作者 | CDA數據分析師

在過去的五年中，我們已經與醫療保健和制藥業的許多領導者進行了交談，而對于AI而言，醫療保健和制藥業領導者報告的最緊迫的挑戰是他們不確定如何簡化和構建數據結構。一種讓他們建立機器學習模型的方式。醫療保健公司陷入了其潛在的AI計劃的數據整合階段，而一個又一個的供應商試圖將其出售給該公司可能還沒有準備就緒的新應用程序。

人工智能和機器學習項目可能需要幾個月的時間才能啟動。如果有的話，許多制藥公司在發布AI產品后半年或更長的時間內就不會看到投資回報率。因此，對于制藥公司而言，重要的是清理并存儲其數據，以使其“可機讀”，并隨時準備將其輸入到機器學習算法中。無論公司內部生產還是從AI供應商處購買產品，這都可能為他們節省時間和金錢（甚至數千美元）。

騰訊醫療大數據實驗室主任Chenzhig Chen在接受我們的采訪時說，在醫療行業應用機器學習時處理數據（并將其數字化）的重要性：

如果您查看該行業，你會發現數據還不存在，數字化還沒有準備好。因此，對于AI來說，要使真正的大數據真正騰飛，這個基礎必須要有所準備。在大數據領域，我們通常會說您80％的時間或研究花費在數據上，然后20％的時間實際上在模型，算法上。

沒有數據和數字化的基礎，這很難，或者幾乎不可能從中獲得真正的模型……如果沒有數字化，而沒有整個過程在線和數字化，您將如何實現或將如何實現？人工智能帶回企業的價值？

在此報告中，我們討論了制藥公司如何能夠匯總和清除其大量數據，以便它們可以利用它來解決業務問題并通過AI改善運營，包括：

• 將數據集中到數據科學項目和機器學習培訓中
• 預處理非結構化數據，以便機器學習模型可以識別和“學習”數據
• 在數據科學和預測分析中利用集中化和重組的數據進行營銷

我們從數據集中開始我們的報告。

數據集中化

制藥公司的結構化大數據可能存儲在某種數據倉庫中。制藥公司還可以在許多地方存儲非結構化數據，本質上是本質上不是機器可讀的數據，例如匿名電子病歷（EMR）記錄和醫學掃描數據庫。許多軟件供應商提供服務來幫助制藥公司以一種允許將其饋送到機器學習算法的方式來理解其所有傳入數據流。通常，進入制藥行業的公司似乎也提供API或類似的集成，從而允許客戶在云或公司計算機上運行機器學習模型。

提供大數據集中化解決方案的供應商通常也在AI和數據分析市場中。他們傾向于提供與數據集中化分開的數據分析解決方案（例如預測分析），但是某些產品可能包括兩者。在制藥行業中，這些供應商最常要求解決的業務問題是臨床試驗優化和藥物發現。

向藥品公司提供數據集中化解決方案的一家供應商是GrayMatter。他們還提供了一個平臺，用戶可以在該平臺上可視化商業智能分析。GrayMatter沒有提供任何案例研究來顯示制藥公司通過其軟件獲得的成功， 但該公司將輝瑞和Strides Arcolab列為過去的客戶。我們選擇在此報告中討論GrayMatter，因為他們的團隊似乎很有可能具有AI和機器學習方面的經驗，這對于希望使用GrayMatter解決方案來集中其數據以供機器學習使用的制藥公司來說是個好兆頭。

例如，在GrayMatter平臺上集中和結構化數據可能有助于制藥公司更有效地分析匿名的EMR記錄，從而縮小可能的患者范圍，以進行臨床試驗。

諸如此類的數據集成咨詢和服務適用于需要集中其數據以便為他們可能要使用的任何類型的AI解決方案做好準備的公司。在下一部分中，我們將討論制藥公司大數據的預處理以及如何為特定的機器學習用例準備數據。

數據預處理

在將所有必要數據集中之后，制藥公司可能需要準備某些數據集以用于AI和機器學習計劃。制藥公司的非結構化數據可能包括藥物分子成像或EMR數據。例如，此類數據需要先進行標記，然后再輸入到深度學習算法中，以尋求“學習”以對未標記圖像進行分類或填寫空白EMR表單。

對于來自MRI或高級顯微鏡的成像數據，必須根據機器學習模型要檢測的對象和實體對每個圖像進行電子標記。例如，將需要訓練顯微血液成像軟件以辨別不同類型的血細胞以及每個圖像中存在多少個血細胞。還可以訓練用于血液成像的機器學習模型，以檢測血液中某些藥物或治療的不良反應和不良反應。

EMR數據通常由醫師書寫或指示。記錄包括有關患者及其患病經歷的詳細信息，以及這些疾病的過去用藥和治療方法以及患者對這些疾病的反應方式。定位與臨床試驗資格相關的患者信息的自然語言處理應用程序是目前制藥業AI的重要解決方案之一。

