Transformação digital na indústria farmacêutica

Por Fernando Paiva

Quando falamos de transformação digital no ecossistema de saúde, não podemos deixar de explorar a abrangência de inovações e digitalizações em benefício da ciência e, sobretudo do paciente, que as tecnologias exponenciais proporcionam.

Apenas um em cada dez medicamentos que entram na fase de ensaio clínico, realmente chegam ao mercado. Os processos de desenvolvimento de medicamentos podem ser aprimorados? Quais as soluções possíveis?

1. Observe o comportamento de compostos químicos em drogas potenciais e suas propriedades farmacêuticas ADME (absorção, distribuição, metabolismo e excreção), usando redes neurais para descoberta de drogas.
2. Identifique moléculas sintetizáveis, estáveis e refinadas para vários critérios, com a ajuda de programação genética e algoritmos evolutivos.
3. Colete, consolide, estruture e extraia entidades valiosas de dados não estruturados.
4. Determine moléculas-alvo prospectivas de milhões de compostos candidatos. Melhore os resultados e a qualidade da análise de compostos, usando triagem de alto rendimento.
5. Armazene dados de triagem de composto virtual em serviços em nuvem, enquanto aumenta e diminui a escala para atender às demandas computacionais.
6. Identifique os principais investigadores influentes que podem capacitar os ensaios clínicos, recrutando pacientes elegíveis, utilizando processamento de linguagem natural (PNL) para inscrição de pacientes.
7. Preveja resultados de pacientes, a partir de registros eletrônicos de saúde (PEP – Prontuário Eletrônico do Paciente), usando PNL, aprendizado de máquina e redes neurais recorrentes.
8. Obtenha definições de doenças baseadas em dados, utilizando  fenotipagem computacional de doenças.
9. Revolucione o monitoramento em tempo real de doenças, coletando dados essenciais, como frequência cardíaca, níveis de glicose, distúrbios de movimento, concussões e outros eventos médicos, com base em  Wearables e IoMT para monitoramento remoto de pacientes.
10. Transcreva as visitas dos pacientes, servindo –se de assistentes de voz para precisão na avaliação.
11. Aumente a qualidade e a eficácia dos estudos clínicos, assim como a escala e o alcance;  diminua a carga do paciente e melhore o envolvimento com a implementação de estudos clínicos virtuais e descentralizados.
12. Reenergize uma cadeia de valor de distribuição tradicional, permitindo a personalização em massa e uma troca de informações em tempo real entre compradores e fabricantes, usando IoMT para gerenciamento de ativos de medicamentos.
13. Antecipe a possível quebra de máquinas e equipamentos, empregando sistemas de manutenção preditiva para a fabricação de produtos farmacêuticos.
14. Garanta que a linha de produção farmacêutica não tenha defeitos, e que os clientes desfrutem de tratamentos contínuos, mediante práticas de garantia de qualidade
15. Organize melhor a colaboração entre representantes de clientes farmacêuticos e médicos, usando ferramentas e estratégias de marketing digital.
16. Consolide fluxos de trabalho de marketing digital em sistemas unificados de automação de omni channel multicanal e garanta que não haja lacunas nas atividades de marketing e vendas.
17. Exclua eventos adversos de medicamentos induzidos por ruído, bem como agregue e sistematize relatórios de eventos adversos de diferentes fontes e canais usando técnicas de aprendizado profundo.

A tecnologias vêm revolucionando a indústria farmacêutica há muitos anos. Desde o início da civilização humana, as pessoas procuram substâncias que podem curar doenças e infecções. No passado, extratos derivados de plantas e células animais eram usados para tratar doenças, e a descoberta de tais tratamentos foi conduzida empiricamente.

No entanto, a tecnologia digital mudou, consideravelmente, a maneira como novos medicamentos são desenvolvidos. Algoritmos evolutivos, redes neurais, processamento de linguagem natural (PNL), aprendizado de máquina (ML), Wearables e IoMT otimizam os fluxos de trabalho em organizações farmacêuticas, automatizando as tarefas rotineiras e manuais anteriores e acelerando de modo significativo  os processos de descoberta de medicamentos.

Este artigo destaca como os avanços na tecnologia digital aceleraram a descoberta de medicamentos, simplificaram os ensaios clínicos, facilitaram os processos de comercialização de medicamentos e melhoraram a segurança deles.  

