Diese Seite ist für Menschen und Suchmaschinen gestaltet. Zur Version für KI-Systeme (LLM) →

· Übersichtsartikel · 5 Min. · Von Jonathan Koß

Beyond the pill – Digitale Transformation einer forschungsintensiven Branche

Personalisierung von Kommunikation und Arzneimitteltherapie

Vor dem Hintergrund einer zunehmenden Spezialisierung der pharmazeutischen Unternehmen und einem hohen Kosten- sowie Innovationsdruck innerhalb der gesamten Branche, schafft die Digitalisierung innovative Optionen (1-5). Um auf spezifische Kundenbedürfnisse einzugehen, können Hersteller einerseits über soziale Medien oder Apps intensiver mit ihren Kunden kommunizieren und andererseits zusätzliche (Therapie-) Informationen bereitstellen sowie Zusatzleistungen anbieten (6-11). Die zusätzlichen Informationen können sich positiv auf die Adhärenz auswirken und das Therapieergebnis insgesamt verbessern (6). Die Kombination eines Medikaments und einer begleitenden App ermöglicht außerdem eine zunehmend personalisierte Behandlung (7, 8, 12-14). Beispielsweise können digitale Biomarker während einer Therapie genutzt werden, um relevante Merkmale während einer Arzneimitteltherapie zu erheben und diese individuell anzupassen (8, 9, 12, 14).

Technologiegestützte Datenverarbeitung in der Forschung

In der Arzneimittelforschung und -entwicklung versprechen die Digitalisierung sowie der damit zunehmende Einsatz von künstlicher Intelligenz (KI) und maschinellem Lernen große Chancen (5, 15). Schon heute werden umfangreiche Patientendatenmengen auf digitalen Plattformen gepoolt und mittels innovativer Softwareanwendungen gezielt ausgewertet. Erkrankungen können auf diese Weise besser charakterisiert oder arzneimittelbedingte Wechsel- und Nebenwirkungen früher erkannt werden (16-20). Diese Erkenntnisse können als Ansatzpunkte für die (Weiter-)Entwicklung von Wirkstoffen genutzt werden. Exemplarisch existieren in der Gesundheitsforschung vielversprechende IT-basierte Ansätze, um perspektivisch klinische Studiendaten zu simulieren oder aus unstrukturierten Patientendaten eine automatisierte Datenauswertung zu ermöglichen (11).

Die skizzierte Entwicklung wird zunehmend durch Aktivitäten im Bereich der sog. „Real World Evidenz“ ergänzt: die Studien basieren auf medizinischen und administrativen Datensätzen, die außerhalb von randomisierten kontrollierten Studien generiert werden. Exemplarisch sind Behandlungs- und Routinedaten, (Klinik-)Register oder Gesundheits-Apps zu nennen (21, 22). Neben reduzierten Patientenrisiken in der klinischen Forschung versprechen sich die Unternehmen u. a. eine schnellere Marktzulassung bei neuentwickelten Wirkstoffen sowie einen höheren Innovationsgrad der entwickelten Medikamente (8, 9). Dies wäre nicht nur günstiger, sondern würde gleichzeitig die für Unternehmen wichtige Zeitspanne zwischen Markteintritt und Patentablauf verlängern sowie die Chance auf einen hohen Erstattungspreis des Medikaments erhöhen (3, 23).

Pharmazeutische Unternehmen müssen Geschäftsmodelle digitalisieren

Die Digitalisierung stellt die Pharmabranche vor Herausforderungen, die das bisherige Geschäftsmodell verändern bzw. erweitern werden. Das Erfassen und die Analyse von Daten wird zukünftig eine Kernkompetenz der Pharma-Unternehmen darstellen (müssen). Für die Nutzung von innovativen Technologien auf Basis von Big Data werden zunehmend IT-Kompetenzen im eigenen Unternehmen sowie verstärkt Kooperationen mit Partnern, die auf die Sammlung und Bereitstellung von Patientendaten spezialisiert sind, an Bedeutung gewinnen. Die zunehmende Digitalisierung der Wertschöpfungskette und des Leistungsangebots zeigt jedoch auch, dass Startups oder multinationale Technologiekonzerne zukünftig als Wettbewerber agieren werden. Folglich besteht eine weitere Herausforderung im zunehmenden Wettbewerb darin, ausreichend qualifizierte IT-Mitarbeiter, etwa aus den Data Sciences und der (Bio-)Informatik, zu gewinnen.