如果公司想要構建或購買自然語言處理應用程序以篩選IDC-10代碼的匿名EMR記錄，以查找可能適合臨床試驗的患者，則EMR記錄需要標記為包含特定IDC-例如10個代碼或其他代碼。BioSymetrics是一家提供數據組織和標簽，清潔以及來自不同來源的生物醫學和醫療數據分析的供應商。他們的Augusta應用程序使用機器學習來加快在諸如藥物發現，臨床試驗優化和精密醫學等業務領域中部署AI應用程序的過程。

據稱，BioSymetrics的SymetryML機器學習引擎可以評估原始數據的必要處理方法，以便在進一步的機器學習開發和AI應用中使用?？梢詫⒃紨祿袷交癁閳D像，基因組統計數據，流數據和觀察到的化合物。

SymetryML可以處理來自MRI和fMRI的醫學成像數據。它還可以處理來自EKG的數字數據，遺傳學，蛋白質組學和來自FitBit或智能手表等可穿戴設備的IoT數據。機器學習模型還能夠處理EMR格式的信息，從而使其能夠組合來自各種非結構化來源的數據以開發更好的產品和處理方法。

將化合物數字化表示為數據時，將用字母數字字符串表示該文本，可以將其保存以備將來識別并用于機器學習模型訓練。這些文本鏈是通過數學公式找到的，該數學公式可以拍攝分子的圖像和圖形表示并將其轉變為唯一的代碼行。這些代碼被稱為IUPAC化學標識符（IChIs）。

圖：腦部掃描顯示受基因變異影響的區域

BioSymetrics在其網站上沒有任何演示或案例研究，但提供了有關其軟件如何幫助制藥和生命科學公司的示例。這些例子之一突出了奧古斯塔（Augusta）如何在12分鐘內分析155名患者中與某種疾病相關的120萬患者變異。然后，該公司能夠比較其遺傳變異的醫學圖像屬性。 圖2突出顯示了大腦的不同區域，這些區域受個體是否具有遺傳變異的影響更大。

圖：由Biosymetrics提供的具有和不具有基因變異的患者的比較

該示例指出，在分析中發現其中一種遺傳變異與自閉癥有顯著關聯。然后，該公司據稱可以根據大腦各個區域內的偏差，確定與給定疾病相關的不同病癥之間的差異，以及誰擁有和沒有該變異。

藥品營銷大數據

大數據在制藥行業中發揮特別重要作用的領域是向醫療保健網絡，零售商和客戶銷售其產品和治療方法。開展新的營銷活動，跟蹤ROI和銷售統計數據以及管理銷售團隊，都是可以利用利用大數據的AI解決方案解決的所有業務問題。

與藥品營銷中的數據科學計劃最相關的數據源如下：

• 有關單個產品，地理銷售地區和零售商的銷售數據
• 近期和歷史市場情況，例如某一區域對一種產品的需求增加而對其他產品的需求下降。
• 過去營銷活動，項目和實驗的數據，以及這些活動所產生的投資回報率
• 銷售團隊績效數據按員工個人及其相關經驗逐項列出
• 基于客戶的數據分為人口統計數據，并按每個客戶的期望持續價值進行細分。

這些不同類型的數據可能需要使用大型數據存儲設備以及可能的機器學習解決方案（例如GrayMatter的解決方案）進行集中化。另外，可能需要對來自過去營銷活動的書面信息和歷史市場狀況信息進行預處理，以便機器學習模型能夠識別它。尚不清楚以前提到的BioSymetrics解決方案是否能夠處理這些特定類型的營銷數據。

Complexica是一家澳大利亞軟件供應商，提供稱為Larry the Digital Analyst的預測分析解決方案。據稱該軟件能夠為銷售率，市場投資和市場狀況（例如季節性需求的上升和下降）創建預測模型。還要進行廣告宣傳，以根據區域的大小，將哪些銷售代表分配給哪個區域以及每個區域的地理位置來優化銷售區域映射。

圖：Larry，數字分析師的價值主張

數字分析師Larry充當Complexica的AI平臺，因為它是他們每個商業智能解決方案的AI部分。左圖詳細說明了Complexica軟件解決方案中的哪些軟件利用了數字分析師Larry背后的機器學習模型。尚不清楚Complexica的電子商務推薦引擎產品是否也利用了實際的AI推薦引擎，該引擎需要與數字分析師Larry的預測分析能力分開存在。

盡管該公司沒有任何案例研究，但他們與輝瑞公司合作以幫助他們對銷售，營銷投資和營銷條件進行建模，在AI領域引起了極大關注。輝瑞選擇了Complexica的假設仿真器和優化器作為他們的分析解決方案，這使他們能夠利用其營銷和銷售數據來告知他們的業務決策。

顯然，制藥公司擁有的大數據存儲可用于開發有用的機器學習模型，以改善制藥業務運營。盡管營銷是利用企業數據的最清晰的業務領域，但制藥公司也可以將其精細的醫學數據用于臨床試驗和藥物發現。