Após um período de pouco progresso, o campo da inteligência artificial (IA) experimentou um boom em suas capacidades. A mudança aconteceu quando os cientistas reproduziram a forma como os cérebros biológicos funcionam na mente artificial. Em virtude dos avanços surpreendentes na capacidade das máquinas em compreender e explorar dados, incluindo textos, imagens e fala, os profissionais farmacêuticos podem se beneficiar da massa de dados médicos não estruturados.

Historicamente, o desenvolvimento de um algoritmo de aprendizado de máquina (ML) exigiu ampla experiência em engenharia de software, a fim  de desenvolver extratores de recursos que modificam dados biomédicos brutos em representações compreensíveis, a partir das quais algoritmos de ML podem extrair padrões. Por outro lado, o aprendizado profundo é uma forma de aprendizado de representação, na qual  um algoritmo processa dados brutos e produz as próprias representações necessárias para o reconhecimento de padrões. Os algoritmos de aprendizado profundo são capazes de processar funções altamente complexas, podem ser escalonados para grandes conjuntos de dados e podem continuar a melhorar com mais dados, superando, assim, os algoritmos de ML convencionais.

A tecnologia de aprendizado profundo já foi usada para prever as propriedades moleculares de compostos químicos. Um nível notável de precisar a predição de aprendizado profundo já foi alcançado por meio de uma representação vetorial de moléculas, economizando tempo gasto na fase de descoberta de drogas. Da mesma forma, o aprendizado de máquina ajuda a diminuir as taxas de falha de medicamentos, durante os estágios de desenvolvimento clínico, o que o torna uma ferramenta valiosa e econômica.

As redes neurais estão provando serem os métodos mais poderosos e valiosos no campo do aprendizado profundo. São ferramentas eficazes para automatizar tarefas tediosas e desafiadoras, como distinguir células doentes de saudáveis, reconhecer padrões e segmentação de imagens médicas, prever diagnóstico e monitorar doenças. Mais importante ainda, as redes neurais são capazes de:

I. Prever propriedades farmacêuticas de ADME (absorção, distribuição, metabolismo e excreção) de compostos moleculares e alvos para descoberta de drogas.

II. Prever como os compostos químicos se comportarão nas drogas potenciais.

Os classificadores de rede neural são capazes de alocar não apenas produtos químicos existentes, mas também generalizar áreas relacionadas de espaços químicos para produtos químicos virtuais. Por exemplo, compostos químicos inexistentes podem ser fabricados com previsões da rede neural, determinando quais produtos químicos serão aplicáveis em uma droga.

Além disso, é possível antever  resultados de pacientes, por meio de  registros eletrônicos de saúde (PEPs). Nos últimos dez anos, a adoção de PEPs em operações de saúde disparou, em parte porque a legislação que norteia prontuários eletrônicos entrou em vigor e foram substanciadas pela LGPD. O PEP se tornou um novo padrão para instituições médicas, fornecendo muitos benefícios:  redução de erros, aumento da eficiência do fluxo de trabalho e aprimoramento da coordenação de saúde.

Depois que os registros de saúde foram digitalizados, uma quantidade considerável de dados médicos foi agregada. Esse expressivo número de códigos médicos diferentes refletem vários para se localizar pacientes, como exames laboratoriais, doenças, medicamentos e procedimentos clínicos. Originalmente, esses códigos foram implementados apenas para tarefas administrativas e de faturamento; no entanto, eles contêm informações importantes para o pré-processamento secundário. As mais recentes abordagens de aprendizado profundo estão sendo usadas para projetar códigos médicos distintos em um ritmo vetorial para análise detalhada de dados e tarefas preditivas.

Os algoritmos de aprendizado de máquina podem aproveitar melhor os dados brutos ricos em informações nos PEPs. Por exemplo, anotações clínicas são frequentemente esquecidas durante o desenvolvimento de sistemas preditivos. As informações clínicas não são estruturadas por natureza e requerem revisão manual.

Ainda assim, esses dados podem conter informações valiosas, como informações de admissão de paciente, resumos de alta e outras compilações.

