Sau khi chuyển đổi các chức năng nâng cao trải nghiệm khách hàng như bán hàng và tiếp thị, Big Data đang mở rộng phạm vi đến các bộ phận khác của doanh nghiệp dược. Và trong lĩnh vựcnghiên cứu và phát triển, Big Data và phân tích đang được áp dụng trên toàn các ngành công nghiệp, bao gồm cả dược phẩm.
Ứng dụng Big Data cho ngành dược
Trong thời gian gần đây, ngành công nghiệp chăm sóc sức khỏe toàn cầu trị giá 9,59 nghìn tỷ USD (Theo báo cáo PwC, 2015) đã trải qua những thay đổi sâu rộng trong mọi khía cạnh kinh doanh của mình. Chúng bao gồm việc áp dụng lớn các hồ sơ sức khỏe điện tử (EHR) của chính phủ, bệnh viện và bác sĩ để số hóa toàn bộ cơ sở dữ liệu nghiên cứu và hàng tỷ hồ sơ bệnh nhân thuộc các công ty dược phẩm. Sự khởi đầu của các ứng dụng y tế di động, thiết bị y tế có thể đeo được, máy phát điện từ xa và thuốc tự động hoạt động như máy ATM mang đến một tương lai thông minh, dựa trên kỹ thuật số.
Hơn nữa, có sự tập trung rộng rãi của ngành vào việc tuân thủ chăm sóc sức khỏe theo các tiêu chuẩn quy định nghiêm ngặt cùng với việc đáp ứng nhu cầu của người tiêu dùng về chăm sóc y tế giá cả phải chăng thông qua các mô hình kinh doanh sáng tạo. Nếu có một yếu tố duy nhất thống nhất tất cả các xu hướng chăm sóc sức khỏe này, thì đó là Big Data Big Data – lỗ hổng lớn mà ngành công nghiệp phải đối mặt trong việc chuyển đổi các byte thông tin phi cấu trúc thành thông tin kinh doanh có ý nghĩa.
Phân tích dữ liệu chăm sóc sức khỏe, một thị trường dự kiến sẽ tăng lên 18,7 tỷ USD vào năm 2020, nằm ở trung tâm của các biến đổi khác nhau định hình ngành công nghiệp chăm sóc sức khỏe.
Sự xâm nhập của phân tích và Big Data trong lĩnh vực dược phẩm đã được tăng dần để đảm bảo tăng trưởng bền vững. Hầu hết các công ty đang thiết kế các loại thuốc dựa trên dữ liệu để tác động đến quyết định mua hàng của người tiêu dùng. Cải thiện hiệu quả hoạt động và giảm chi phí là rất quan trọng để chống lại lợi nhuận của ngành bị thu hẹp. Mặc dù không có giải pháp một cửa nào để đạt được điều đó, các doanh nghiệp dược phẩm trên toàn thế giới đang ngày càng chuyển sang phân tích dữ liệu để được giúp đỡ. Có nhiều cách mà Big Data đang tạo ra những thay đổi lớn cho ngành. Cơ hội cho các công ty dược phẩm sử dụng phân tích rất đa dạng – từ phân tích nhân khẩu học và lịch sử y tế đến tối ưu hóa việc ra mắt thuốc, cho đến xác định hành vi của bác sĩ và xác định khả năng áp dụng thuốc mới.
Các công ty dược phẩm rất cần tăng cường cải tiến và hiệu quả R & D. Ngành công nghiệp dược phẩm và khoa học đời sống đã tràn ngập các loại dữ liệu. Các dữ liệu này Được tạo ra bởi sự phổ biến của các thiết bị y tế cá nhân, phương tiện truyền thông xã hội và hồ sơ y tế điện tử, Big Data có khả năng biến đổi ngành công nghiệp dược phẩm – nhưng chỉ khi các công ty có thể chuyển nó thành kinh doanh thông minh có thể hành động được (Actionable BI).
Bài viết này sẽ nói về Big Data , khám phá các cơ hội và thách thức mà nó đặt ra cho Pharma / Công nghệ sinh học / Chăm sóc sức khỏe và đề xuất các giải pháp và công nghệ sẽ giúp ngành chăm sóc sức khỏe tận dụng tối đa xu hướng đang phát triển này.
Big Data là gì ?
Big Data đề cập đến tập dữ liệu không thể xử lý kịp thời bằng ứng dụng cơ sở dữ liệu truyền thống. Nó có 3 đặc điểm sau:
- Volume – Khối lượng: là lượng dữ liệu được tạo bởi các tổ chức hoặc cá nhân. Các doanh nghiệp trong tất cả các ngành công nghiệp đang tìm cách để xử lý khối lượng dữ liệu ngày càng tăng, liên tục được tạo ra mỗi ngày.
