Data Science & AI

Farmacie

Written by
DSL
Published on
december 7, 2020
DSL blog

AI in de farmaceutische industrie

De gezondheidszorg wordt steeds complexer met de komst van nieuwe behandelingen, veranderende rollen van zorgverleners, nieuwe wet- en regelgeving en betalingsmodellen. Ook wordt Artificial Intelligence (AI) steeds vaker ingezet. De toepassingen die hieruit voortkomen kunnen vaak één specifieke taak in de zorg adequaat uitvoeren. Vaak wordt deze taak zelfs al beter uitgevoerd dan een arts. Dankzij AI-toepassingen kunnen bijvoorbeeld in een vroeg stadium infecties worden gesignaleerd of kan de nauwkeurigheid van diagnoses worden verbeterd. Door de coronacrisis heeft deze ontwikkeling een grote vlucht genomen.Technologiebedrijven, onderzoekers en de overheid richten zich massaal op het ontwikkelen van AI-toepassingen voor het ontwikkelen van bijvoorbeeld een medicijn of vaccin tegen het coronavirus. De noodzaak en interesse om AI-toepassingen te gebruiken is er, maar de onbekendheid en onwetendheid maakt dat de start van dit soort data science projecten vaak stroef verloopt. In dit artikel wordt, aan de hand van enkele voorbeelden, besproken hoe AI bij kan dragen aan het stimuleren van innovatie en het genereren van waarde.

Ontdekking en ontwikkeling van medicatie

Het op de markt brengen van een nieuw farmaceutisch product is een langdurig proces met veel knelpunten. Regelmatig halen testen hun doelstellingen niet, wat voor vertraging kan zorgen en verhoging van de kosten van een toch al duur proces. In situaties zoals de huidige coronacrisis, waar een virus zich snel verspreidt, is het belangrijk om snel nauwkeurige resultaten te verkrijgen om de ontwikkeling van geneesmiddelen te versnellen.

Verschillende AI-toepassingen worden daarom ingezet bij de ontwikkeling van een medicijn. Hiervoor wordt gebruikt gemaakt van data van virussen die bijvoorbeeld qua structuur op elkaar lijken. Die data geeft inzicht in het effect van bepaalde medicijnen op de behandeling van patiënten met een soortgelijk virus. Zo heeft Google’s zusterbedrijf ‘DeepMind’ AI gebruikt om patronen over het coronavirus te ontdekken om de ontwikkeling van een vaccin te versnellen. Deepmind gebruikt een AlphaFold-systeem om structuurvoorspellingen te maken van diverse verschillend bestudeerde eiwitten die verband houden met SARS-CoV-2. Deze voorspellingen zijn niet experimenteel geverifieerd, maar ze kunnen wetenschappers helpen begrijpen hoe het coronavirus werkt. Dit kan nuttig zijn voor de ontwikkeling van een werkend vaccin. Inzicht in deze nog onbekende eiwitten kost normaliter maanden. Maar door het toepassen van AI-algoritmes kan er op basis van structuur van vergelijkbare eiwitten al veel eerder een voorspelling worden gedaan.

Selectie patiënten voor clinical trials

Het op de markt brengen van een nieuw medicijn duurt gemiddeld tussen de 10 en 15 jaar. Ongeveer de helft van deze tijd en de bijkomende kosten wordt besteed aan clinical trials. Dit maakt dat het uitvoeren van clinical trials vaak de meest kostbare fase is van medicijnontwikkeling. Onderzoekers willen daardoor zeker zijn van de juiste selectie van patiënten voor een bepaalde studie. Ondanks aanzienlijke investeringen hebben clinical trials nog steeds een laag slagingspercentage en het mislukken is voornamelijk te wijten aan onnauwkeurige selectietechnieken en het niet effectief monitoren van patiënten. AI kan helpen deze processen te verbeteren om de slagingspercentages van clinical trials te verhogen. Zo bestaan er bijvoorbeeld AI-toepassingen die in staat zijn om de heterogeniteit binnen een populatie te verminderen, waardoor de patiënten die beter op de behandeling reageren overblijven. Het monitoren van patiënten op afstand helpt bij het volgen van het gedrag van patiënten in clinical trials en bij het identificeren van mogelijke bijwerkingen op medicijnen. Hierdoor kan potentiële uitval van patiënten worden voorspeld. Ook wordt AI ingezet voor het selecteren van een niche patiëntenpopulatie om zo de kosten te kunnen verlagen.

