Obtenez par e-mail toute l'actualité Hortonworks

Une fois par mois, recevez les dernières idées, tendances, informations d’analyse et découvertes sur le 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

Que se passe-t-il lorsque les données dont vous avez besoin sont cachées dans des silos, ou quand des milliards de dollars sont dépensés sur des données de test d'efficacité des médicaments auxquelles vous ne pouvez pas accéder ? Comment obtenir une vision à long terme de 10 milliards d'enregistrements de données pour comprendre la réaction biologique aux médicaments ? Les chercheurs de l’industrie pharmaceutique font appel à Hortonworks pour l'analyse avancée des Big Data sur des données translationnelles intégrées et pour obtenir une vue globale de leurs données pharmaceutiques.

Débridez la puissance des données pharmaceutiques

L'intégration des Big Data, l'analyse des Big Data du secteur pharmaceutique, la collaboration interne et externe, l’aide à la prise de décision pour le portefeuille, des essais cliniques plus efficaces, des délais de commercialisation plus courts, l'amélioration de la rentabilité et de la sécurité : ceux-ci ne sont que quelques-uns des grands avantages dont les entreprises pharmaceutiques du monde entier bénéficient en exploitant la pleine puissance de leurs données.

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

Les systèmes informatiques ne peuvent pas stocker et traiter économiquement les données de séquençage nouvelle génération (NGS). Par exemple, les résultats du séquençage primaire sont générés dans un format d'image volumineux, ce qui entraîne des coûts de stockage trop élevés sur le long terme. Les solutions ponctuelles ne disposent pas de la souplesse nécessaire pour suivre l'évolution des méthodologies d'analyse. De plus, leur personnalisation et leur maintenance sont souvent coûteuses. Open Enterprise Hadoop surmonte ces difficultés en aidant les experts et data scientists à exploiter les informations générées par les données NGS tout en préservant les résultats bruts sur une plateforme fiable et économique. Les scientifiques NGS découvrent actuellement les avantages du traitement et de l'analyse à grande échelle fournis par les composants HDP tels qu’Apache Spark. Aujourd'hui, les chercheurs pharmaceutiques utilisent Hadoop pour acquérir facilement divers types de données provenant de sources externes de données génétiques, telles que TCGA, GENBank et EMBL. L’autre avantage évident de HDP pour le séquençage nouvelle génération est que les chercheurs ont accès à des outils bio-informatiques de pointe conçus spécifiquement pour Hadoop. Ceux-ci permettent l'analyse des différents formats de données NGS, le tri des lectures et la fusion des résultats. Ainsi, le séquençage nouvelle génération passe à un niveau supérieur, notamment grâce au traitement par lot de grandes séries de données NGS, à l'intégration des données internes avec des données de séquençage externes disponibles publiquement, au stockage permanent des données contenues dans les fichiers d'image volumineux, dans leur format natif, et aux économies substantielles réalisées sur le coût du traitement et du stockage des données.

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

Les preuves concrètes ou Real-World Evidence (RWE) 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. Grâce à l'analyse des Big Data dans le secteur pharmaceutique, 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.

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.