Get fresh updates from Hortonworks by email

Once a month, receive latest insights, trends, analytics, offering information and knowledge of the Big Data.

cta

Comece a Usar

nuvem

Pronto para começar?

Baixar sandbox

Como podemos ajudá-lo?

fecharBotão Fechar
cta

Analítica de Big Data Analytics para o setor farmacêutico
e análises clínicas

nuvem Hortonworks é um líder. Leia o Forrester Wave.

Baixar relatório

Finding the cure for inaccessible data

What happens when the data you need is hidden in silos, or when billions of dollars are riding on drug testing data you can’t access? How do you see a long-term view of 10 billion records to understand biological response to drugs? Researchers turn to Hortonworks for advanced analytics on integrated translational data and to gain a holistic view of their pharmaceutical data.

Libere a força dos dados farmacêuticos

Integração do Big Data, colaboração interna e externa, apoio à decisão de carteira, ensaios clínicos mais eficientes, tempo de colocação no mercado mais rápido, melhorias nos rendimentos, mais segurança – são apenas alguns dos grandes benefícios que empresas farmacêuticas de todo o mundo alcançam ao extraírem todo a força dos seus dados.

casos de uso

Merck otimiza rendimentos de vacina: esforçar-se pelo "Lote de Ouro"

A Merck otimizou os rendimentos de suas vacinas por meio da análise de dados de produção para isolar as variáveis ​​preditivas mais importantes visando um "lote de ouro". Os líderes da Merck por muito tempo confiaram na produção Lean para aumentar os volumes e reduzir os custos, mas tornou-se cada vez mais difícil descobrir outras maneiras de melhorar os rendimentos. Eles olharam para o Open Enterprise Hadoop em busca de novos insights que pudessem reduzir ainda mais os custos e aumentar o rendimento. A Merck recorreu à Hortonworks para a descoberta de dados em registros de 255 lotes de uma vacina que de 10 anos atrás. Esses dados foram distribuídos em 16 sistemas de manutenção e gestão de edifícios e incluíram dados de sensores precisos sobre as configurações de calibração, pressão do ar, temperatura e umidade. Depois de agrupar todos os dados na Hortonworks Data Platform e processar 15 bilhões de cálculos, a Merck obteve novas respostas para as perguntas que fez por uma década inteira. Entre centenas de variáveis, a equipe da Merck conseguiu detectar aquelas que otimizaram o rendimento. A empresa começou a aplicar essas lições às suas outras vacinas, com um foco no fornecimento de medicamentos de qualidade com o menor preço possível. Assista à entrevista de Doug Henschen, da InformationWeek, com George Llado, da Merck.


Minimizando o desperdício ao longo do processo de produção de medicamentos

Um cliente farmacêutico da Hortonworks usa a HDP para ter uma visão única de sua cadeia de abastecimento e sua autodeclarada "guerra contra o desperdício". A equipe de operações somou os ingredientes que compõem seus medicamentos, e comparou o resultado com o produto físico que era transportado. Foi descoberta uma grande diferença entre os dois e, por isso, lançaram a Guerra contra o Desperdício, usando a HDP para identificar para onde esses recursos valiosos estavam indo. Após identificação das causas do desperdício, alertas em tempo real na HDP notificam a equipe quando estão correndo risco de exceder os limites predeterminados.


Translational Research: transformando estudos científicos em medicamentos personalizados

O objetivo da Translational Research é aplicar os resultados da pesquisa laboratorial para melhorar a saúde humana. O Hadoop capacita pesquisadores, médicos e analistas para liberar insights de dados translacionais, a fim de realizar programas de medicina baseados em evidências. As fontes de dados da pesquisa translacional são complexas e, normalmente, estão presas em silos de dados; dessa forma, os cientistas encontram dificuldade na obtenção de uma visão integrada e holística dos dados. Outros desafios giram em torno da latência dos dados (o atraso na obtenção de dados carregados em armazenamentos de dados tradicionais), lidando com tipos de dados não estruturados e semiestruturados e fazendo uma ponte entre a falta de análise de colaboração entre os grupos de tradução e de desenvolvimento clínico. Os pesquisadores estão recorrendo Open Enterprise Hadoop como uma plataforma confiável e econômica para realizar analíticas avançadas sobre dados translacionais integrados. A HDP permite que grupos translacionais e clínicos combinem dados importantes a partir de fontes como: "ômica" (genômica, proteômica, perfis de transcrição etc.); dados pré-clínicos; cadernos de laboratório eletrônico; armazém de dados clínicos; dados de imagem de tecidos; sensores e dispositivos médicos; fontes de arquivo (como Excel e SAS); literatura médica. Com o Hadoop, os analistas podem construir uma visão holística que os ajude a entender a resposta biológica e os mecanismos moleculares de compostos ou medicamentos. Também podem descobrir biomarcadores para usá-los em P&D e em ensaios clínicos. Finalmente, podem ter certeza de que todos os dados serão armazenados para sempre, em seu formato nativo, para serem analisados nas múltiplas aplicações futuras.


