¿Los científicos de datos son útiles en las compañías farmacéuticas?

Absolutamente. La mayoría de las compañías farmacéuticas recopilan información en cada etapa del proceso de desarrollo de medicamentos y, a menudo, emplean una tonelada de especialistas en bioestadística para la investigación clínica. Ejemplos de áreas de interés

1. Informática de investigación (bio y cheminformatics)
2. Vigilancia posterior a la comercialización
3. Estudios clínicos
4. Análisis de la imagen

Las líneas entre # 1 y # 3 se vuelven cada vez más borrosas a medida que pasa el tiempo.

Esta no es información primaria, pero hay algunas cosas en qué pensar. Spotfire (ahora TIBCO) tiene muchos clientes farmacéuticos en la lista, que usan la herramienta para explorar visualmente los resultados de los ensayos [1]. Otro gran ejemplo es la investigación de Lee Goldman descrita en el libro de Malcolm Gladwell Blink [2]. Goldman desarrolló un árbol de decisiones que usa cuatro indicadores para dar buenos resultados de clasificación para los ataques cardíacos. Ese tipo de enfoque impulsado por los datos para aventar cientos de indicadores hasta un puñado de importantes para una enfermedad o síntoma parece arquetípico de lo que un científico de datos haría en la industria farmacéutica: el medicamento tendría que operar solo en los indicadores importantes. Un tercer ejemplo sería la genómica, como el Proyecto Genoma Humano. Los genes son similares a las características que entran en un medicamento. Por ejemplo, recientemente se puso a disposición una rata de laboratorio de diseño, sus genes podrían activarse y desactivarse con precisión para probar [3]. Encontrar similitudes entre la rata y el humano, probar la significación, etc., necesitaría personas capacitadas en bioinformática, métodos estadísticos y computación a gran escala (“ciencia de datos”).

[1] http://spotfire.tibco.com/~/medi
[2] http://www.nndb.com/people/454/0
[3] http://www.fastcompany.com/magaz

Desafortunadamente, la mayoría de la educación moderna en ciencias farmacéuticas nos enseña a hacer nuestra propia ciencia de datos, haciendo que el rol de un científico de datos sea obsoleto a la luz del hecho de que el investigador científico es igualmente capaz de hacer todas estas tareas por sí mismo. Esto no solo reduce la necesidad de pagar a una persona adicional, sino que también permite que una persona con más conocimiento maneje los datos.