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.

invito all'azione

Per iniziare

cloud

Sei pronto per cominciare?

Scarica Sandbox

Come possiamo aiutarti?

chiudiPulsante di chiusura
invito all'azione

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

cloud 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

One Hortonworks pharmaceutical customer uses HDP for a single view of its supply chain and their self-declared “War on Waste”. The operations team added up the ingredients going into making their drugs, and compared that with the physical product they shipped. They found a big gap between the two and launched their War on Waste, using HDP big data analytics to identify where those valuable resources were going. Once it identifies those root causes of waste, real-time alerts in HDP notify the team when they are at risk of exceeding pre-determined thresholds.


Ricerca traslazionale: trasformare studi scientifici in medicinali personalizzati

The goal of Translational Research is to apply the results of laboratory research towards improving human health. Hadoop empowers researchers, clinicians, and analysts to unlock insights from translational data to drive evidence-based medicine programs. The data sources for translational research are complex and typically locked in data siloes, making it difficult for scientists to obtain an integrated, holistic view of their data. Other challenges revolve around data latency (the delay in getting data loaded into traditional data stores), handling unstructured and semi-structured types of data, and bridging lack of collaborative analysis between translation and clinical development groups. Researchers are turning to Open Enterprise Hadoop as a cost-effective, reliable platform for managing big data in clinical trials and performing advanced analytics on integrated translational data. HDP allows translational and clinical groups to combine key data from sources such as: Omics (genomics, proteomics, transcription profiling, etc) Preclinical data Electronic lab notebooks Clinical data warehouses Tissue imaging data Medical devices and sensors File sources (such as Excel and SAS) Medical literature Through Hadoop, analysts can build a holistic view that helps them understand biological response and molecular mechanisms for compounds or drugs. They’re also able to uncover biomarkers for use in R&D and clinical trials. Finally, they can be assured that all data will be stored forever, in its native format, for analysis with multiple future applications.


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.