Get fresh updates from Hortonworks by email

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

cta

Erste Schritte

Cloud

Sind Sie bereit?

Sandbox herunterladen

Wie können wir Ihnen helfen?

SchließenSchaltfläche „Schließen“
cta

Big-Data-Analytics für die Pharmabranche
und klinische Studien

Cloud Hortonworks ist ein führendes Unternehmen. Lesen Sie die Forrester Wave.

Bericht herunterladen

Ein Heilmittel für unzugängliche Daten

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 in the pharmaceutical industry turn to Hortonworks for advanced big data analytics on integrated translational data and to gain a holistic view of their pharmaceutical data.

Das volle Potenzial von Pharmadaten

Big Data integration, pharmaceutical big data analytics, internal and external collaboration, portfolio decision support, more efficient clinical trials, faster time to market, improved yields, improved safety - these are just a few of the benefits pharmaceutical companies around the world achieve by tapping into the full power of their pharma big data.

Anwendungsfälle

Merck optimiert die Erträge bei der Impfstoffherstellung: Der Weg zum „goldenen Batch“

Merck optimiert seine Impfstofferträge durch die Analyse von Herstellungsdaten, um die wichtigsten Prognosevariablen für eine sogenannte „goldene Charge“ zu erhalten. Die Führungskräfte von Merck haben lange Zeit auf die schlanke Produktion gesetzt, um das Volumen zu steigern und die Kosten zu senken. Allerdings wurde es zunehmend schwerer, Möglichkeiten zur Steigerung der Erträge zu finden. Daher beschloss das Unternehmen, sich Open Enterprise Hadoop näher anzuschauen, um neue Analysen zu erhalten, mit denen sich Kosten weiter reduzieren und Erträge optimieren lassen. Merck entschied sich für Hortonworks als Lösung für die Datenidentifizierung aus 255 Chargen eines Impfstoffes aus den letzten 10 Jahren. Diese Daten verteilten sich auf 16 Wartungs- und Building-Management-Systeme und umfassten auch genaue Sensordaten zu den Kalibrierungseinstellungen, dem Luftdruck, der Temperatur und der Feuchtigkeit. Nach der Bündelung all dieser Daten auf der Hortonworks Data Platform und der Verarbeitung von 15 Milliarden Berechnungen erhielt Merck neue Antworten auf Fragen, die dem Unternehmen bereits seit einem Jahrzehnt Kopfzerbrechen bereiteten. Unter Hunderten Variablen konnte das Merck-Team diejenigen ausmachen, die für einen optimalen Ertrag sorgen. Das Unternehmen übernahm die neuen Erkenntnisse gleich für die anderen Impfstoffe. Das Ziel: Die Produktion hochwertiger Medikamente zum niedrigstmöglichen Preis. Schauen Sie sich das Interview von Doug Henschen (InformationWeek) mit George Llado von Merck an.


Ausschuss-Minimierung bei der Herstellung von Medikamenten

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.


Translationsforschung: Von wissenschaftlichen Studien zu individualisierter Medizin

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.


Die nächste Generation der Sequenzierung

IT systems cannot economically store and process next generation sequencing (NGS) data. For example, primary sequencing results are in large image format and are too costly to store over the long term. Point solutions have lacked the flexibility to keep up with changing analytical methodologies, and are often expensive to customize and maintain. Open Enterprise Hadoop overcomes those challenges by helping data scientists and researchers unlock insights from NGS data while preserving the raw results on a reliable, cost-effective platform. NGS scientists are discovering the benefits of large-scale processing and analysis delivered by HDP components such as Apache Spark. Pharmaceutical researchers are using Hadoop to easily ingest diverse data types from external sources of genetic data, such as TCGA , GENBank , and EMBL. Another clear advantage of HDP for NGS is that researchers have access to cutting-edge bioinformatics tools built specifically for Hadoop. These enable analysis of various NGS data formats, sorting of reads, and merging of results. This takes NGS to the next level through: Batch processing of large NGS data sets Integration of internal with publically available external sequence data Permanent data storage for large image files, in their native format Substantial cost savings on data processing and storage.

HDP nutzt echte Daten für echte Belege

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. With big data analytics in the pharmaceutical industry, analysts are unlocking real insights and delivering advanced 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.

Dauerhafter Zugriff auf Rohdaten aus früheren Studien

HDP nutzt echte Daten für echte Belege („Real-World Evidence“)
Real-World-Evidence (RWE) verspricht Messbarkeit von Verbesserungen bei gesundheitlichen Resultaten und Behandlungen, aber diese Daten müssen in großem Umfang verfügbar sein. Die hohen Kosten für die Datenspeicherung und -verarbeitung, Herausforderungen bei der Zusammenfassung von strukturierten und unstrukturierten Daten und die übermäßige Abhängigkeit von Informatikressourcen für analysefertige Daten haben die Entwicklung von RWE ausgebremst. Mit Hadoop können RWE-Gruppen wichtige Datenquellen wie Beschwerden, Verschreibungen, elektronische Krankenakten, ausgetauschte Gesundheitsdaten und Social-Media-Informationen miteinander kombinieren, um einen kompletten Einblick in RWE zu erlangen. Analysten erhalten echte Statistiken und können fortgeschrittene analytische Ergebnisse über kosteneffektive und ihnen bekannte Tools wie SAS®, R®, TIBCO™ Spotfire® oder Tableau® bereitstellen. Die folgenden Vorteile erwarten Sie bei RWE über Hadoop: Optimale Nutzung der Gesundheitsressourcen aus verschiedenen Patientengruppen, ganzheitlicher Einblick in Kosten-/Qualitätskonflikte, Analyse von Behandlungspfaden, Studien zu wettbewerbsfähigen Preisen, parallele Medikamentenanalyse, klinische Studien anhand der geographischen & demographischen Verbreitung einer Krankheit, Priorisierung von bestimmten Medikamentenempfängern, Metriken für leistungsbasierte Preisverträge, Studien zur Arzneimitteladhärenz und permanente Datenspeicherung für Konformitätsprüfungen.