Get fresh updates from Hortonworks by email

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

cta

Get Started

nube

¿Está preparado para empezar?

Descargue sandbox

¿Cómo podemos ayudarle?

cerrarBotón de cerrar
cta

Big Data Analytics for the Pharmaceutical Industry
and Clinical Trials

nube Hortonworks is a leader. Read the Forrester Wave.

Download Report

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.

Desbloquear el poder de los datos farmacéuticos.

La integración de los macrodatos, la colaboración interna y externa, el apoyo a las decisiones, los ensayos clínicos más eficientes, una colocación en el mercado más rápido, un rendimiento mejorado, una mejor seguridad - estos solo son algunos de los beneficios de las empresas farmacéuticas de todo el mundo que logran explotando todo el poder de sus datos. /tr>

Use Cases

Merck optimiza los rendimientos de las vacunas: luchando por el "lote de oro"

Merck optimiza su rendimiento de vacunas mediante el análisis de los datos de fabricación para aislar las variables predictoras más importantes para un "lote de oro". Los líderes de Merck pendían del tiempo de fabricación para aumentar los volúmenes y reducir los costes, pero se convirtió en cada vez más difícil descubrir maneras adicionales de mejorar los rendimientos. Utilizaron Open Enterprise Hadoop para las nuevas ideas que podían reducir más los costes y mejorar los rendimientos. Merck se dirigió a Hortonworks para el descubrimiento de datos en registros de 255 lotes de una vacuna que se remontan a 10 años. Esos datos se han distribuido a través de 16 sistemas de mantenimiento y de gestión de edificios e incluía datos de los sensores precisos en configuración de calificaciones, presión de aire, temperatura y humedad. Después de agrupar todos los datos en Hortonworks Data Platform y procesar 15 mil millones de cálculos, Merck tenía nuevas respuestas a las preguntas que había estado pidiendo durante una década. Entre cientos de variables, el equipo de Merck fue capaz de detectar aquellas que optimizaban el rendimiento. La empresa procedió a aplicar estas lecciones a sus otra vacunas, con un enfoque en el suministro de fármacos de calidad al precio más bajo posible. Vea la entrevista de InformationWeek de Dough Henschen con George Llado de Merck.


Minimizar los residuos en todo el proceso de fabricación de medicamentos

Uno de los clientes de farmacia de Hortonworks utiliza HDP para una sola vista de su cadena de suministro y su autoproclamada "guerra de los residuos". El equipo de operaciones sumó los ingredientes que componían sus fármacos y los compararos con el producto físico que enviaban. Encontraron una gran brecha entre los dos valores e iniciaron su lucha contra los residuos, utilizando HDP para identificar dónde iban esos recursos valiosos. Una vez que identificaron las causas fundamentales de los residuos, las alertas en tiempo real en HDP notifican al equipo cuándo están en riesgo de superar los umbrales predeterminados.


Investigación traslacional: convertir estudios científicos en medicina personalizada

El objetivo de la investigación tradicional es aplicar los resultados de una investigación de laboratorio en mejorar la salud humana. Hadoop permite a los investigadores, médicos y analistas desbloquear puntos de vista de los datos de traslación para impulsar los programas de medicina basados en la evidencia. Las fuentes de datos para la investigación traslacional son complejos y, por lo genera, están encerrados en silos de datos, haciendo que sea difícil que los científicos obtengan una visión integrada y holítisca de sus datos. Otros desafíos giran en torno a la latencia de datos (el retraso en conseguir datos cargados en almacenes tradicionales), manejando datos no estructurados y semi-estructurados, y reduciendo la falta de análisis en colaboración entre la traducción y los grupos de desarrollo clínico. Los investigadores se dirigen a Open Enterprise Hadoop como una plataforma rentable y fiable para realizar análisis avanzados de datos de traslación integrados. HDP permite a los grupos traslacionales y clínicos combinar datos clave desde cuentes tales como: ómica (genómica, proteómica, transcripción de perfiles, etc.), datos preclínicos, notas de laboratorio, datos clínicos, datos de imagen de tejidos, dispositivos médicos y sensores de archivos (como Excel y SAS). Con literatura médica, a través de Hadoop, los analistas pueden construir vistas holísticas que les ayudan a entender la respuesta biológica y el mecanismo molecular de los compuestos o fármacos. También son capaces de descubrir biomarcadores para utilizar en investigaciones y ensayos clínicos. Por último, pueden estar seguros de que todos los datos se almacenan para siempre, en su formato nativo, para el análisis con múltiples aplicaciones futuras.


Secuenciación de próxima generación

Los sistemas IT no pueden almacenar económicamente y procesar datos de secuenciación de próxima generación (NGS). Por ejemplo, los resultados de secuenciación primarios están en formato de imagen y son demasiado costosos para almacenar a largo plazo. Las soluciones puntuales han carecido de la flexibilidad necesaria para mantenerse al día con el cambio de metodologías analíticas, y son a menudo, costosos de personalizar y mantener. Open Enterprise Hadoop supera los retos ayudando a los científicos e investigadores de datos a desbloquear ideas de los datos NGS al mismo tiempo que conservan los resultados en bruto en una plataforma fiable y rentable. Los científicos NGS están descubriendo los beneficios del procesamiento y el análisis a gran escala de los componentes integrados por HDP tales como Spark Apache. Los investigadores farmacéuticos están utilizando Hadoop para ingerir fácilmente diversos tipos de datos de fuentes externas de datos genéticos como TCGA, GENBank y EMBL. Otra clara ventaja de HDP para NGS es que los investigadores tengan acceso a herramientas bioinformáticas de vanguardia construidas específicamente para Hadoop. Estos permiten el análisis de los diversos formatos de datos NGS, seleccionando lecturas y fusionando resultados. Esto lleva a NGS al siguiente nivel a través del procesamiento por lotes de grandes conjuntos de datos NGS, integración del interior con secuencias de datos disponibles públicamente, almacenamiento de datos permanente para grandes archivos de imagen, en su formato nativo, importantes ahorros en procesamiento y almacenamiento.

HDP utiliza los datos del mundo real para entregar evidencia del 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.

Acceso perpetuo a datos brutos de investigaciones previas

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.