作者 | CDA数据分析师

在过去的五年中，我们已经与医疗保健和制药业的许多领导者进行了交谈，而对于AI而言，医疗保健和制药业领导者报告的最紧迫的挑战是他们不确定如何简化和构建数据结构。一种让他们建立机器学习模型的方式。医疗保健公司陷入了其潜在的AI计划的数据整合阶段，而一个又一个的供应商试图将其出售给该公司可能还没有准备就绪的新应用程序。

人工智能和机器学习项目可能需要几个月的时间才能启动。如果有的话，许多制药公司在发布AI产品后半年或更长的时间内就不会看到投资回报率。因此，对于制药公司而言，重要的是清理并存储其数据，以使其“可机读”，并随时准备将其输入到机器学习算法中。无论公司内部生产还是从AI供应商处购买产品，这都可能为他们节省时间和金钱（甚至数千美元）。

腾讯医疗大数据实验室主任Chenzhig Chen在接受我们的采访时说，在医疗行业应用机器学习时处理数据（并将其数字化）的重要性：

如果您查看该行业，你会发现数据还不存在，数字化还没有准备好。因此，对于AI来说，要使真正的大数据真正腾飞，这个基础必须要有所准备。在大数据领域，我们通常会说您80％的时间或研究花费在数据上，然后20％的时间实际上在模型，算法上。

没有数据和数字化的基础，这很难，或者几乎不可能从中获得真正的模型……如果没有数字化，而没有整个过程在线和数字化，您将如何实现或将如何实现？人工智能带回企业的价值？

在此报告中，我们讨论了制药公司如何能够汇总和清除其大量数据，以便它们可以利用它来解决业务问题并通过AI改善运营，包括：

• 将数据集中到数据科学项目和机器学习培训中
• 预处理非结构化数据，以便机器学习模型可以识别和“学习”数据
• 在数据科学和预测分析中利用集中化和重组的数据进行营销

我们从数据集中开始我们的报告。

数据集中化

制药公司的结构化大数据可能存储在某种数据仓库中。制药公司还可以在许多地方存储非结构化数据，本质上是本质上不是机器可读的数据，例如匿名电子病历（EMR）记录和医学扫描数据库。许多软件供应商提供服务来帮助制药公司以一种允许将其馈送到机器学习算法的方式来理解其所有传入数据流。通常，进入制药行业的公司似乎也提供API或类似的集成，从而允许客户在云或公司计算机上运行机器学习模型。

提供大数据集中化解决方案的供应商通常也在AI和数据分析市场中。他们倾向于提供与数据集中化分开的数据分析解决方案（例如预测分析），但是某些产品可能包括两者。在制药行业中，这些供应商最常要求解决的业务问题是临床试验优化和药物发现。

向药品公司提供数据集中化解决方案的一家供应商是GrayMatter。他们还提供了一个平台，用户可以在该平台上可视化商业智能分析。GrayMatter没有提供任何案例研究来显示制药公司通过其软件获得的成功， 但该公司将辉瑞和Strides Arcolab列为过去的客户。我们选择在此报告中讨论GrayMatter，因为他们的团队似乎很有可能具有AI和机器学习方面的经验，这对于希望使用GrayMatter解决方案来集中其数据以供机器学习使用的制药公司来说是个好兆头。

例如，在GrayMatter平台上集中和结构化数据可能有助于制药公司更有效地分析匿名的EMR记录，从而缩小可能的患者范围，以进行临床试验。

诸如此类的数据集成咨询和服务适用于需要集中其数据以便为他们可能要使用的任何类型的AI解决方案做好准备的公司。在下一部分中，我们将讨论制药公司大数据的预处理以及如何为特定的机器学习用例准备数据。

数据预处理

在将所有必要数据集中之后，制药公司可能需要准备某些数据集以用于AI和机器学习计划。制药公司的非结构化数据可能包括药物分子成像或EMR数据。例如，此类数据需要先进行标记，然后再输入到深度学习算法中，以寻求“学习”以对未标记图像进行分类或填写空白EMR表单。

对于来自MRI或高级显微镜的成像数据，必须根据机器学习模型要检测的对象和实体对每个图像进行电子标记。例如，将需要训练显微血液成像软件以辨别不同类型的血细胞以及每个图像中存在多少个血细胞。还可以训练用于血液成像的机器学习模型，以检测血液中某些药物或治疗的不良反应和不良反应。

EMR数据通常由医师书写或指示。记录包括有关患者及其患病经历的详细信息，以及这些疾病的过去用药和治疗方法以及患者对这些疾病的反应方式。定位与临床试验资格相关的患者信息的自然语言处理应用程序是目前制药业AI的重要解决方案之一。

