Επιστήμη Δεδομένων - Ένας Νεοσύστατος Κλάδος και η Σημασία του στη Φαρμακευτική

Τα τελευταία χρόνια ένα νέο πεδίο γνώσης έχει γεννηθεί, που συνδυάζει στοιχεία από κλάδους των Μαθηματικών, της Στατιστικής και της Πληροφορικής.

Πρόκειται για την Επιστήμη Δεδομένων (Data Science), το πιό “θελκτικό” επάγγελμα του 21ου αιώνα, όπως το αποκάλεσε το κορυφαίο παγκοσμίως περιοδικό management, το Harvard Business Review.

Επιστήμη Δεδομένων Ένας Νεοσύστατος Κλάδος και η Σημασία του στην Φαρμακευτική

Η Επιστήμη Δεδομένων (ΕΔ) είναι το αποτέλεσμα της καταιγιστικής προόδου που έχει σημειωθεί κατά τα τελευταία 15 χρόνια:

α) στη συλλογή, μεταφορά και αποθήκευση συνεχώς μεγαλύτερων όγκων δεδομένων από όλο και περισσότερες πηγές, κάτι που έχει καθιερωθεί να ονομάζεται Μεγάλα Δεδομένα (Big Data) και,

β) στους τομείς της ανάλυσης δεδομένων, της Στατιστικής και ιδιαίτερα της Μηχανικής Μάθησης (ΜΜ), η οποία με απλά λόγια θα μπορούσε να περιγραφεί ως "το πεδίο μελέτης που δίνει στους υπολογιστές την ικανότητα να μαθαίνουν χωρίς να έχουν ρητά προγραμματιστεί".

Από την πρώτη στιγμή ο κλάδος της Φαρμακευτικής αποτέλεσε και συνεχίζει να αποτελεί έναν πολύ σημαντικό χώρο διερεύνησης και εφαρμογής των δυνατοτήτων που παρέχουν η Επιστήμη Δεδομένων και η Μηχανική Μάθηση.

Παρά το “νεαρόν” της ηλικίας της η ΕΔ έχει να επιδείξει εντυπωσιακά αποτελέσματα σε πολλούς επιστημονικούς και επιχειρηματικούς κλάδους αλλά και στην καθημερινότητά μας, όπως για παράδειγμα:

- Στην πάταξη του οικονομικού εγκλήματος, όπως πχ στην εύρεση συναλλαγών που γίνονται με κλεμένες πιστωτικές κάρτες.

- Την εξέλιξη των μηχανών αναζήτησης όπως το google που είναι πλέον ικανές να απαντούν σωστά σε ερωτήσεις του τύπου “ποιό είναι το πλησιέστερο φαρμακείο;”

- Τη μεγάλη αύξηση στη δυνατότητα “ερμηνείας” ή “κατανόησης” και αυτόματης εξαγωγής πληροφοριών από εικόνες, πχ η δυνατότητα του facebook να αναγνωρίζει τα πρόσωπα σε μια φωτογραφία και να επισημαίνει αυτόματα το όνομά τους.

- Τη δυνατότητα μέσω των ηλεκτρονικών χαρτών να περιηγηθούμε εικονικά αλλά και να λάβουμε πληροφορίες για κάθε σχεδόν σημείο του πλανήτη.

- Τη δυνατότητα να δώσουμε φωνητικές εντολές στο smartphone ή την τηλεόρασή μας και αυτή να τις “κατανοήσει” και να εκτελέσει την αντίστοιχη λειτουργία

Ακόμη πιο εντυπωσιακά επιτεύγματα της ΕΔ προβλέπεται να αλλάξουν δραματικά τη ζωή μας μέσα στα επόμενα χρόνια, όπως πχ η αυτόματη διάγνωση ασθενειών με μικρή ή και καθόλου βοήθεια από ιατρικό προσωπικό.

Η σημασία της Επιστήμης Δεδομένων και της Μηχανικής Μάθησης για τη Φαρμακευτική

Το κόστος ανάπτυξης ενός νέου φαρμάκου ανέρχεται σε περίπου 2.6 δις δολλάρια, με αυξητικές τάσεις, ενώ το χρονικό διάστημα από τη δημιουργία του έως την τελική του κυκλοφορία είναι κατά μέσο όρο 12 χρόνια.