- Velocity – Vận tốc : là tần số và tốc độ mà dữ liệu được tạo, thu thập và chia sẻ. Người tiêu dùng cũng như các doanh nghiệp hiện tạo ra nhiều dữ liệu hơn và trong các chu kỳ ngắn hơn nhiều, từ giờ, phút, giây xuống đến mili giây;
- Variety – Sự đa dạng : là sự phổ biến của các loại dữ liệu mới bao gồm các loại từ các nguồn xã hội, máy móc và điện thoại di động. Các loại mới bao gồm nội dung, vị trí hoặc không gian địa lý, điểm dữ liệu phần cứng, dữ liệu nhật ký, dữ liệu máy, số liệu, điện thoại di động, điểm dữ liệu vật lý, quy trình, nhận dạng tần số radio (RFID), tìm kiếm, tình cảm, truyền dữ liệu, xã hội, văn bản và web . Ngoài ra, sự đa dạng bao gồm dữ liệu lâm sàng phi cấu trúc.
Mục đích chính của Big Data trong Pharma là giúp các công ty đưa ra quyết định sáng suốt liên quan đến hoạt động kinh doanh để môi trường kinh doanh có thể được thực hiện ít phức tạp hơn. Các công ty có thể đưa ra quyết định tập thể bằng cách phân tích một khối lượng lớn dữ liệu được tạo từ tất cả các nguồn bao gồm nhà bán lẻ, bác sĩ, bệnh nhân, v.v. và quyết định nhanh chóng.
Phân tích Big Data đang được sử dụng rất nhiều trong các nhóm tiếp thị và bán hàng là không có gì đáng ngạc nhiên. Các ứng dụng thường xoay quanh việc tối ưu hóa thiết kế và lập kế hoạch lực lượng bán hàng, cũng như quản lý lãnh thổ, cho phép các công ty dược phẩm tìm ra cách cải thiện doanh số và cân bằng khối lượng công việc của đại diện kinh doanh.
Kỳ vọng của ngành công nghiệp dược phẩm đối với phân tích Big Data
Excel đã xuất hiện từ lâu trước khi BI và các công cụ phân tích cất cánh theo cách lớn như vậy. Sử dụng các biểu đồ được xây dựng và biểu diễn bằng hình ảnh, trực quan hóa dữ liệu không phải là ngành khoa học phát triển vũ bão, nhưng xem xét nhu cầu kinh doanh ngày nay, những hạn chế của trực quan hóa bảng tính Excel có thể bị bỏ qua.
Ngoài giới hạn này, còn có một vài hạn chế nữa mà ngành công nghiệp hiện đang phải đối mặt và hơn nữa, nó khuyến khích việc sử dụng Big Data trong ngành Dược phẩm. Cho đến nay, các tập đoàn chăm sóc sức khỏe đã được sử dụng để xử lý dữ liệu lưu trữ tĩnh có thể được thu thập từ nhiều nguồn khác nhau trước khi chúng được phân tích và giải thích cho kết quả trực quan. Tuy nhiên, sự xuất hiện nhanh chóng của khối lượng Big Data – tệp nhật ký, dữ liệu EHR, đọc bệnh nhân, tình cảm truyền thông xã hội, thông tin luồng nhấp chuột (nhấp chuột của khách hàng trên site ) có nghĩa là các bộ dữ liệu không còn nằm trong máy chủ trung tâm hoặc trong một máy chủ trung tâm vị trí cố định trong Đám mây.
Trên thực tế, bản chất của Big Data đề cập đến thông tin kinh doanh đang phát trực tuyến trên hàng trăm ngàn nguồn bị ngắt kết nối, phát triển nhanh chóng từng phút khiến các tổ chức chăm sóc sức khỏe gần như không thể theo dõi các byte thông tin tự phát. Các phương pháp truyền thống để phân tích các mẫu thông tin này hoàn toàn không đủ để xử lý lượng dữ liệu dồi dào, do đó đòi hỏi sự phát triển của các công cụ phân tích tiên tiến có thể xử lý và lưu trữ hàng tỷ byte dữ liệu thời gian thực, với hàng trăm nghìn giao dịch.
Phân tích dữ liệu là một việc khá đơn giản khi tất cả các nguồn dữ liệu thu thập thông tin dựa trên các 1 định dạng tệp thống nhất. Tuy nhiên, thách thức lớn nhất đối với các doanh nghiệp là tính chất không xác định và không thể đoán trước của dữ liệu nổi lên ở nhiều định dạng. Dữ liệu phi cấu trúc có thể thuộc bất kỳ một trong các loại này – văn bản, phi văn bản, âm thanh, video, bản trình bày, hình ảnh và tệp .rar.
