ein, die Skalierungsplanung von Anfang an ermöglichen, um anstelle einer Machbarkeitsstudie einen Wertnachweis zu erbringen.
Erfahren Sie alles über unsere datengesteuerte F&E-Transformation in Biowissenschaften!

DIE VERFASSER

  • Anne-Laure Thieullent

    Vice President, Artificial Intelligence und Analytics Group Offer Leader, Capgemini

    Ich berate die Kunden von Capgemini bei der richtigen Anwendung von KI-Lösungen in ihrer Organisation. Die Auswahl der richtigen Technologie für die richtige Verwendung ist von entscheidender Bedeutung, aber es ist genauso unverzichtbar, dass Ihr Unternehmen künftig die Daten in den Mittelpunkt rückt. Meine Leidenschaft besteht darin, Technologie, Geschäftstransformation und Governance zusammenzuführen und unsere Kunden in die Intelligent Entreprises zu verwandeln, die sie sein möchten, wobei Vertrauen, Datenschutz und Fairness als Werte kultiviert werden.

    Linkedin page
  • Nick Clarke

    Head Of Analytics, Altran

    Indem ich Lösungen für datengestützte Probleme über viele verschiedene Industriesektoren hinweg bereitgestellt habe, konnte ich ein außergewöhnlich breites Erfahrungsspektrum gewinnen. Darunter waren Industrien wie Öl und Gas, Transport und Wirkstoffentdeckung. In Kombination mit den 10 Jahren, die ich mit der Entwicklung neuer Modelle der Bildung chemischer Verbindungen verbracht habe, konnte ich ein ausgeprägtes Gefühl dafür entwickeln, was mit Daten erreicht werden kann und was nicht. Ich habe gelernt, mich zuerst auf die Menschen und ihre Motivationen zu konzentrieren und mir erst dann über die Details der Daten Gedanken zu machen, sobald ich jene verstanden habe. Das bedeutet, dass ich bei Problemen oft einen anderen Ansatz als andere Datenspezialisten verfolge.

    LinkedIn page