Machine Learning y Data Science in Pharma sigue siendo un campo en evolución. Grandes empresas como Pfizer han empleado Machine Learning durante muchos años, como lo demuestra el trabajo realizado por Max Kuhn, que desarrolló el caret, posiblemente el paquete de Aprendizaje Automático más versátil en R. Sin embargo, tales esfuerzos se limitaron principalmente a grupos como I + D y Estudios Clínicos En los últimos tiempos, los departamentos que se enfrentan a médicos / clientes, como Market Research o Market Access, también han comenzado a aplicar el aprendizaje automático de forma creativa.
Como tal, no hay escasez de casos de uso de Aprendizaje automático en Pharma, pero las empresas pueden no estar dispuestas o no a tales técnicas, en parte debido a la falta de familiaridad con el campo pero predominantemente porque no se pueden cuantificar los resultados finales y los beneficios comerciales. En otras palabras, a menos que el proyecto Pharma Machine Learning pueda articular claramente lo que la empresa representa para beneficiarse en términos mensurables concretos, es difícil obtener tracción con tales propuestas.
En todos los casos en que (en nuestra empresa, RxDataScience) proporcionamos servicios de consultoría en ML a Pharma, la iniciativa siempre tuvo un fuerte patrocinador interno (cliente) que entendió Machine Learning y estaba dispuesto a probar un nuevo enfoque. Aunque no podemos divulgar muchos de los casos de uso (quizás más interesantes) ya que implican trabajo del cliente, he proporcionado algunos a continuación para referencia. Con un poco de suerte, pueden arrojar algo de luz sobre las diversas áreas en las que puede usar AI y / o ML para productos farmacéuticos y, en general, casos de uso de atención médica.
PREVENIR LA PROPAGACIÓN DE ENFERMEDADES
Uso de clustering y otras técnicas de aprendizaje automático en los datos de redes sociales, artículos de noticias, etc. para detectar brotes
Otras lecturas
El algoritmo detectó un brote de ébola antes de las alertas oficiales
COMPATIBILIDAD PACIENTE-DOCTOR
Machine Learning para ayudar a los pacientes a encontrar los médicos adecuados (dentro de la red o fuera de la red), comprender los costos y otros factores relevantes
Otras lecturas
Hacer sentido de las tarjetas de seguro con Deep Learning
DETECCIÓN DEL FRAUDE DEL SEGURO MÉDICO
El fraude en el seguro de salud puede costarle a los pagadores miles de millones de dólares en ingresos. La detección de fraude es un campo bien establecido de Machine Learning, especialmente en finanzas. y se puede usar para detectar casos de fraude de seguro de salud
Otras lecturas
Un enfoque de detección de fraude con extracción de datos en el seguro de salud
Uso de Minería de Datos para Detectar Fraudes y Abusos en la Atención Médica
Análisis comparativo de técnicas de aprendizaje automático para reclamos de seguros – Wipro
EMPAREJAMIENTO DEL MÉDICO
Usar técnicas de desambiguación de datos para correlacionar los registros de médicos y pacientes de conjuntos de datos dispares. Por ejemplo, si el proveedor 1 tenía registros del médico A y el vendedor 2 también tenía registros en el médico A pero utilizaba diferentes identificaciones, puede ser posible vincular los registros usando técnicas de desambiguación de datos. Dichos métodos se utilizan a menudo para vincular fuentes de datos dispares y enriquecer los conjuntos de datos existentes
La misma teoría / algoritmo también se puede aplicar a Patient Matching
Otras lecturas
Estrategias de integridad de datos para emparejamiento de pacientes, identificación
Identificación del paciente y concordancia
MENSAJERÍA DE CAMPAÑA DE VENTAS
El uso de NLP en las notas de llamada y la combinación de los datos con los registros de médicos Rx para comprender los mensajes clave que pueden conducir a aumentar / disminuir en Rx.
Otras lecturas
Aprendizaje automático avanzado para impulsar la participación de los representantes
ANÁLISIS DE ATRIBUTO DEL BIOMARCADOR
Use técnicas de agrupación para identificar la importancia de los biomarcadores. Aplicaciones diversas: desde la identificación del médico (en una prueba, el 20% de los médicos pasaron de un nivel más bajo a un nivel superior según las pruebas ALK, la identificación de los sitios de estudio clínico óptimos según los datos de laboratorio locales, etc.)
Otras lecturas
[Paywall] Aprendizaje automático para la identificación de biomarcadores en la investigación del cáncer: avances hacia su aplicación clínica
ANÁLISIS DE SEÑALES
El uso de registros EEG de datos pre-ictal, ictal e inter-ictal (sin ataques) para predecir las convulsiones antes de que ocurran.
Otras lecturas
Desafío de Predicción de Ataques de la Sociedad Americana de la Epilepsia
NUEVOS MÉTODOS DE ALIGMENTACIÓN DE TERRITORIO
Optimización y reducción de la superposición de territorio con datos sobre ubicaciones de territorio de representante y distancia recorrida mediante programación lineal y API de Google (Problema de vendedor ambulante)
IDENTIFICACIÓN DE LA NO ADHERENCIA DE MEDICAMENTOS
Comprender los factores de incumplimiento de la medicación del paciente.
Otras lecturas
pagador de servicios de salud para ahorrar $ 5 millones por incumplimiento de la medicación
LLEGAR A MÉDICOS NO VENIDOS
Usando Network Analysis para encontrar médicos conectados a médicos que no ven a fin de comercializar drogas indirectamente.
Otras lecturas
Gráfico de afinidad del médico
PATENTES
Uso de Mapas autoorganizados / Reducción de dimensionalidad para encontrar patentes similares (Litigios, ANDA, etc.)
Otras lecturas
Un sistema de análisis y clasificación de calidad de patentes que utiliza mapas autoorganizados con máquina de vectores de soporte
IMAGENES MEDICAS
Uso del reconocimiento de imágenes para identificar células malignas / segmentación celular (caso de uso muy común de ML en la atención médica)
Otras lecturas
https://www.ncbi.nlm.nih.gov/pmc …
Kaggle: CT Medical Image Analysis
Kaggle: Segmentación del nervio de ultrasonido
–