Đi đôi với vấn đề dữ liệu tốc độ cao, nó gần như không thể theo dõi các định dạng thông tin bất chợt có từ nhiều nguồn. Do đó, tất cả dữ liệu được thu thập phải được tổng hợp trên một nền tảng duy nhất để có được kết quả cao nhất và giúp phân tích dễ dàng.
Chuyển đổi dữ liệu phi cấu trúc thành các định dạng có cấu trúc mới chỉ là chiến thắng một nửa. Một quyết định kinh doanh sáng suốt chỉ có thể được đưa ra khi dữ liệu có thể dễ dàng chuyển đổi thành các biểu đồ và mô tả hình ảnh có liên quan cho phép cảm nhận thực tế của tất cả các thông tin đổ vào. Các thông tin như cảm giác mà con người có, tính chính xác, hình ảnh thẩm mỹ sẽ giúp hiểu được giá trị của dữ liệu kinh doanh và giúp cho việc ra quyết định kinh doanh.
Các công cụ trực quan hóa dữ liệu như Tableau, Power BI v.v … đã nhanh chóng xuất hiện để giải quyết nhu cầu thị trường này. Phân tích Big Data giúp phân tích mô hình bệnh tật để giải mã tác động thực sự của các loại thuốc được phát triển. Điều này có thể liên quan đến việc xác định một con đường để nhắm mục tiêu hoặc hiểu tác động có thể có của một điều trị hoặc thuốc nhất định theo thời gian.
Big Data cũng có thể giúp tìm kiếm thông tin mới về mô hình bệnh tật trên các khu vực địa lý. Nó cũng giúp hiểu rõ hơn về quy trình phát triển thuốc thông qua các công cụ như học tự động và khai thác dữ liệu, v.v. Có thể đạt được những thành tựu lớn nếu các nhóm R & D sử dụng phân tích để cải thiện hiệu quả của các thử nghiệm lâm sàng bằng cách sử dụng dữ liệu từ nhiều nguồn khác nhau như phương tiện truyền thông xã hội và lấy nhiều tiêu chí hơn (như thông tin di truyền) để làm cho các thử nghiệm nhỏ hơn, ngắn hơn và rẻ hơn.
Sử dụng Big Data và phân tích dự đoán, các công ty có thể tiến hành các thử nghiệm lâm sàng hiệu quả. Các bệnh nhân được chọn cho các thử nghiệm này có thể đáp ứng các điều kiện tiên quyết nhất định được tìm thấy thông qua nhiều cơ sở dữ liệu và các nhà nghiên cứu có thể theo dõi những người tham gia trong thời gian thực.
Big Data cũng có vị trí của nó trong việc dự đoán tác dụng phụ cho các hợp chất cụ thể trước khi thử nghiệm lâm sàng bắt đầu. Hiện nay, có một phương pháp dự đoán độc tính của thuốc trong các hợp chất. Trong quá khứ, các thử nghiệm ở người có thể đã tìm thấy độc tính quá muộn. Với phương pháp Proctor phân tích 48 tính năng thuốc, các công ty có thể tiết kiệm thời gian, tiền bạc và cuộc sống.
Thông qua phân tích dữ liệu các công ty dược phẩm có thể xác định loại thuốc nào sẽ hiệu quả nhất đối với bệnh nhân nào. Họ cũng có thể nghiên cứu một lịch sử đầy đủ của các mẫu dữ liệu để phát triển các sản phẩm và thuốc có tác động mạnh hơn trong tương lai. Rõ ràng từ thực tế là Big Data trong Pharma có thể đóng một vai trò quan trọng trong phát triển thuốc.
Tuy nhiên, thực tế là toàn bộ tiềm năng chưa được tận dụng vì các công ty cần phải chi một số tiền rất lớn và nó gây trở ngại lớn cho tất cả những bên tham gia nhỏ. Ngoài ra, để tạo ra cái nhìn sâu sắc thời gian thực, hệ thống phân tích tinh vi hoặc công nghệ phân tích dữ liệu rất tiên tiến là cần thiết. Để giải quyết những vấn đề này, các công ty dược phẩm có thể vượt ra ngoài khả năng nội bộ và nghĩ đến việc thuê ngoài các công cụ và kỹ thuật phân tích dữ liệu.
Bài viết trên được biên soạn và chỉnh sửa bởi SmartFactoryVN.com . Các bạn sao chép xin ghi rõ nguồn bài viết.
Vietnamese
Chinese (Simplified)
English
French
Japanese