Get fresh updates from Hortonworks by email

Once a month, receive latest insights, trends, analytics information and knowledge of Big Data.

cta

Démarrer

cloud

Prêt à débuter ?

Télécharger Sandbox

Que pouvons-nous faire pour vous ?

fermerBouton Fermer
cta

Analyse du big data pour le secteur pharmaceutique et les essais cliniques

cloud Hortonworks jouit d'une position dominante. Lisez le rapport Forrester Wave

Télécharger le rapport

Trouver le remède aux données inaccessibles

What happens when the data you need is hidden in silos, or when billions of dollars are riding on drug testing data you can’t access? How do you see a long-term view of 10 billion records to understand biological response to drugs? Researchers in the pharmaceutical industry turn to Hortonworks for advanced big data analytics on integrated translational data and to gain a holistic view of their pharmaceutical data.

Débridez la puissance des données pharmaceutiques

Big Data integration, pharmaceutical big data analytics, internal and external collaboration, portfolio decision support, more efficient clinical trials, faster time to market, improved yields, improved safety - these are just a few of the benefits pharmaceutical companies around the world achieve by tapping into the full power of their pharma big data.

exemples d'utilisation

Merck optimise la rentabilité d'un vaccin : à la recherche du lot en or

Merck a optimisé la rentabilité de son vaccin en analysant les données de fabrication en vue d'isoler les variables prédictives les plus importantes et d'obtenir un « lot en or ». Les dirigeants de Merck se sont fiés depuis longtemps à un processus de production allégée pour augmenter les volumes et réduire les coûts. Mais, il est de plus en plus difficile de découvrir des moyens supplémentaires afin d'améliorer la rentabilité. Ils ont donc utilisé Open Enterprise Hadoop pour trouver de nouvelles idées susceptibles de réduire davantage les coûts et d'améliorer la rentabilité. Merck s'est tourné vers Hortonworks pour exploiter les données stockées dans des enregistrements sur 255 lots d'un vaccin, répartis sur une période de 10 ans. Ces données ont été réparties sur 16 systèmes de gestion de la maintenance et de la fabrication, et elles comprennent de précieuses données issues des capteurs pour les paramètres de calibrage, de la pression atmosphérique, de la température et de l'humidité. Après avoir regroupé toutes les données dans Hortonworks Data Platform et après avoir effectué 15 milliards de calculs, Merck a réussi à trouver de nouvelles réponses aux questions qu’elle se posait depuis une décennie. Parmi des centaines de variables, l'équipe de Merck a été en mesure de déceler celles susceptibles d’optimiser la rentabilité. La société a entrepris d'appliquer ces leçons à ses autres vaccins, en ayant pour objectif de fournir des médicaments de qualité au prix le plus bas possible. Regardez l’interview de Doug Henschen avec George Llado de Merck pour InformationWeek.


Réduction des déchets sur l'ensemble du processus de fabrication des médicaments

One Hortonworks pharmaceutical customer uses HDP for a single view of its supply chain and their self-declared “War on Waste”. The operations team added up the ingredients going into making their drugs, and compared that with the physical product they shipped. They found a big gap between the two and launched their War on Waste, using HDP big data analytics to identify where those valuable resources were going. Once it identifies those root causes of waste, real-time alerts in HDP notify the team when they are at risk of exceeding pre-determined thresholds.


Recherche translationnelle : la transformation d'études scientifiques en une médecine personnalisée

The goal of Translational Research is to apply the results of laboratory research towards improving human health. Hadoop empowers researchers, clinicians, and analysts to unlock insights from translational data to drive evidence-based medicine programs. The data sources for translational research are complex and typically locked in data siloes, making it difficult for scientists to obtain an integrated, holistic view of their data. Other challenges revolve around data latency (the delay in getting data loaded into traditional data stores), handling unstructured and semi-structured types of data, and bridging lack of collaborative analysis between translation and clinical development groups. Researchers are turning to Open Enterprise Hadoop as a cost-effective, reliable platform for managing big data in clinical trials and performing advanced analytics on integrated translational data. HDP allows translational and clinical groups to combine key data from sources such as: Omics (genomics, proteomics, transcription profiling, etc) Preclinical data Electronic lab notebooks Clinical data warehouses Tissue imaging data Medical devices and sensors File sources (such as Excel and SAS) Medical literature Through Hadoop, analysts can build a holistic view that helps them understand biological response and molecular mechanisms for compounds or drugs. They’re also able to uncover biomarkers for use in R&D and clinical trials. Finally, they can be assured that all data will be stored forever, in its native format, for analysis with multiple future applications.


