Big Data in der pharmazeutischen Forschung
Forschung und Entwicklung ist erfolgsentscheidend
Forschende pharmazeutische Unternehmen sind auf die Entwicklung innovativer Arzneimittel mit hohem medizinischen Zusatznutzen angewiesen, um Gewinne zu erwirtschaften (1, 2). Der zusätzliche Nutzen ergibt sich aus einem direkten Vergleich mit etablierten Therapiestandards und dient als Bewertungsgrundlage (im Vergleich zu einem zugelassenen Arzneimittel) für die Preissetzung. Mittlerweile betragen die Kosten eines neuen Medikaments von der Entwicklung bis zur Markteinführung bis zu 2,8 Milliarden Euro. Gleichzeitig liegt die Erfolgswahrscheinlichkeit einer MarktzulassungDie Marktzulassung beinhaltet die Erlaubnis einer übergeordneten Instanz, beispielsweise einer Behörde, ein Produkt oder eine Dienstleistung anzubieten. Im Bereich der Pharmazie impliziert die Marktzulassung, dass ein Arzneimittel erfolgreich in der klinischen Prüfung unter anderem auf Wirksamkeit und Nebenwirkungen getestet wurde und vertrieben we…zum Glossar im Durchschnitt bei rund 12 Prozent (2, 3). Dabei scheitert eine Zulassung überwiegend an einem mangelnden Wirksamkeitsnachweis innerhalb der klinischen Studie (4). Im Kontext der Entwicklung innovativer Arzneimittel stellt sich die Frage, wie Big DataBig Data beschreibt große Datenmengen, die durch eine in vergangenen Jahren gesteigerte Informationsgenerierung entstehen und für unterschiedlichste Zwecke ausgewertet werden können. Datenquellen können mobile und stationäre Alltagsgeräte sein, wie z.B. Smartphones, Tablets oder Smart-Devices wie Aktivitätstracker. Fünf zentrale Aspekte bestimmen d…zum Glossar Werkzeuge Forschungskosten und Zulassungsrisiken reduzieren können.
Digitale Datenquellen für die Gesundheitsforschung
Die pharmazeutische Forschung basiert in der Regel auf Daten, die ausgewertet werden um bestimmte Hypothesen aufzustellen, zu bestätigen oder zu widerlegen. Exemplarisch kann innerhalb einer klinischen Studie ermittelt werden, ob ein Wirkstoff zur Tumorbekämpfung wirksam ist. Vor diesem Hintergrund bergen die stetig wachsenden digitalen Datenmengen große Chancen für die Forschung (5-8): Getrieben durch die zunehmende Digitalisierung der Gesundheitsversorgung steigt exemplarisch der Einsatz digitaler Patientendaten in elektronischen Gesundheitsakten. Gleichzeitig entstehen relevante Datensätze außerhalb des Versorgungsgeschehens. Beispielsweise werden in sozialen Netzwerken Daten geteilt, die Aufschluss über den Gesundheitszustand eines Individuums geben, jedoch nicht in den digitalen Patientendaten vermerkt sind (9, 10). Unterschiedliche Herausforderungen der Verwendung ergeben sich in diesem Kontext: Der Datenzugang kann, unter anderem aufgrund des Datenschutzes, eingeschränkt sein. Neben dem Zugang stellt jedoch die Struktur der Daten ein grundlegendes Problem dar: Beispielsweise sind Freitextfelder, wie sie in Patientenakten oder Posts in sozialen Netzwerken vorkommen, unstrukturiert (5, 8, 10). Diese unstrukturierten Rohdaten können, ohne eine angemessene Datenbereinigung und -aufbereitung, nicht effizient genutzt werden. Somit stellt nicht mehr die Verfügbarkeit, sondern die Aufbereitung und Auswertung eine wesentliche Herausforderung im Umgang mit unstrukturierten digitalen Datensätzen dar (5, 8, 11-13).
Machine LearningMachine Learning ist ein iterativer Prozess und als Kategorie in das Feld der Künstlichen Intelligenz zu subsummieren. Es werden Algorithmen programmiert, welche initial an Datensets lernen und sich so auch ohne Weiteres selbstlernend entwickeln können. Demnach werden Vorhersagen ohne Regelwerk, auf Basis eingepflegter retrospektiver Daten durch Al… Im Video erklärt.zum Glossar – unterschiedliche Ansätze
Eine Möglichkeit, der Datenflut zu begegnen, stellt Künstliche IntelligenzKünstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar (KI)Künstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar im Allgemeinen und das untergeordnete Themenfeld des Machine LearningMachine Learning ist ein iterativer Prozess und als Kategorie in das Feld der Künstlichen Intelligenz zu subsummieren. Es werden Algorithmen programmiert, welche initial an Datensets lernen und sich so auch ohne Weiteres selbstlernend entwickeln können. Demnach werden Vorhersagen ohne Regelwerk, auf Basis eingepflegter retrospektiver Daten durch Al… Im Video erklärt.zum Glossar (ML) im Speziellen dar. ML unterstützt die Auswertung der zunehmend verfügbaren digitalen strukturierten sowie unstrukturierten Rohdaten (Primärdaten). Grundsätzlich kann zwischen zwei Ausprägungen des ML, dem Supervised und Unsupervised Learning, unterschieden werden (8, 11-13). Das Supervised Learning basiert auf Datensätzen, die einen bestimmten Input und einen zugehörigen OutcomeDer Begriff des Outcome steht für den gemessenen Behandlungserfolg einer medizinischen Intervention bzw. die Versorgungsqualität des Gesamtergebnisses. Outcomes beinhalten die Faktoren Effektivität und Sicherheit, weshalb ihnen