Once a month, receive latest insights, trends, analytics, offering information and knowledge of the Big Data.
Hortonworks is a leader. Read the Forrester Wave.
What happens when the data you need is hidden in silos, or when billions of dollars are riding on drug testing data you can’t access? How do you see a long-term view of 10 billion records to understand biological response to drugs? Researchers turn to Hortonworks for advanced analytics on integrated translational data and to gain a holistic view of their pharmaceutical data.
Merck ha ottimizzato il rendimento dei suoi vaccini, analizzando i dati di produzione per isolare le variabili più utili nell'elaborazione di previsioni, alla ricerca di un "lotto d'oro". I leader di Merck si erano basati a lungo sui principi di lean manufacturing per aumentare i volumi e ridurre i costi, ma scoprire modi per migliorare il rendimento in maniera incrementale era diventato sempre più difficile. Per un quadro più dettagliato su come ridurre i costi e aumentare il rendimento ulteriormente, l'azienda ha preso in considerazione Open Enterprise di Hadoop. Merck si è rivolta a Hortonworks per estrarre dati dai record di oltre 255 lotti di un vaccino, risalendo fino a 10 anni prima. I dati, distribuiti in 16 sistemi preposti alla manutenzione e gestione degli stabilimenti, comprendevano i dati di precisione di sensori per la calibrazione, pressione, temperatura e umidità dell'aria. Dopo avere riunito i dati in Hortonworks Data Platform ed elaborato 15 miliardi di calcoli, Merck ha finalmente ottenuto risposta alle domande che si era posta per dieci anni. Fra centinaia di variabili, il team di Merck è riuscito a individuare quelle in grado di ottimizzare il rendimento. L'azienda ha quindi applicato lo stesso procedimento agli altri vaccini di sua produzione, concentrandosi sulla realizzazione di farmaci di qualità al minor prezzo possibile. Guarda l'intervista di Doug Henschen per InformationWeek a George Llado di Merck.
Un cliente di Hortonworks del settore farmaceutico utilizza HDP per ottenere una panoramica unica sulla sua catena logistica e la sua dichiarata "guerra agli sprechi". Dopo avere messo a confronto gli ingredienti necessari per la produzione dei farmaci con il prodotto finito pronto per la spedizione, il team delle operazioni ha riscontrato un divario notevole fra i due elementi. Ha quindi dichiarato guerra agli sprechi, utilizzando HDP per identificare dove andavano a finire quelle risorse così preziose. Una volta identificate le cause alla base di tanto spreco, gli allarmi in tempo reale di HDP avvisano il team quando vi è il rischio di superare soglie predefinite.
L'obiettivo della ricerca traslazionale è applicare i risultati delle ricerche di laboratorio a favore del miglioramento della salute dell'uomo. Hadoop fornisce a ricercatori, personale clinico e analisti gli strumenti necessari per interpretare a fondo i dati della ricerca traslazionale e condurre programmi in campo medico basati su prove. Le sorgenti di dati per la ricerca traslazionale sono complessi, e solitamente racchiusi in silos di informazioni che rendono difficile per i ricercatori ottenere una visione integrata e olistica dei dati a loro disposizione. Altre difficoltà riguardano la latenza dei dati (il ritardo nel caricamento dei dati negli archivi informatici tradizionali), la gestione di tipi di dati non strutturati e semi-strutturati e la mancanza di analisi collaborative fra gruppi di sviluppo traslazionale e clinico. I ricercatori si rivolgono ora al programma open source per le aziende di Hadoop come piattaforma a basso costo e affidabile per l'esecuzione di analisi avanzate su dati traslazionali integrati. HDP consente ai gruppi traslazionali e clinici di combinare dati chiave da risorse quali: Omics (genomica, proteomica, profilo trascrizionale, ecc.), dati preclinici, notebook di laboratorio, data warehouse clinici, dati di imaging su tessuti, dispositivi e sensori medici, sorgenti di file (come Excel e SAS), testi medici. Con Hadoop, gli analisti possono realizzare una visione d'insieme che consenta loro di comprendere la risposta biologica e i meccanismi molecolari di composti o farmaci. Inoltre, sono in grado di scoprire biomarcatori da utilizzare in ambito R&S e nelle sperimentazioni cliniche. Infine, hanno la garanzia che tutti i dati rimarranno memorizzati in maniera permanente, nel formato nativo, per essere analizzati in futuro con una molteplicità di applicazioni.
