newsletter

Ricevi gli ultimi aggiornamenti da Hortonworks tramite e-mail

Una volta al mese, ricevi gli approfondimenti, le tendenze, le informazioni analitiche e la conoscenza approfondita dei big data.

AVAILABLE NEWSLETTERS:

Sign up for the Developers Newsletter

Una volta al mese, ricevi gli approfondimenti, le tendenze, le informazioni analitiche e la conoscenza approfondita dei big data.

invito all'azione

Per iniziare

cloud

Sei pronto per cominciare?

Scarica Sandbox

Come possiamo aiutarti?

* Ho compreso che posso disdire in qualsiasi momento. Sono inoltre a conoscenza delle informazioni aggiuntive presenti nella informativa sulla privacy di Hortonworks.
chiudiPulsante di chiusura
invito all'azione

Analitica dei big data per l'industria farmaceutica
e i trial clinici

Hortonworks è un leader. Leggi Forrester Wave.

Download Report

Trovare la cura per i dati inaccessibili

Cosa accade quando i dati di cui hai bisogno si trovano bloccati nei silos o quando miliardi di dollari dipendono da dati di test sui farmaci a cui non puoi accedere? Come puoi ottenere una visualizzazione a lungo termine di 10 miliardi di record per conoscere la risposta biologica a un farmaco? I ricercatori farmaceutici hanno adottato le soluzioni Hortonworks per eseguire un'analitica avanzata dei big data su informazioni traslazionali integrate e ottenere una visualizzazione a 360° dei dati in loro possesso.

Liberare il potenziale dei dati farmaceutici

Integrazione dei big data, analitica dei big data farmaceutici, collaborazione interna ed esterna, assistenza nelle decisioni sul portafoglio, maggiore efficienza nelle sperimentazioni cliniche, tempi di commercializzazione più rapidi, migliore produttività e sicurezza: sono solo alcuni dei vantaggi che le aziende farmaceutiche di tutto il mondo ottengono sfruttando tutte le potenzialità dei loro big data.

casi d'uso

Merck ottimizza il rendimento dei vaccini: alla ricerca del "lotto d'oro"

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.


Ridurre al minimo gli sprechi lungo tutto il processo di produzione dei farmaci

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.


Ricerca traslazionale: trasformare studi scientifici in medicinali personalizzati

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 complesse, e solitamente racchiuse 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.


Sequenziamento di nuova generazione

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 enterprise Hadoop permette di superare questi ostacoli, aiutando gli esperti di dati e i ricercatori 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.

HDP utilizza dati reali per fornire prove reali

Con prove in reali condizioni d'impiego (Real World Evidence – RWE) si possono quantificare i miglioramenti degli esiti e trattamenti in campo sanitario, ma i dati devono essere disponibili in grandi quantità. Costi elevati per l'archiviazione e l'elaborazione dei dati, fusione di dati strutturati e non strutturati e un'eccessiva dipendenza da risorse informatiche per dati pronti per l'analitica hanno tutti rallentato l'evoluzione del concetto di RWE. Con Hadoop, i gruppi RWE combinano fonti di dati chiave, fra cui richieste di rimborso, prescrizioni, cartelle cliniche elettroniche, dati contenuti nel sistema di scambio di informazioni sanitarie (Health Information Exchange, HIE) e social media, per ottenere un quadro RWE completo. Grazie all'analitica dei big data in campo farmaceutico, gli analisti riescono a ottenere panoramiche dettagliate e fornire analisi avanzate attraverso strumenti noti e a basso costo come SAS® ,R®, TIBCO™ Spotfire® o Tableau®. La RWE con Hadoop crea valore con l'utilizzo ottimale delle risorse sanitarie in coorti di pazienti diverse, una visione olistica dei compromessi fra costi e qualità, l'analitica dei percorsi di trattamento, studi per la definizione di prezzi competitivi, l'analisi dei farmaci concomitanti, il targeting delle sperimentazioni cliniche in base alla prevalenza geografica e demografica delle patologie, l'attribuzione di priorità dei candidati farmaci nella pipeline, metriche per contratti con determinazione del prezzo in base alla performance, studi sull'aderenza ai farmaci e archiviazione permanente di dati per audit sulla compliance.

Accesso permanente ai dati grezzi di ricerche precedenti

HDP utilizza i dati in tempo reale per fornire prove in reali condizioni d'impiego
Con prove in reali condizioni d'impiego (Real World Evidence – RWE) si possono quantificare i miglioramenti degli esiti e trattamenti in campo sanitario, ma i dati devono essere disponibili in grandi quantità. Costi elevati per l'archiviazione e l'elaborazione dei dati, fusione di dati strutturati e non strutturati e un'eccessiva dipendenza da risorse informatiche per dati pronti per l'analisi hanno tutti rallentato l'evoluzione del concetto di RWE. Con Hadoop, i gruppi RWE combinano fonti di dati chiave, fra cui richieste di rimborso, prescrizioni, cartelle cliniche elettroniche, dati contenuti nel sistema di scambio di informazioni sanitarie (Health Information Exchange, HIE) e social media, per ottenere un quadro RWE completo. Gli analisti riescono a ottenere panoramiche dettagliate e fornire analisi avanzate attraverso strumenti noti e a basso costo come SAS® ,R®, TIBCO™ Spotfire® o Tableau®. La RWE con Hadoop crea valore con l'utilizzo ottimale delle risorse sanitarie in coorti di pazienti diverse, una visione olistica dei compromessi fra costi e qualità, analisi dei percorsi di trattamento, studi per la definizione di prezzi competitivi, analisi dei farmaci concomitanti, targeting delle sperimentazioni cliniche in base alla prevalenza geografica e demografica delle patologie, attribuzione di priorità dei candidati farmaci nella pipeline, metriche per contratti con determinazione del prezzo in base alla performance, studi sull'aderenza ai farmaci e archiviazione permanente di dati per audit sulla compliance.