Αποτελεί πρόκληση αλλά και αναγκαιότητα όχι μόνο για την φαρμακευτική βιομηχανία αλλά και για την ίδια την κοινωνία αυτά τα δύο μεγέθη, κόστος ανάπτυξης φαρμάκου και χρόνος μέχρι την τελική του διάθεση στο κοινό, να μειωθούν.

Η εφαρμογή της Επιστήμης Δεδομένων και της Μηχανικής Μάθησης στον χώρο της φαρμακευτικής έρευνας και τεχνολογίας δίνει τη δυνατότητα παραγωγής σκευασμάτων καινοτόμων, στοχευμένων και όσο το δυνατόν πιο ασφαλών με το παράπλευρο όφελος ότι το κόστος ανάπτυξης δεν είναι ανάγκη να κυμαίνεται σε υπερβολικά ύψη.

Επιστήμη Δεδομένων Ένας Νεοσύστατος Κλάδος και η Σημασία του στην Φαρμακευτική 2

Οι δυνατότητες που παρέχει η μηχανική μάθηση ήδη συναντώνται σε πολλούς κλάδους της Φαρμακευτικής, από την έρευνα, την ανάπτυξη και τη μαζική παραγωγή φαρμάκων έως την Φαρμακοεπαγρύπνηση.

Πιο συγκεκριμένα οι εφαρμογές της ΜΜ περιλαμβάνουν:

- Την αξιοποίηση δημόσιων ή ιδιωτικών πηγών δεδομένων για τον εντοπισμό των ιδανικότερων υποψηφίων για συμμετοχή σε κλινικές μελέτες.

- Την ανάπτυξη μεθόδων για αποτελεσματικότερη εξαγωγή πληροφοριών από την πληθώρα των δεδομένων που συλλέγονται κατά τη διεξαγωγή μεγάλης κλίμακας πειραμάτων διαλογής (Ηigh-Throughput Screening - HTS).

- Την αυτόματη “καθοδήγηση” λογισμικού Αναγνώρισης Προτύπων (Pattern Recognition) για την πρόβλεψη προβλημάτων και την αποτροπή αστοχιών κατά την παραγωγική διαδικασία φαρμάκων.

- Την Ανάλυση Συστάδων (Cluster Analysis) για την επισήμανση ανεπιθύμητων επιδράσεων στην Φαρμακοεπαγρύπνηση.

Ένα “μειονέκτημα” της ΜΜ είναι ότι συχνά, ενώ λύνει αποτελεσματικά το ζητούμενο πρόβλημα, δεν δίνει απάντηση στο “γιατί”, δηλαδή παράγει ικανοποιητικό αποτέλεσμα το οποίο ωστόσο δεν είναι σε θέση να κατανοήσει ή να ερμηνεύσει ο ανθρώπινος παράγοντας.

Το γεγονός αυτό μερικές φορές δυσχεραίνει την αποδοχή της ΜΜ, ειδικότερα από στελέχη που δεν είναι εξοικιωμένα με τις σχετικές τεχνικές.

Αν και στο παρελθόν το χαρακτηριστικό αυτό περιόρισε σε κάποιο βαθμό την εξάπλωση της ΜΜ, τελευταία οι επιστήμονες και τα στελέχη των επιχειρήσεων, παρακινούμενοι από τα χειροπιαστά οφέλη της ΜΜ, έχουν αρχίσει να συμβιβάζονται με το γεγονός ότι η ανθρώπινη εφυία και κατανόηση αποτελεί το κύριο, αλλά όχι το μοναδικό όπλο στη φαρέτρα επιστήμης και τεχνολογίας.

Η αποτελεσματική εφαρμογή της ΜΜ στον τομέα της φαρμακευτική προϋποθέτει ένα κάπως διαφορετικό σύνολο δεξιοτήτων από αυτό που συνήθως συναντάται στον χώρο της υγείας, η οποία κατά την άποψη ορισμένων αντιμετωπίζει έτσι και αλλιώς μια σχετική έλλειψη κατάρτισης στους χώρους της πληροφορικής και της στατιστικής/μαθηματικών.