Bron: ERT, Transforming Clinical Trials through the Power of AI”

Nauwkeurigheid van diagnoses verbeteren

Wanneer een nieuwe pandemie toeslaat, is het lastig om personen te diagnosticeren. Testen op grote schaal is gecompliceerd en vaak duur. Veel mensen die symptomen van COVID-19 vertonen maken zich zorgen of ze het virus hebben opgelopen, zelfs als die symptomen wijzen naar mogelijk mildere ziektes. Het gebruik van AI kan een belangrijke rol spelen bij het diagnosticeren van ziektes. Een ziekenhuis in Florida is één van de eerste die de aandacht trok door hier gebruik van te maken bij de diagnostiek van COVID-19. Bij binnenkomst in het ziekenhuis krijgen patiënten een automatische gezichtsscan waarbij door machine learning wordt gedetecteerd of ze al dan niet koorts hebben.

Een recent onderzoek heeft uitgewezen dat jaarlijks 12 miljoen volwassen patiënten in de Verenigde Staten een verkeerde diagnose krijgen en dat 10% van de sterfgevallen het gevolg is van diagnostische fouten. Door de kracht van big data en analyse te benutten, kunnen zorgaanbieders de diagnostische nauwkeurigheid verbeteren en het sterftecijfer verlagen. Veel data-analysebedrijven bieden tegenwoordig oplossingen aan door gebruik te maken van innovatieve data science technieken en machine learning-algoritmen om zo de diagnostische nauwkeurigheid te verbeteren. Deze voorspellende technieken analyseren historische data zoals patiëntgegevens, symptomen, gewoonten, ziekten en genoomstructuur om een nauwkeurige voorspelling te geven.

Bron: Deloitte Analysis

Verbeterde medicatievoorschriften

Voor apothekers is het belangrijk om inzicht te krijgen in de frequentie van onjuiste voorschriften. Met behulp van AI kunnen risico’s van aangeschreven geneesmiddelen worden verkleind. Wanneer een medicijn aan de patiënt wordt voorgeschreven kunnen AI-toepassingen patronen herkennen in historische data. Hierdoor worden artsen gewaarschuwd bij afwijkingen van de standaard behandelingsprocedures. Dit helpt de zorgverlener gezondheidsresultaten te verbeteren en complicaties te voorkomen die samenhangen met verkeerde voorschriften. Daarnaast kan er door gebruik te maken van clustering- en scoremodellen worden nagegaan welke behandeling of medicatie wordt aanbevolen voor patiënten op basis van historische resultaten en succespercentages van behandeltrajecten.

Voorraad van geneesmiddelen in de apotheek voorspellen

Volgens de Koninklijke Nederlandse Maatschappij ter bevordering der Pharmacie (KNMP) komen geneesmiddeltekorten steeds vaker voor. In 2018 was er een tekort bij 769 geneesmiddelen. In 2019 was dit aantal bijna verdubbeld naar 1492. Het tekort kan worden veroorzaakt door problemen in productie, distributie of door andere economische redenen. Daarnaast kan er in bepaalde seizoenen/periodes meer vraag zijn naar specifieke medicatie. De vraag hiervan kan niet altijd nauwkeurig worden ingeschat met tekorten in de bevoorrading tot gevolg. Hoe kunnen we er toch voor zorgen dat de apotheken beter zijn voorbereid op bepaalde uplift/downlift events? En hoe zorgen wij dat in dergelijke tijden de voorraden beter kunnen voldoen aan de vraag?