Redes neurais recorrentes em grande escala estão demonstrando resultados preditivos notáveis, combinando dados estruturados e não estruturados para aprendizagem contínua. As redes neurais são muito bem sucedidas ao:  

• Extrair nomes de doenças, procedimentos e tratamentos usados em PEPs, e informações clínicas não estruturadas.
• Associar eventos médicos e seus intervalos de tempo ou data correspondentes, com base em  informações clínicas, como por exemplo,  nos últimos três meses.
• Extrair relações:  produto farmacêutico X melhora / piora a condição Y.
• Expandir abreviações médicas com palavras que alcançam uma precisão de 82% em comparação com uma linha de base que é igual a 20-30%.

O objetivo final do processamento de PEPs com PNL e técnicas de aprendizado profundo é prever os resultados do paciente. Atualmente, existem dois tipos de previsões de resultados:  

1. Previsão de resultados estáticos do paciente; por exemplo, prever insuficiência cardíaca, identificar fatores de risco para doenças ósseas, classificar diagnóstico ou antever hipertensão.

2. Predição de resultado temporal do paciente; por exemplo, prever o resultado dentro de um intervalo de tempo definido ou fazer uma previsão com base em dados de série temporal, como antever uma readmissão não planejada após uma alta hospitalar.

Fenotipagem computacional de doenças para o desenvolvimento de medicina de precisão. Como os PEPs digitalizados resultaram em grandes quantidades de dados médicos, novas oportunidades surgiram para refinar e revisar as definições e limites do diagnóstico. Considerando que as doenças são tradicionalmente caracterizadas por um conjunto de descrições clínicas manuais, a fenotipagem computacional das doenças visa obter definições de doenças baseadas em dados. As técnicas de aprendizado de máquina e mineração de dados são capazes de detectar descrições de doenças mais refinadas. A fenotipagem computacional de doenças é um grande passo em direção à medicina de precisão e à saúde personalizada.

E ainda,  permite que “os dados falem por si mesmos”, detectando relacionamentos e conceitos de dados médicos não estruturados, sem qualquer supervisão ou parcialidade.

· É importante explorar como o desenvolvimento de software para testes clínicos pode equipar e complementar as empresas de biotecnologia e farmacêutica que buscam instalações para executar seus testes clínicos com a maior eficiência e levar novos tratamentos ao mercado mais rápido do que a concorrência.

Medical devices e monitoramento remoto de pacientes com os wearables abriram um novo mundo de oportunidades para a indústria farmacêutica e as ciências da vida. Eles permitem tomadas de decisão 80% mais rápidas, graças à capacitação da força de trabalho, que revolucionou o monitoramento em tempo real de doenças ao coletar dados essenciais, como frequência cardíaca, níveis de glicose, distúrbios do movimento, contusões e outros eventos médicos.

Os wearables ajudam a diminuir os custos de saúde, reduzindo o número de visitas pessoais à clínica. Os dados de saúde coletados por um simples dispositivo médico vestível podem salvar vidas. Os dispositivos IoMT podem ser usados para intervir potencialmente em certas circunstâncias. Além disso, combinar consideráveis quantidades  de sensores microscópicos comestíveis ingeridos em nossos corpos e os que usamos em nosso corpo está transformando o cuidado diagnóstico e preventivo como o conhecemos agora.

Existem inúmeros casos de sucesso de como os wearables estão remodelando a área de saúde. Por exemplo, uma combinação de software em nuvem e dispositivos vestíveis pode monitorar os sinais vitais dos pacientes e enviar alertas à equipe médica sobre possíveis acidentes ou quedas. Estes tipos de sistema provaram ser tão eficazes em uma instalação que atende pacientes idosos, que, atualmente,  até mesmo os parentes dos pacientes podem monitorar remotamente o bem-estar de seus familiares.

Fernando Paiva é Diretor Executivo com 25 anos de atuação em tecnologias exponenciais, soluções disruptivas, especialista em transformação digital, desenvolvimento de produtos  e Marketing Digital. Membro de dois Conselhos de Administração, mentor de três Startups do ecossistema de saúde, investidor anjo da Beleza Negra Cosméticos, especialista em internet das coisas médicas, interoperabilidade e integração de dados sensíveis. Mestrando na Faculdade de Medicina da USP, MBA na University of La Verne, MBA UFRJ, MBA FGV, Especialização na Harvard Business School.

Fernando Paiva

Leia também:

Fazer uma transformação digital vai muito além da tecnologia

O coronavirus e a transformação digital forçada

Você está preparado para a transformação digital