Social Media Mining im Arzneimittelentwicklungsprozess
Die Patientenperspektive als Ausgangspunkt pharmazeutischer Forschung
Die Berücksichtigung der medizinischen Bedürfnisse von Patienten ist entscheidend für den kommerziellen Erfolg pharmazeutischer Produkte. Dies ist in regulatorischen Veränderungen begründet, die darauf abzielen, den wahrgenommenen Nutzen des Patienten in die Bewertung von Arzneimitteln aufzunehmen. Beispiele hierfür sind der Einbezug von Patient-Reported-Outcomes in Zulassungs-, Erstattungs- und Preissetzungsverfahren (1) oder die Patient-Centered-Drug-Development Initiative der FDA, die 2012 etabliert wurde (2): Hier sollen Patienten den potentiellen Nutzen eines Medikaments für ihr Krankheitsbild im Rahmen des Zulassungsprozesses bewerten. Dies führt dazu, dass relevante ungedeckte Patientenbedürfnisse schon zu Beginn des Arzneimittelentwicklungsprozesses identifiziert und berücksichtigt werden müssen, um kommerziell erfolgreiche Innovationen zu generieren (3). Neben den regulatorischen Anforderungen sind traditionelle Methoden der Marktforschung zur Erhebung dieser Bedürfnisse, beispielsweise Fokusgruppen-Interviews aus Sicht der pharmazeutischen Unternehmen mit einem hohen Aufwand verbunden. Gleichzeitig sind relevante Informationen jedoch bereits in sozialen Medien verfügbar (4). Wie können Methoden der künstlichen Intelligenz (KI) genutzt werden, um die Entscheidungsfindung im F&E Prozess zu unterstützten?
Patienten teilen ihre Bedürfnisse in sozialen Medien
Patienten, deren Leben durch eine Krankheit stark beeinträchtigt wird, beispielsweise durch eine schwere chronische Erkrankung wie Multiple Sklerose, tauschen sich in sozialen Medien mit anderen Betroffenen aus. Sie suchen nach emotionalem Support oder sprechen über Medikamente und anderweitige Behandlungen, um aus den Erfahrungen anderer zu lernen (4). Die Auswertung dieser Daten ermöglicht der Pharmaindustrie wiederum aus den dargestellten Patientenerfahrungen zu lernen und herauszufinden, was die Lebensqualität der Patienten wirklich beeinflusst und verbessern würde (4).
Identifikation von ungedeckten medizinischen Bedürfnissen in sozialen Medien
Doch wie können diese riesigen Datenmengen effizient ausgewertet werden? Die automatisierte, oft KI-gestützte digitale Verarbeitung von Social Media Daten wird auch Social Media Mining (SMM) genannt. Ein Beispiel für die potenzielle Nutzung von SMM im Kontext pharmazeutischer Forschung ist die Identifikation und Priorisierung von ungedeckten medizinischen Bedürfnissen mittels des Opportunity Algorithmus (OA) anhand von Social Media Daten, die durch Webscraping automatisiert extrahiert wurden. Die grundlegende Logik dieses Algorithmus ist, dass ein Bedürfnis, das besonders wichtig und gleichzeitig mit einer hohen Unzufriedenheit des Patienten assoziiert ist, ein besonders hohes Innovationspotential bietet (5). Die Logik des OA kann mittels unterschiedlicher KI Methoden abgebildet werden. Nach der Extraktion von angemessenen Daten, beispielsweise aus einem krankheitsspezifischen Online Forum, können die ungedeckten medizinischen Bedürfnisse mittels Topic Modeling extrahiert werden (4, 6). Um die Relevanz eines Bedürfnisses abzubilden, wird die Häufigkeit, mit der ein Thema im Text genannt wird, erfasst (4, 6). Um die (Un-)Zufriedenheit zu messen, wird eine Sentiment Analyse durchgeführt (4). Die Sentiment Analyse ermöglicht die Zuweisung eines Sentiment Scores zwischen Null und Eins. Null steht hierbei für ein negatives und Eins für ein positives Sentiment. Entsprechend des OA werden ungedeckte medizinische Bedürfnisse priorisiert, die einerseits häufig genannt werden und andererseits einen besonders niedrigen Sentimentscore aufweisen.
