Clinical Trials

La ricerca clinica crea sempre più dati, li stiamo sfruttando al massimo o rischiamo di essere sopraffatti dall’enorme quantità di dati?

Utilizzare i dati come risorsa e sfruttare approcci analitici e cognitivi avanzati nei processi decisionali diventa pertanto il focus per la futura sostenibilità finanziaria nel settore.

Garantendo tempi e costi certi.

Anche utilizzando tecniche di Risk Based Monitoring predittivo, con anomaly detection e predictive modeling.

 USE CASES

  • Site Selection (demo disponibile)
  • Process Mining (demo disponibile)
  • Drop-Out
  • RBM (demo disponibile)

Site Selection

Basato su SAS Viya, un motore di analisi in memoria abilitato per il cloud che fornisce insight analitici rapidi, accurati e affidabili.
Algoritmi ML per identificare i siti che con maggiore probabilità avranno prestazioni migliori o peggiori durante lo studio clinico.  
Elaborazione più rapida di grandi quantità di dati e analisi più complesse, per una gestione degli studi più rapida.

Monitoraggio siti basato sui dati.

Identifica centri che performano meglio nel rispettare i tempi di protocollo.

Migliora la collaborazione nello studio, consentendo una migliore visibilità sui dati critici cross sito, comparando trend e pattern, kpi qualitativi e quantitativi.
Diminuisce i processi manuali, riducendo l’onere per i team di studio e potenzialmente abbassando i costi dello studio.

Process Mining

Individuazione di colli di bottiglia ed inefficienze. Controllo ed ottimizzazione delle diverse fasi di un processo.
Analisi di network, obiettivo evidenziare come si svolge lo studio nelle varie fasi e quindi individuare anomalie.
Genera grafo dove spessore della linea è dato dalla deviazione standard dei tempi di atraversamento. Tempi rispettati, linee basse.
Determina personorso verso EoT = Enf od treatments o EoS = End of Study.
Reports o e analisi a supporto permettono di esplorare i dati
Anche grazie ad alberi decisionali. Decision Tree.
Algortimo si aggiorna con il cambiare dei dati. 

Algoritmo ML di tipo supervisionato, non sempre a scopo previsionale anche di tipo esplorativo.

Drop-Out

Analisi a supporto per prevedere quali e quanti pazienti hanno maggiori probabilità di abbandonare o non seguire i protocolli e le tempistiche dello studio.

Analisi serie storiche, valutazione casistiche per determinare la probabilità di completamento dello studio nei termini e tempi ipotizzati.
Permette di gestire gli studi clinici in modo più efficiente, riduce i costi e minimizza le milestone non raggiunte.
Utilizza algoritmi ML di tipo supervisionato.

RBM

Metodologia Risk Based Monitoring.
Mappa indicatori di performance, di processo e di rischio. Generazione indicatori sintetici e predittivi. Possibile integrazione metodologia BSC.
ata visualization accattivante ed intuitiva, possibilità di navigazione in gerarchia e non.
Utilizzo metodologia Risk Detection, sfruttare la potenza degli algoritmi per prevedere rischio ed andamentifuturi per indicatori di base o sintetici.
Identifica rapidamente modelli, tendenze e relazioni nei dati strutturati e non strutturati.  
Trasforma i dati ed i KPIS in informazioni utilizzabili in tempo reale.
RBM è ormai una metodologia richiesta da anche da FDA Food & Drug Administration.

Alcuni Benefici

Riduce i processi manuali, riducendo l’onere per i gruppi di studio e potenzialmente abbassando i costi dello studio

Migliora la collaborazione, consentendo una migliore visibilità, trasparenza e condivisione dei dati critici e non

Trasforma i dati in informazioni fruibili in tempo reale

Interazione con i dati attraverso una piattaforma centralizzata, facile da usare e basata su cloud

Gestisce gli studi clinici in modo più efficiente, riduce i costi e riduce al minimo gli obiettivi chiave persi

Crea un E-DWH storico e consente l’esecuzione di query di sicurezza cross-trial

 

Visualizza i dati clinici prima dell’invio utilizzando la sicurezza integrata e analisi integrata e di dettaglio o sintesi

 

Principali esigenze indirizzate:

  • L’80% dei ClinOps riferisce di perdere regolarmente le milestones preventivate
  • Di conseguenza, tutti hanno in atto iniziative per migliorare il raggiungimento delle milestones
  • I leader concordano sul fatto che le seguenti quattro iniziative sono cruciali per migliorare il successo e ridurre incidenza ritardi:
    • Studiare le metriche qualitative
    • Lavorare per una qualità continua
    • Monitoraggio basato su indici di rischio
    • Monitoraggio centralizzato e remoto
  • Per ridurre la probabilità di milestones non raggiunte, i leader Clinops si concentrano su tre processi critici:
    • Ingaggio
    • Produttività del sito
    • Conformità dei soggetti
  • Meno del 10% degli intervistati dichiara di avere accesso a strumenti digitali e analitici che consentono l’automazione nel monotoraggio degli studi clinici
  • Inoltre, il 60% riferisce di utilizzare ancora ad oggi semplici fogli di calcolo, compilati manualmente, per gestire i propri processi operativi
  • Riflettendo la mancanza di strumenti adeguati per la gestione degli studi clinici, questi leaders hanno descritto una serie di limitazioni come le principali barriere al miglioramento:
    • Incapacità di indagare in tempo reale
    • Mancanza di visibilità sui dati e sulle azioni intraprese per affrontare i problemi
    • Dati da troppe fonti di dati separate rendono difficile identificare i problemi
  • La maggioranza concorda sul fatto che l’automazione al posto dei processi manuali per la raccolta dei dati, l’analisi e la gestione degli studi è un fattore critico fondamentale per migliorare il raggiungimento della milestone e degli obiettivi come da pianificazione
  • La maggior parte degli intervistati identifica l’aggregazione dei dati in tempo reale tra sistemi infomatici di gestione dello studio come il fattore più importante di qualsiasi soluzione

Prendi appuntamento con il nostro consulente!

Hai domande o desideri maggiori informazioni? Saremmo felici di assisterti personalmente.