Séquençage nouvelle génération

IT systems cannot economically store and process next generation sequencing (NGS) data. For example, primary sequencing results are in large image format and are too costly to store over the long term. Point solutions have lacked the flexibility to keep up with changing analytical methodologies, and are often expensive to customize and maintain. Open Enterprise Hadoop overcomes those challenges by helping data scientists and researchers unlock insights from NGS data while preserving the raw results on a reliable, cost-effective platform. NGS scientists are discovering the benefits of large-scale processing and analysis delivered by HDP components such as Apache Spark. Pharmaceutical researchers are using Hadoop to easily ingest diverse data types from external sources of genetic data, such as TCGA , GENBank , and EMBL. Another clear advantage of HDP for NGS is that researchers have access to cutting-edge bioinformatics tools built specifically for Hadoop. These enable analysis of various NGS data formats, sorting of reads, and merging of results. This takes NGS to the next level through: Batch processing of large NGS data sets Integration of internal with publically available external sequence data Permanent data storage for large image files, in their native format Substantial cost savings on data processing and storage.

HDP utilise des données du monde réel pour apporter des preuves concrètes

Real-World Evidence (RWE) promises to quantify improvements to health outcomes and treatments, but this data must be available at scale. High data storage and processing costs, challenges with merging structured and unstructured data, and an over-reliance on informatics resources for analysis-ready data have all slowed the evolution of RWE. With Hadoop, RWE groups are combining key data sources, including claims, prescriptions, electronic medical records, HIE, and social media, to obtain a full view of RWE. With big data analytics in the pharmaceutical industry, analysts are unlocking real insights and delivering advanced insights via cost-effective and familiar tools such as SAS® ,R®, TIBCO™ Spotfire®, or Tableau®. RWE through Hadoop delivers value with optimal health resource utilization across different patient cohorts, a holistic view of cost/quality tradeoffs, analysis of treatment pathways, competitive pricing studies, concomitant medication analysis, clinical trial targeting based on geographic & demographic prevalence of disease, prioritization of pipelined drug candidates, metrics for performance-based pricing contracts, drug adherence studies, and permanent data storage for compliance audits.

Accès continu aux données brutes provenant de recherches antérieures

HDP utilise des données du Real-World afin de pouvoir fournir des preuves concrètes ou Real-World Evidence.
Ces preuves concrètes promettent de quantifier les améliorations apportées aux résultats cliniques et aux traitements médicaux. Mais ces données doivent être disponibles à grande échelle. Les coûts élevés du traitement et du stockage des données, les défis que représente la fusion des données structurées et non structurées, et une dépendance excessive aux ressources informatiques pour les données prêtes à l'analyse ont tous ralenti l'évolution des RWE. Avec Hadoop, les groupes RWE mettent en commun des sources de données clés, y compris les demandes, les ordonnances, les dossiers médicaux électroniques, l’échange d’informations médicales (HIE) et les médias sociaux, afin d'obtenir une vue complète des RWE. Des analystes exploitent actuellement des informations réelles et fournissent des résultats d’analyses avancées grâce à des outils répandus et économiques, tels que SAS® ,R®, TIBCO™, Spotfire® ou Tableau®. RWE par Hadoop offre une réelle valeur ajoutée grâces à plusieurs avantages : une utilisation optimale des ressources de santé sur une multitude de patients différents, une vue holistique du compromis coût/qualité, une analyse des recours de traitement, des études concurrentielles sur les prix, une analyse concomitante des médicaments, un ciblage des essais fondé sur les critères géographiques et démographiques de prévalence d’une maladie, la hiérarchisation des médicaments candidats en pipeline, des indicateurs de mesure pour les contrats de tarification fondés sur les performances, des études sur l'observance médicamenteuse et un stockage permanent des données pour les audits de conformité.