Η παροχή κινήτρων, που θα στρέψει ταλαντούχο ανθρώπινο δυναμικό με εξειδίκευση στη ΜΜ και την Επιστήμη Δεδομένων προς τον χώρο της υγείας, είναι ίσως η απάντηση σε αυτή την έλλειψη στελεχών.

Σε τελική ανάλυση οι επιστήμες υγείας και η φαρμακευτική έχουν μεγαλύτερη σπουδαιότητα σε μια ανθρώπινη κοινωνία απ’ ότι πχ το μάρκετινγκ, η διαφήμιση και οι χρηματαγορές, κλάδοι οι οποίοι λόγω των ελκυστικών αποδοχών που προσφέρουν απορροφούν παραδοσιακά κατά κόρο ικανά στελέχη της Επιστήμης Δεδομένων,.

Επιστήμη Δεδομένων και Ελληνικό Φαρμακείο: Δυνατότητες και Προοπτικές

Ο χώρος της λιανικής πώλησης φαρμάκων και παραφαρμάκων δημιουργεί έναν πολύ σημαντικό όγκο δεδομένων, ο οποίος αν και μπορεί να αξιοποιηθεί ποικιλόμορφα μέσω της ΕΔ, στην Ελλάδα κατά κανόνα μένει προς το παρόν αναξιοποίητος.

Υπάρχουν κάποιες διεθνείς εταιρείες με παραρτήματα στην ελλάδα που δραστηριοποιούνται στη συλλογή δεδομένων πώλησης από τα φαρμακεία, όπως η QuintilesIMS και η Pharmacy Insights Hellas, οι οποίες ωστόσο δεν κάνουν γνωστά τα αποτελέσματα των αναλύσεων των στοιχείων που συλλέγουν στο ευρύ κοινό ή στα φαρμακεία, παρά μόνο στους πελάτες τους, κυρίως φαρμακευτικές εταιρείες.

Σχετικά πρόσφατα (2014) ο ΠΦΣ ίδρυσε την ΕΤΕΣΤΑ (Εταιρεία Στατιστικής Έρευνας και Ανάπτυξης).

Πρόκειται για έναν οργανισμό που αυτή τη στιγμή βρίσκεται στη φάση της οργάνωσης και θα δραστηριοποιείται στον “τομέα συλλογής, επεξεργασίας και διαχείρισης ανώνυμων δεδομένων και μεταδεδομένων” από τα φαρμακεία της ελληνικής επικράτειας με στόχο να αξιοποιεί τα αποτελέσματα της διαχείρισης των δεδομένων αυτών.

Ένα βασικό κομμάτι αξιοποίησης των “ακατέργαστων”, ανωνυμοποιημένων δεδομένων που θα συλλέγει η ΕΤΕΣΤΑ από τα φαρμακεία, σε πρώτη τουλάχιστον φάση, θα είναι η πώλησή τους προς τους ενδιαφερόμενους φορείς.

Πιστεύουμε ωστόσο ότι ακόμη περισσότερα οφέλη από τη λειτουργία της ΕΤΕΣΤΑ, σε οικονομικό και επιχειρηματικό επίπεδο, θα προκύψουν αν καταστεί δυνατή η επεξεργασία, ανάλυση και εξόρυξη γνώσης από τα δεδομένα με τη χρήση πόρων του ίδιου του οργανισμού, δηλαδή της ΕΤΕΣΤΑ.

Κάτι τέτοιο αποτελεί έναν στόχο μεγαλεπίβολο ίσως, αλλά σίγουρα επιτεύξιμο, και μέσα στους ιδρυτικούς σκοπούς της εταιρείας, με την προϋπόθεση φυσικά της κατάλληλης οργάνωσης και στελεχωσής της.

Ιδανικά, η ΕΤΕΣΤΑ μέσω της ανατροφοδότησης των στοιχείων που λαμβάνει απο τα φαρμακεία και την “μετατροπή” τους σε επιχειρηματική γνώση (business insights) θα μπορούσε να καταστεί ένας πόλος σταθερότητας και ανάπτυξης για το σύγχρονο ελληνικό φαρμακείο, ανάλογος της ευεργετικής δράσης που είχε η δημιουργία των συνεταιρισμών φαρμακείων σε παλιότερες εποχές.

