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.

Sign up for the Developers Newsletter

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 ?

* Je comprends que je peux me désabonner à tout moment. J'ai également compris les informations supplémentaires fournies dans la Politique de confidentialité de Hortonworks.
fermerBouton Fermer
cta

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

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

Un client Hortonworks du secteur pharmaceutique utilise HDP pour avoir une vue unique sur sa chaîne d'approvisionnement et évaluer la progression de ce qu'il appelle lui-même la « guerre au gaspillage ». L'équipe opérationnelle y a ajouté les ingrédients entrant dans la composition des médicaments, et a comparé le tout avec le produit physique expédié. L'équipe a constaté un écart important entre les deux et a lancé sa guerre au gaspillage, en utilisant l'analyse de big data HDP pour identifier le cheminement de ces précieuses ressources. Une fois les causes profondes de ce gaspillage identifiées, des alertes en temps réel générées par HDP avertissent l'équipe qu'elle risque de dépasser des seuils prédéterminés.


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

L'objectif de la recherche translationnelle est d'appliquer les résultats de la recherche en laboratoire en vue d'améliorer la santé humaine. Hadoop permet aux chercheurs, cliniciens et analystes d'exploiter les informations cachées dans les données translationnelles pour conduire des programmes de médecine factuelle. Les sources de données pour la recherche translationnelle sont complexes et généralement confinées dans des silos de données, ce qui rend difficile pour les scientifiques d'obtenir une vue globale et intégrée de leurs données. Les autres défis ont trait au temps de latence des données (délai d'obtention des données chargées dans des datastores traditionnels), à la manipulation de types de données non structurées et semi-structurées, et au manque d'analyse collaborative entre les groupes de développement translationnel et clinique. Les chercheurs se tournent vers la plateforme Open Enterprise Hadoop pour la rentabilité et la fiabilité dont elle fait preuve pour gérer les big data dans les essais cliniques, et pour effectuer des analyses avancées de données translationnelles intégrées. HDP permet aux groupes cliniques et translationels de combiner des données clés provenant de sources variées, notamment de technologies en « -omique » (génomique, protéomique, profilage de transcription, etc.), de données précliniques, de carnets électroniques de laboratoire, d’entrepôts de données cliniques, de données d’imagerie des tissus, des appareils et capteurs médicaux, de fichiers sources (Excel et SAS) et de la littérature médicale. Grâce à Hadoop, les analystes peuvent obtenir une vision holistique leur permetant de mieux comprendre les mécanismes moléculaires et la réponse biologique des composés ou des médicaments. Ils sont également en mesure de découvrir les marqueurs biologiques qui sont utilisés au cours des phases de recherche et développement, et des essais cliniques. Enfin, ils peuvent être assurés que toutes les données seront stockées indéfiniment, dans leur format natif, prêtes à être analysées dans divers cas de figure.


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.