Obtenha atualizações recentes da Hortonworks por e-mail

Uma vez por mês, receba os mais recentes insights, tendências, informações analíticas e conhecimentos sobre 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

Encontrando a solução para dados inacessíveis

O que acontece quando os dados que você precisa estão escondido em silos, ou quando bilhões de dólares dependem de dados de testes de drogas aos quais você não tem acesso? Como você enxerga a visão de longo prazo dos 10 bilhões de registros para entender a resposta biológica a drogas? Os pesquisadores da indústria farmacêutica recorrem à Hortonworks para análise avançada de big data em dados de translação integrados e para obter uma visão holística de seus dados farmacêuticos.

Libere a força dos dados farmacêuticos

Integração do Big Data, análise de big data farmacêutico, 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 toda 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

One Hortonworks pharmaceutical customer uses HDP for a single view of its supply chain and their self-declared “War on Waste”. The operations team added up the ingredients going into making their drugs, and compared that with the physical product they shipped. They found a big gap between the two and launched their War on Waste, using HDP big data analytics to identify where those valuable resources were going. Once it identifies those root causes of waste, real-time alerts in HDP notify the team when they are at risk of exceeding pre-determined thresholds.


Translational Research: transformando estudos científicos em medicamentos personalizados

The goal of Translational Research is to apply the results of laboratory research towards improving human health. Hadoop empowers researchers, clinicians, and analysts to unlock insights from translational data to drive evidence-based medicine programs. The data sources for translational research are complex and typically locked in data siloes, making it difficult for scientists to obtain an integrated, holistic view of their data. Other challenges revolve around data latency (the delay in getting data loaded into traditional data stores), handling unstructured and semi-structured types of data, and bridging lack of collaborative analysis between translation and clinical development groups. Researchers are turning to Open Enterprise Hadoop as a cost-effective, reliable platform for managing big data in clinical trials and performing advanced analytics on integrated translational data. HDP allows translational and clinical groups to combine key data from sources such as: Omics (genomics, proteomics, transcription profiling, etc) Preclinical data Electronic lab notebooks Clinical data warehouses Tissue imaging data Medical devices and sensors File sources (such as Excel and SAS) Medical literature Through Hadoop, analysts can build a holistic view that helps them understand biological response and molecular mechanisms for compounds or drugs. They’re also able to uncover biomarkers for use in R&D and clinical trials. Finally, they can be assured that all data will be stored forever, in its native format, for analysis with multiple future applications.


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

A Evidência do Mundo Real (RWE) promete quantificar melhorias nos resultados de saúde e tratamentos, mas esses dados devem estar disponíveis em grande escala. Os altos custos do armazenamento de dados, os desafios referentes a dados não estruturados e estruturados, e um excesso de dependência dos recursos de informática para dados prontos para análise retardaram a evolução da RWE. Com o Hadoop, os grupos de RWE estão combinando fontes de dados-chave, incluindo reivindicações, prescrições, registros médicos eletrônicos, HIE, e redes sociais para obter uma visão completa da RWE. Com a análise de big data na indústria farmacêutica, os analistas estão liberando insights reais e fornecendo insights avançados por meio de ferramentas econômicas e conhecidas, como SAS®, R®, TIBCO™ Spotfire® ou Tableau®. A RWE via Hadoop oferece valor com utilização ideal dos recursos de saúde em diferentes grupos de pacientes, uma visão holística sobre compensações de custo/qualidade, análise de vias de tratamento, estudos de preços competitivo, análise de medicação concomitante, segmentação de ensaios clínicos tendo como base a prevalência geográfica e demográfica da doença, priorização de medicamentos candidatos do pipeline, métricas para contratos de fixação de preços baseada no desempenho, estudos de adesão a medicamentos, armazenamento de dados permanente para auditorias de conformidade.

Acesso perpétuo a dados brutos de pesquisas anteriores

A HDP utiliza dados do mundo real para entregar evidência do mundo real
A Evidência do Mundo Real (RWE) promete quantificar melhorias nos resultados de saúde e tratamentos, mas esses dados devem estar disponíveis em grande escala. Os altos custos do armazenamento e processamento de dados, os desafios referentes a dados não estruturados e estruturados, e um excesso de dependência dos recursos de informática para dados prontos para análise retardaram a evolução da RWE. Com o Hadoop, os grupos de RWE estão combinando fontes de dados-chave, incluindo reivindicações, prescrições, registros médicos eletrônicos, HIE, e redes sociais para obter uma visão completa da RWE. Os analistas estão liberando insights reais e fornecendo insights analíticos avançados por meio de ferramentas econômicas e conhecidas como SAS®, R®, TIBCO™ Spotfire® ou Tableau®. A RWE via Hadoop oferece valor com utilização ideal dos recursos de saúde em diferentes grupos de pacientes, uma visão holística sobre compensações de custo/qualidade, análise de vias de tratamento, estudos de preços competitivos, análise de medicação concomitante, segmentação de ensaios clínicos tendo como base a prevalência geográfica e demográfica da doença, priorização de medicamentos candidatos do pipeline, métricas para contratos de fixação de preços baseada no desempenho, estudos de adesão a medicamentos, e armazenamento de dados permanente para auditorias de conformidade.