Quellen

  1. DiMasi JA, Grabowski HG, Hansen RW. Innovation in the pharmaceutical industry: New estimates of R&D costs. J Health Econ. 2016;47:20-33. zum Original
  1. DiMasi JA, Hansen RW, Grabowski HG. The price of innovation: new estimates of drug development costs. Journal of Health Economics. 2003;22(2):151-85. zum Original00126-1)
  1. Lee M, Ly H, Moller CC, Ringel MS. Innovation in Regulatory Science Is Meeting Evolution of Clinical Evidence Generation. Clin Pharmacol Ther. 2019;105(4):886-98. zum Original
  1. Swift B, Jain L, White C, Chandrasekaran V, Bhandari A, Hughes DA, et al. Innovation at the Intersection of Clinical Trials and Real-World Data Science to Advance Patient Care. Clinical and Translational Science. 2018;11(5):450-60. zum Original
  1. Gautam A, Pan X. The changing model of big pharma: impact of key trends. Drug Discov Today. 2016;21(3):379-84. zum Original
  1. Brockmann D. [Digital epidemiology]. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2020;63(2):166-75. zum Original
  1. Kourtis LC, Regele OB, Wright JM, Jones GB. Digital biomarkers for Alzheimer’s disease: the mobile/ wearable devices opportunity. NPJ Digit Med. 2019;2. zum Original
  1. Piau A, Wild K, Mattek N, Kaye J. Current State of Digital Biomarker Technologies for Real-Life, Home-Based Monitoring of Cognitive Function for Mild Cognitive Impairment to Mild Alzheimer Disease and Implications for Clinical Care: Systematic Review. J Med Internet Res. 2019;21(8):e12785. zum Original
  1. Bousquet J, Arnavielhe S, Bedbrook A, Bewick M, Laune D, Mathieu-Dupas E, et al. MASK 2017: ARIA digitally-enabled, integrated, person-centred care for rhinitis and asthma multimorbidity using real-world-evidence. Clin Transl Allergy. 2018;8:45. zum Original
  1. Birkinshaw J, Visnjic I, Best S. Responding to a Potentially Disruptive Technology: How Big Pharma Embraced Biotechnology. California Management Review. 2018;60(4):74-100. zum Original
  1. Huber G, Dachtler M, Edinger D. Digitalisierung in der Pharmaindustrie. Digitale Transformation von Dienstleistungen im Gesundheitswesen II. Wiesbaden: Springer Gabler; 2017. 241-56. zum Original
  1. Rodarte C. Pharmaceutical Perspective: How Digital Biomarkers and Contextual Data Will Enable Therapeutic Environments. Digit Biomark. 2017;1(1):73-81. zum Original
  1. Jones G, Wright J, Regele O, Kourtis L, Pszenny S, Sirkar R, et al. Evolution of the digital biomarker ecosystem. Digital Medicine. 2017;3(4). zum Original
  1. Kramer F, Dinh W. Molecular and Digital Biomarker Supported Decision Making in Clinical Studies in Cardiovascular Indications. Arch Pharm (Weinheim). 2016;349(6):399-409. zum Original
  1. Zhang X, Perez-Stable EJ, Bourne PE, Peprah E, Duru OK, Breen N, et al. Big Data Science: Opportunities and Challenges to Address Minority Health and Health Disparities in the 21st Century. Ethn Dis. 2017;27(2):95-106. zum Original
  1. Merchant RM, Asch DA, Crutchley P, Ungar LH, Guntuku SC, Eichstaedt JC, et al. Evaluating the predictability of medical conditions from social media posts. PLoS One. 2019;14(6):e0215476. zum Original
  1. Alonso SG, de la Torre Diez I, Rodrigues J, Hamrioui S, Lopez-Coronado M. A Systematic Review of Techniques and Sources of Big Data in the Healthcare Sector. J Med Syst. 2017;41(11):183. zum Original
  1. Nuti SV, Wayda B, Ranasinghe I, Wang S, Dreyer RP, Chen SI, et al. The use of google trends in health care research: a systematic review. PLoS One. 2014;9(10):e109583. zum Original
  1. White RW, Tatonetti NP, Shah NH, Altman RB, Horvitz E. Web-scale pharmacovigilance: listening to signals from the crowd. J Am Med Inform Assoc. 2013;20(3):404-8. zum Original
  1. Dreisbach C, Koleck TA, Bourne PE, Bakken S. A systematic review of natural language processing and text mining of symptoms from electronic patient-authored text data. Int J Med Inform. 2019;125:37-46. zum Original
  1. Kim HS, Kim JH. Proceed with Caution When Using Real World Data and Real World Evidence. J Korean Med Sci. 2019;34(4):e28. zum Original
  1. Corrigan-Curay J, Sacks L, Woodcock J. Real-World Evidence and Real-World Data for Evaluating Drug Safety and Effectiveness. JAMA. 2018;320(9):867-8. zum Original
  1. Makady A, Ham RT, de Boer A, Hillege H, Klungel O, Goettsch W, et al. Policies for Use of Real-World Data in Health Technology Assessment (HTA): A Comparative Study of Six HTA Agencies. Value Health. 2017;20(4):520-32. zum Original

Verwandte Artikel

Verwandte Artikel