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.