Δυνατότητες αξιοποίησης της ΕΔ και της ΜΜ για το Φαρμακείο της Κοινότητας

Πέρα από τα άμεσα ή έμμεσα οικονομικά οφέλη που μπορεί να έχει η προσφορά των δεδομένων πωλήσεων φαρμάκων και παραφαρμάκων σε εξειδικευμένους φορείς, τα οφέλη της ΕΔ και της ΜΜ μπορούν να γίνουν άμεσα χειροπιαστά στην ποικιλόμορφη και απαιτητική καθημερινότητα του φαρμακείου της κοινότητας.

Mε την ενσωμάτωση των σύγχρονων τεχνικών ερμηνείας δεδομένων και ΜΜ στο λογισμικό του φαρμακείου μπορούν να επιτευχθούν τα παρακάτω:

- Στοχευμένη διαχείριση πελατών μέσω κατηγοριοποίησης (Clustering).

- Η κατηγοριοποίηση των πελατών σε “υποπληθυσμούς” με διακριτά χαρακτηριστικά και ανάγκες είναι μια από τις σημαντικότερες εφαρμογές της ΜΜ.

Χρησιμοποιείται ήδη με μεγάλη επιτυχία για προωθητικές ενέργειες, διασταυρώμενες πωλήσεις (cross-selling) και αναβάθμιση/μεγιστοποίηση της πώλησης (upselling σε καταναλωτικά αγαθά και τραπεζοοικονομικά προϊόντα.

Ο χώρος του φαρμακείου μπορεί να θεωρηθεί ως ιδανικός για την εφαρμογή και αξιοποίηση της αυτοματοποιημένης κατηγοριοποίησης πελατών δεδομένου ότι υπάρχει μεγάλος όγκος και ποικιλομορφία δεδομένων για κάθε πελάτη μέσα από την ιστορικότητα πωλήσεων φαρμάκων και παραφαρμάκων.

Τα παραπάνω δεδομένα είναι σε μεγάλο βαθμό αποθηκευμένα έτσι και αλλιώς στη βάση δεδομένων που χρησιμοποιεί το λογισμικό λιανικών πωλήσεων και εκτέλεσης ηλεκτρονικών συνταγών του φαρμακείου. 

- Κλασσικό παράδειγμα εφαρμογής των παραπάνω είναι η αυτόματη επισήμανση πελατών που εμφανίζουν μεγάλη πιθανότητα να “εγκαταλείψουν” το φαρμακείο μας και η δημιουργία στοχευμένων ενεργειών για να αποτρέψουν κάτι τέτοιο, όπως πχ εκπτώσεις, δώρα, προσφορές, καλύτερη εξυπηρέτηση.

- Πρόβλεψη ζήτησης μέσω πολυπαραγοντικής ανάλυσης και δημιουργία προτάσεων για παραγγελία συγκεκριμένων κωδικών ή κατηγοριών προϊόντων (πχ αντιηλιακά)

- Ενεργή διαχείριση αποθήκης για ελαχιστοποίηση αποθεμάτων με προδραστική δημιουργία προτάσεων παραγγελίας (πχ παραγγελία σκευάσματος 1-2 ημέρες πριν το ζητήσει ο πελάτης).

Τα παραπάνω, και πολύ περισσότερα, είναι κάποια από τα άμεσα οφέλη που μπορεί να καρπωθεί το ακομη και το μικρομεσαίο φαρμακείο και να αξιοποιήσει την πληθώρα των δεδομένων που είναι έτσι και αλλιώς αποθηκευμένα για τους πελάτες του στη βάση δεδομένων του λογισμικού διαχείρισης φαρμακείου που χρησιμοποιεί.

Κωνσταντίνος Κωστίκας, Φαρμακοποιός, MSc Information Systems, PhD MachineLearning

 

Με την περιήγησή σας στο pharmamanage.gr αποδέχεστε την χρήση cookies.