stets eine besondere Aufmerksamkeit zukommen sollte. Daher werden gemessene Outcomes zur Entscheidungsunterstützung genutz…zum Glossar Parameter definieren. Ein Datensatz kann zum Beispiel eine Kategorisierung von Tumor-Subtypen aus Pathologieproben enthalten, die bereits durch einen Pathologen klassifiziert wurden. Wenn der AlgorithmusEin Algorithmus ist ein Lösungsverfahren in Form einer systematischen Regel oder Vorgehensweise. Mithilfe einer definierten Abfolge von Verfahrensschritten wird ein Problem gelöst. In der Informatik bilden Algorithmen eine Grundlage der Programmierung. Beispiele für Algorithmen sind die Berechnung des Body-Mass-Index (BMI), Gebrauchsanweisungen ode…zum Glossar mit diesem „Trainingsdatensatz“ angelernt wurde, kann dieser genutzt werden, um Tumorpathologie-Objektträger selbstständig zu kategorisieren (8, 11-13). Zugehörige Algorithmen ermöglichen somit unter anderem die Prädiktion und Diagnose von Krankheiten (8). Im Gegensatz dazu kann Unsupervised Learning genutzt werden, um in Datensätzen Muster und Cluster zu erkennen, ohne das die Datensätze ein definiertes Ergebnis enthalten. Der AlgorithmusEin Algorithmus ist ein Lösungsverfahren in Form einer systematischen Regel oder Vorgehensweise. Mithilfe einer definierten Abfolge von Verfahrensschritten wird ein Problem gelöst. In der Informatik bilden Algorithmen eine Grundlage der Programmierung. Beispiele für Algorithmen sind die Berechnung des Body-Mass-Index (BMI), Gebrauchsanweisungen ode…zum Glossar entscheidet dabei selbstständig, welche Merkmale des Datensatzes relevant sind. Anschließend kann der AlgorithmusEin Algorithmus ist ein Lösungsverfahren in Form einer systematischen Regel oder Vorgehensweise. Mithilfe einer definierten Abfolge von Verfahrensschritten wird ein Problem gelöst. In der Informatik bilden Algorithmen eine Grundlage der Programmierung. Beispiele für Algorithmen sind die Berechnung des Body-Mass-Index (BMI), Gebrauchsanweisungen ode…zum Glossar anhand der identifizierten Merkmale die Datensätze kategorisieren und Cluster bilden (11-13). Auf diese Weise können beispielsweise unbekannte Phänotypen einer Krankheit identifiziert werden (13).
Anwendungsmöglichkeiten im Forschungsprozess
Im Kontext der pharmazeutischen Industrie ergeben sich verschiedene Einsatzszenarien des ML. Innerhalb des Entwicklungsprozesses von Arzneimitteln scheitern die meisten Medikamente in den klinischen Testphasen II und III, entweder aufgrund inakzeptabler Nebenwirkungen oder mangelnder Wirksamkeit. Das grundlegende Problem stellt oft die Auswahl eines falschen Wirkungsziels dar (zum Beispiel Gene oder Proteine). Exemplarisch wird ein Protein moduliert, welches nicht geeignet ist, um einen beabsichtigten medizinischen Effekt hervorzurufen (6, 11). Grundsätzlich wird die Entscheidung zur Modulierung eines bestimmten „Ziels“ mittels einer Analyse bestehender Forschung getroffen. Es gilt relevante Beziehung zwischen verschiedenen biologischen und chemischen Faktoren zu erkennen. Das manuelle Generieren dieser notwendigen Erkenntnisse nimmt einige Stunden in Anspruch. Eine KIKünstliche Intelligenz (KI) impliziert den Versuch menschliches Lernen und Denken dem Computer anzueignen. Problemstellungen sollen von Computersystemen mit Hilfe großer Datenbestände gelöst werden, für die ein Mensch seine Intelligenz benötigt. Im Bereich der Radiologie beispielsweise kann die künstliche Intelligenz Ärzte bei der Befundung unterst… Im Video erklärt.zum Glossar liest und kartographiert die Zusammenhänge unterschiedlicher digitaler Datensätze, beispielsweise unterschiedlicher Bio- und Literaturdatenbanken in Sekunden und kann somit zur Identifikation von Zielmolekülen eingesetzt werden. Weitere Anwendungsgebiete liegen in der Auswahl von Molekülen und entsprechenden Patientenpopulationen, u.a. für Medikamente der PräzisionsmedizinBei der Präzisionsmedizin oder auch personalisierten Medizin stehen die individuellen Merkmale und Umstände eines Patienten im Fokus. Die „maßgeschneiderte Therapie“ wird auch als Medizintrend des 21. Jahrhunderts betrachtet. Praktisch bedeutet Präzisionsmedizin, dass im genetischen Code eines Patienten durch genetische Sequenzierung – die Analyse…zum Glossar (6, 8, 11).
ML als Wettbewerbsvorteil
ML ermöglicht eine effiziente Nutzung der wachsenden digitalen Datenmengen und kann somit den Entwicklungsprozess eines Medikaments unterstützen, indem die Entwicklungszeit verkürzt, sowie das Investitionsrisiko einer Wirkstoffentwicklung und Personalkosten aufgrund manueller Datenauswertungen gesenkt werden. Dementsprechend sollten Pharma-Unternehmen verstärkt Kompetenzen im Bereich ML aufbauen, um die Wettbewerbsfähigkeit zu steigern. Hier stellen unter Umständen Technologie-Unternehmen sinnvolle Kooperationspartner dar: Sie haben das Know-How im Bereich ML und Zugang zu umfassenden Datensätzen.
Kontakt
E-Mail:
atlas-itg@uni-wh.deInnovation im Gesundheitswesen
Alfred-Herrhausen-Straße 50
58448 Witten, Deutschland