Digitaler Phänotyp zur Charakterisierung der Zielpopulation
Nach der Identifikation eines ungedeckten medizinischen Bedürfnisses muss die Zielpopulation genauer beschrieben werden, in der dieses Bedürfnis besonders ausgeprägt ist. Dies ist wichtig um festzustellen, welche Patienten-Subpopulation von der Arzneimittelinnovation am stärksten profitieren kann (und beispielsweise für klinische Studien rekrutiert werden sollte). Um diese Subpopulation zu beschreiben, können unterschiedliche Merkmale aus den Daten mittels SMM extrahiert werden. Exemplarisch können demographische Merkmale, wie das Geschlecht oder das Alter eines Nutzers aus den Daten abgeleitet werden (7). Basierend auf der Extraktion der genannten Merkmale können in einem nächsten Schritt, mittels Methoden des unsupervised Learning, Muster in diesen Daten erkannt werden. Durch die Erkennung von Mustern auf Ebene der Nutzer (überwiegend Patienten) können Nutzersegmente entdeckt werden, um so Subpopulationen innerhalb eines Krankheitsbildes ableiten zu können (4, 8). Die Subpopulationen könnten somit durch ihren „digitalen Phänotyp“ beschrieben werden (4).
Die Limitationen des SMM sind zu berücksichtigen
Es sollte berücksichtigt werden, dass die Methoden des maschinellen Lernens statistische Modelle sind und dementsprechend immer eine gewisse Fehlerrate enthalten. Darüber hinaus gilt, dass die Ergebnisse grundlegend auf Korrelationen beruhen. Um das Risiko falscher Interpretationen zu vermindern, sollten insbesondere Domänen-Experten in die Bewertung der Ergebnisse einbezogen werden. Ethische Aspekte und die Privatsphäre der Nutzer sowie datenschutzrechtliche Anforderungen müssen berücksichtigt werden.
SMM kann die patientenzentrierte Arzneimittelentwicklung unterstützen
Insgesamt bietet SMM als digitales und automatisiertes Verfahren ein großes Potential, um Informationen für eine patientenzentrierte Arzneimittelentwicklung zu generieren. Es können ungedeckte medizinische Bedürfnisse und zugehörige Zielpopulationen identifiziert und beschrieben werden. Diese Informationen sollten in Entscheidungsprozessen berücksichtigt werden, um einen von Patienten wahrgenommenen Mehrwert zu generieren und kommerziell erfolgreiche Produkte zu entwickeln. Beispielsweise können diese Informationen genutzt werden, um Patienten zu rekrutieren, die am stärksten von der Reduktion eines bestimmten ungedeckten medizinischen Bedürfnisses profitieren würden. Dies würde die Chance eines Nachweises über einen Zusatznutzen in klinischen Studien erhöhen. Startups in diesem Bereich sind Semantic Hub und Semalytix.
Quellen
- Rivera SC, Kyte DG, Aiyegbusi OL, Slade AL, McMullan C, Calvert MJ. The impact of patient-reported outcome (PRO) data from clinical trials: a systematic review and critical analysis. Health Qual Life Outcomes. 2019;17(1):156 zum Original
- Holmes EA, Plumpton C, Baker GA, Jacoby A, Ring A, Williamson P, et al. Patient‐Focused Drug Development Methods for Benefit–Risk Assessments: A Case Study Using a Discrete Choice Experiment for Antiepileptic Drugs. Clinical Pharmacology & Therapeutics. 2019;105(3):672-83 zum Original
- Vennemann M, Ruland V, Kruse JP, Harloff C, Trubel H, Gielen-Haertwig H. Future unmet medical need as a guiding principle for pharmaceutical R&D. Drug Discov Today. 2019;24(9):1924-9 zum Original
- Koss J, Rheinlaender A, Truebel H, Bohnet-Joschko S. Social media mining in drug development—fundamentals and use cases. Drug Discovery Today. 2021 zum Original
- Ulwick AW. What Is Outcome-Driven Innovation®(ODI)? White Paper. zum Original
- Jeong B, Yoon J, Lee J-M. Social media mining for product planning: A product opportunity mining approach based on topic modeling and sentiment analysis. International Journal of Information Management. 2019;48:280-90 zum Original
- Zhang C, Xu S, Li Z, Hu S. Understanding Concerns, Sentiments, and Disparities Among Population Groups During the COVID-19 Pandemic Via Twitter Data Mining: Large-scale Cross-sectional Study. Journal of medical Internet research. 2021;23(3):e26482 zum Original
- Schafer F, Faviez C, Voillot P, Foulquie P, Najm M, Jeanne JF, et al. Mapping and Modeling of Discussions Related to Gastrointestinal Discomfort in French-Speaking Online Forums: Results of a 15-Year Retrospective Infodemiology Study. J Med Internet Res. 2020;22(11):e17247 zum Original