I sistemi IT non possono archiviare ed elaborare in modo economico i dati ricavati dal sequenziamento di nuova generazione (next generation sequencing, NGS). Ad esempio, i risultati primari del sequenziamento sono file di immagine molto grandi, troppo costosi per un'archiviazione a lungo termine. Le soluzioni isolate adottate finora non hanno fornito la flessibilità necessaria per adattarsi ai cambiamenti metodologici in campo analitico e, spesso, sono risultate costose da personalizzare e mantenere. Il sistema open source per le aziende di Hadoop permette di superare questi ostacoli, aiutando gli esperti di dati ad analizzare a fondo i dati NGS, conservando allo stesso tempo i risultati grezzi su una piattaforma affidabile a basso costo. Gli esperti di NGS stanno scoprendo i vantaggi dell'elaborazione e analisi su larga scala rese possibili dai componenti HDP come Apache Spark. I ricercatori in campo farmaceutico utilizzano ora Hadoop per acquisire facilmente tipi di dati diversificati, provenienti da sorgenti esterne di dati genetici, come TCGA, GENBank ed EMBL. Un altro vantaggio evidente di HDP nel campo della NGS è l'accesso fornito ai ricercatori a strumenti all'avanguardia di bioinformatica, creati specificamente per HADOOP. Questi strumenti consentono di analizzare vari formati di dati NGS, ordinare letture e unire risultati. Tutto questo porta la NGS a un livello superiore attraverso: elaborazione in batch di ampi set di dati NGS, integrazione di dati di sequenze interni con dati di sequenze pubblici, archiviazione permanente di dati per grandi file di immagine nel formato nativo, risparmio concreto sui costi dell'elaborazione e archiviazione dei dati.
Real-World Evidence (RWE) promises to quantify improvements to health outcomes and treatments, but this data must be available at scale. High data storage and processing costs, challenges with merging structured and unstructured data, and an over-reliance on informatics resources for analysis-ready data have all slowed the evolution of RWE. With Hadoop, RWE groups are combining key data sources, including claims, prescriptions, electronic medical records, HIE, and social media, to obtain a full view of RWE. Analysts are unlocking real insights and delivering advanced analytic insights via cost-effective and familiar tools such as SAS® ,R®, TIBCO™ Spotfire®, or Tableau®. RWE through Hadoop delivers value with optimal health resource utilization across different patient cohorts, a holistic view of cost/quality tradeoffs, analysis of treatment pathways, competitive pricing studies, concomitant medication analysis, clinical trial targeting based on geographic & demographic prevalence of disease, prioritization of pipelined drug candidates, metrics for performance-based pricing contracts, drug adherence studies, and permanent data storage for compliance audits.
HDP Uses Real-World Data to Deliver Real-World Evidence
Real-World Evidence (RWE) promises to quantify improvements to health outcomes and treatments, but this data must be available at scale. High data storage and processing costs, challenges with merging structured and unstructured data, and an over-reliance on informatics resources for analysis-ready data have all slowed the evolution of RWE. With Hadoop, RWE groups are combining key data sources, including claims, prescriptions, electronic medical records, HIE, and social media, to obtain a full view of RWE. Analysts are unlocking real insights and delivering advanced analytic insights via cost-effective and familiar tools such as SAS:registered: ,R:registered:, TIBCO:tm: Spotfire:registered:, or Tableau:registered:. RWE through Hadoop delivers value with optimal health resource utilization across different patient cohorts, a holistic view of cost/quality tradeoffs, analysis of treatment pathways, competitive pricing studies, concomitant medication analysis, clinical trial targeting based on geographic & demographic prevalence of disease, prioritization of pipelined drug candidates, metrics for performance-based pricing contracts, drug adherence studies, and permanent data storage for compliance audits.
Condividi
Sign-up
Apache, Hadoop, Falcon, Atlas, Tez, Sqoop, Flume, Kafka, Pig, Hive, HBase, Accumulo, Storm, Solr, Spark, Ranger, Knox, Ambari, ZooKeeper, Oozie, Phoenix, NiFi, HAWQ, Zeppelin, Atlas, Slider, Mahout, MapReduce, HDFS, YARN, Metron and the Hadoop elephant and Apache project logos are either registered trademarks or trademarks of the Apache Software Foundation in the United States or other countries.