Sequenciamento de nova geração

Os sistemas de TI não podem armazenar e processar economicamente dados de sequenciamento de nova geração (NGS). Por exemplo, os resultados de sequenciamento primários estão em formato de imagem grande e são muito caros para serem armazenados no longo prazo. Falta flexibilidade nas soluções pontuais para acompanhar as mudanças nas metodologias analíticas e, muitas vezes, personalizá-las e preservá-las geralmente é muito caro. O Open Enterprise Hadoop supera esses desafios ajudando pesquisadores e cientistas de dados a liberar insights de dados do NGS, preservando os resultados brutos em uma plataforma confiável e de baixo custo. Os cientistas de NGS estão descobrindo os benefícios do processamento e análise em larga escala entregues pelos componentes da HDP, como o Apache Spark. Pesquisadores farmacêuticos estão usando o Hadoop para ingerir facilmente diversos tipos de dados de fontes externas de dados genéticos, como TCGA, GenBank e EMBL. Outra vantagem clara da HDP em relação ao NGS é que os pesquisadores têm acesso a moderníssimas ferramentas de bioinformática, construídas especificamente para o Hadoop. Dessa forma, é possível analisar vários formatos de dados de NGS, organizar leituras e combinar resultados. Isso leva o NGS ao próximo nível por meio de: processamento em de grandes conjuntos de dados NGS; integração dos dados sequenciais internos com os externos disponíveis publicamente; armazenamento de dados permanente para grandes arquivos de imagem, em seu formato nativo; economias significativas de custos referentes ao processamento e armazenamento de dados

A HDP usa dados do mundo real para apresentar evidências do mundo real

Real-World Evidence (RWE) promises to quantify improvements to health outcomes and treatments, but this data must be available at scale. High data storage and processing costs, challenges with merging structured and unstructured data, and an over-reliance on informatics resources for analysis-ready data have all slowed the evolution of RWE. With Hadoop, RWE groups are combining key data sources, including claims, prescriptions, electronic medical records, HIE, and social media, to obtain a full view of RWE. Analysts are unlocking real insights and delivering advanced analytic insights via cost-effective and familiar tools such as SAS® ,R®, TIBCO™ Spotfire®, or Tableau®. RWE through Hadoop delivers value with optimal health resource utilization across different patient cohorts, a holistic view of cost/quality tradeoffs, analysis of treatment pathways, competitive pricing studies, concomitant medication analysis, clinical trial targeting based on geographic & demographic prevalence of disease, prioritization of pipelined drug candidates, metrics for performance-based pricing contracts, drug adherence studies, and permanent data storage for compliance audits.

Acesso perpétuo a dados brutos de pesquisas anteriores

HDP Uses Real-World Data to Deliver Real-World Evidence
Real-World Evidence (RWE) promises to quantify improvements to health outcomes and treatments, but this data must be available at scale. High data storage and processing costs, challenges with merging structured and unstructured data, and an over-reliance on informatics resources for analysis-ready data have all slowed the evolution of RWE. With Hadoop, RWE groups are combining key data sources, including claims, prescriptions, electronic medical records, HIE, and social media, to obtain a full view of RWE. Analysts are unlocking real insights and delivering advanced analytic insights via cost-effective and familiar tools such as SAS:registered: ,R:registered:, TIBCO:tm: Spotfire:registered:, or Tableau:registered:. RWE through Hadoop delivers value with optimal health resource utilization across different patient cohorts, a holistic view of cost/quality tradeoffs, analysis of treatment pathways, competitive pricing studies, concomitant medication analysis, clinical trial targeting based on geographic & demographic prevalence of disease, prioritization of pipelined drug candidates, metrics for performance-based pricing contracts, drug adherence studies, and permanent data storage for compliance audits.