KNMP Farmanco bevat informatie over de landelijke geneesmiddelentekorten en historische data van apotheken. Met behulp van deze data kan een begin worden gemaakt met het zoeken naar bepaalde patronen en verbanden in de data die kunnen helpen om de vraag naar medicatie te voorspellen. In de historische data staat veel bruikbare informatie. Denk hierbij aan het hooikoortsseizoen waar de piek in mei en juni ligt. In deze periode heb je dan ook de meeste kans op verschijnselen van hooikoorts en zullen mensen sneller naar de apotheek gaan voor hooikoorts medicatie. Aan de hand van machine learning algoritmen kan er snel een trend worden gevonden. Dit geldt ook voor niet-seizoensgebonden ziektebeelden, waarbij kan worden voorspeld welk geneesmiddel op welk moment het meest frequent verstrekt gaat worden. Deze resultaten kunnen vervolgens inzichtelijk worden gemaakt voor apotheken. Dit kan worden geïmplementeerd in de bestaande omgeving, waardoor de inkoop van medicatie nauwkeuriger kan worden afgestemd.

Natural Language Processing op tekst data

De vaardigheid van een computerprogramma om een menselijke taal te begrijpen wordt Natural Language Processing (NLP) genoemd. Één van de meest bekende producten die gebruikt maakt van NLP is ‘Siri‘, de virtuele assistent van Apple. Siri gebruikt NLP-technieken om spraak te vertalen naar opdrachten (spraakherkenning) om op de telefoon te navigeren.

Maar waar past NLP eigenlijk in de zorgsector? Er is in de gezondheidszorg ontzettend veel data beschikbaar die wordt verzameld. Bijvoorbeeld via EPD’s, reviews en andere bronnen. Sinds de gezondheidszorg geavanceerde technologieën is gaan toepassen wordt er een enorme hoeveelheid data verzameld. Maar hoe kunnen we deze data nuttig gaan gebruiken?

Dat is waar NLP om de hoek komt kijken. Er is veel data aanwezig bij de apotheek en zorgverzekeraars. Door middel van topic/sentiment analyse uit te voeren op bijvoorbeeld reviews van patiënten over apotheken of klanten over zorgverzekeraars, kan er worden achterhaald wat er positief en/of negatief wordt ervaren.Dit inzicht kan de dienstverlening van de apotheek en de zorgverzekeraar verbeteren, wat resulteert in een stijging van de klanttevredenheid. We bevinden ons daarnaast in het tijdperk van sociale media: één negatief bericht over de slechte werking van een medicijn kan er al voor zorgen dat een farmaceutisch bedrijf te maken krijgt met een rechtszaken. NLP en andere AI-algoritmes worden tegenwoordig ingezet om snel patronen en relaties te ontdekken in bijvoorbeeld sociale media, lokale nieuwsberichten en meetgegevens. Door vroege waarschuwingssignalen van internet te ‘scrapen’ kan de farmaceutische industrie betere keuzes maken als het gaat om hun veiligheidsinformatie, om zodoende mogelijke terugslag en risico’s die eraan verbonden zijn te voorkomen.

Wat voor oplossingen zijn voor jou interessant?

Op dit moment staat de zorgsector in het kader van de strijd tegen corona. Door deze crisis is de inzet van Artificial Intelligence, wearables en innovatieve zorgapps in een stroomversnelling gekomen. De voorbeelden in dit artikel illustreren slechts een aantal mogelijkheden. Mocht dit artikel interesse hebben gewekt, dan komen wij graag in contact om van gedachten te wisselen, te inspireren en te onderzoeken welke AI-oplossingen voor jou impactvol en relevant zijn! Wij creëren voor en samen met jou de toekomst!

Vragen? Neem contact met ons op

Blog

Dit is ook interessant

Lorem ipsum dolor sit amet, consectetur adipiscing elit.

Machine learning (ML) stopt niet bij het ontwikkelen van een model—dat is eigenlijk pas het begin. Veel organisaties focussen vooral op het…

In de competitieve wereld van voeding en supplementen biedt data ongekende kansen voor merken om zich te onderscheiden. Voor merken die zich…

Als organisatie weet je dat je iets moet doen met de beschikbare data. De zin “Misschien moeten we iets met data” horen…

Meld je aan voor onze nieuwsbrief

Wil je als eerste op de hoogte zijn van een nieuwe blog?