如果公司想要构建或购买自然语言处理应用程序以筛选IDC-10代码的匿名EMR记录，以查找可能适合临床试验的患者，则EMR记录需要标记为包含特定IDC-例如10个代码或其他代码。BioSymetrics是一家提供数据组织和标签，清洁以及来自不同来源的生物医学和医疗数据分析的供应商。他们的Augusta应用程序使用机器学习来加快在诸如药物发现，临床试验优化和精密医学等业务领域中部署AI应用程序的过程。

据称，BioSymetrics的SymetryML机器学习引擎可以评估原始数据的必要处理方法，以便在进一步的机器学习开发和AI应用中使用。可以将原始数据格式化为图像，基因组统计数据，流数据和观察到的化合物。

SymetryML可以处理来自MRI和fMRI的医学成像数据。它还可以处理来自EKG的数字数据，遗传学，蛋白质组学和来自FitBit或智能手表等可穿戴设备的IoT数据。机器学习模型还能够处理EMR格式的信息，从而使其能够组合来自各种非结构化来源的数据以开发更好的产品和处理方法。

将化合物数字化表示为数据时，将用字母数字字符串表示该文本，可以将其保存以备将来识别并用于机器学习模型训练。这些文本链是通过数学公式找到的，该数学公式可以拍摄分子的图像和图形表示并将其转变为唯一的代码行。这些代码被称为IUPAC化学标识符（IChIs）。

图：脑部扫描显示受基因变异影响的区域

BioSymetrics在其网站上没有任何演示或案例研究，但提供了有关其软件如何帮助制药和生命科学公司的示例。这些例子之一突出了奥古斯塔（Augusta）如何在12分钟内分析155名患者中与某种疾病相关的120万患者变异。然后，该公司能够比较其遗传变异的医学图像属性。 图2突出显示了大脑的不同区域，这些区域受个体是否具有遗传变异的影响更大。

图：由Biosymetrics提供的具有和不具有基因变异的患者的比较

该示例指出，在分析中发现其中一种遗传变异与自闭症有显着关联。然后，该公司据称可以根据大脑各个区域内的偏差，确定与给定疾病相关的不同病症之间的差异，以及谁拥有和没有该变异。

药品营销大数据

大数据在制药行业中发挥特别重要作用的领域是向医疗保健网络，零售商和客户销售其产品和治疗方法。开展新的营销活动，跟踪ROI和销售统计数据以及管理销售团队，都是可以利用利用大数据的AI解决方案解决的所有业务问题。

与药品营销中的数据科学计划最相关的数据源如下：

• 有关单个产品，地理销售地区和零售商的销售数据
• 近期和历史市场情况，例如某一区域对一种产品的需求增加而对其他产品的需求下降。
• 过去营销活动，项目和实验的数据，以及这些活动所产生的投资回报率
• 销售团队绩效数据按员工个人及其相关经验逐项列出
• 基于客户的数据分为人口统计数据，并按每个客户的期望持续价值进行细分。

这些不同类型的数据可能需要使用大型数据存储设备以及可能的机器学习解决方案（例如GrayMatter的解决方案）进行集中化。另外，可能需要对来自过去营销活动的书面信息和历史市场状况信息进行预处理，以便机器学习模型能够识别它。尚不清楚以前提到的BioSymetrics解决方案是否能够处理这些特定类型的营销数据。

Complexica是一家澳大利亚软件供应商，提供称为Larry the Digital Analyst的预测分析解决方案。据称该软件能够为销售率，市场投资和市场状况（例如季节性需求的上升和下降）创建预测模型。还要进行广告宣传，以根据区域的大小，将哪些销售代表分配给哪个区域以及每个区域的地理位置来优化销售区域映射。

图：Larry，数字分析师的价值主张

数字分析师Larry充当Complexica的AI平台，因为它是他们每个商业智能解决方案的AI部分。左图详细说明了Complexica软件解决方案中的哪些软件利用了数字分析师Larry背后的机器学习模型。尚不清楚Complexica的电子商务推荐引擎产品是否也利用了实际的AI推荐引擎，该引擎需要与数字分析师Larry的预测分析能力分开存在。

尽管该公司没有任何案例研究，但他们与辉瑞公司合作以帮助他们对销售，营销投资和营销条件进行建模，在AI领域引起了极大关注。辉瑞选择了Complexica的假设仿真器和优化器作为他们的分析解决方案，这使他们能够利用其营销和销售数据来告知他们的业务决策。

显然，制药公司拥有的大数据存储可用于开发有用的机器学习模型，以改善制药业务运营。尽管营销是利用企业数据的最清晰的业务领域，但制药公司也可以将其精细的医学数据用于临床试验和药物发现。