Как коммерческие данные меняют фармацевтическую аналитику

Коммерческие данные становятся новым источником доказательств: почему фармкомпании начинают анализировать не только пациентов, но и разговоры

От клинических доказательств к пониманию поведения рынка

Современная фармацевтическая индустрия научилась собирать огромные объемы медицинских данных. Клинические исследования показывают эффективность и безопасность препарата в строго контролируемых условиях, а данные реальной клинической практики позволяют понять, как лекарство работает после выхода на рынок, когда его получают самые разные категории пациентов.

Однако между успешным клиническим исследованием и широким использованием препарата существует еще один важный этап. Даже если лекарство зарегистрировано, врачи могут не до конца понимать его преимущества, пациенты — опасаться лечения, а система здравоохранения — сталкиваться с организационными барьерами.

Именно этот промежуток долгое время оставался плохо измеримым.

По мнению авторов публикации Fierce Pharma, коммерческие подразделения традиционно оценивали эффективность своей работы по косвенным показателям — количеству показов материалов, переходов на сайты, открытий электронных писем или частоте контактов медицинских представителей. Такие показатели позволяют оценить активность коммуникации, но почти ничего не говорят о том, насколько аудитория действительно поняла информацию или какие вопросы остались без ответа. Эти идеи изложены в спонсорском аналитическом материале, опубликованном при поддержке Veeva Ostro. При этом концепция отражает более широкий отраслевой интерес к использованию искусственного интеллекта для анализа неструктурированных данных.

Что подразумевают под Commercial Evidence

Под коммерческими доказательствами понимают систематизированный анализ естественных разговоров и текстовых сообщений, возникающих в процессе взаимодействия участников рынка.

Источниками таких данных могут быть:

• вопросы врачей;
• обращения пациентов;
• переписка через цифровые сервисы;
• диалоги с навигаторами пациентов;
• комментарии сотрудников полевых команд;
• сообщения служб поддержки;
• свободные текстовые заметки вместо заранее заданных форм.

Главная особенность подобных данных заключается в том, что люди используют собственные формулировки, а не отвечают на заранее подготовленные вопросы анкеты.

Именно поэтому такие сведения долгое время практически не анализировались: они были слишком разнообразными для классических информационных систем.

Почему искусственный интеллект изменил ситуацию

За последние несколько лет большие языковые модели и современные методы обработки естественного языка значительно улучшили способность компьютеров работать с неструктурированным текстом.

Если раньше тысячи разговоров невозможно было качественно обработать вручную, то сегодня системы искусственного интеллекта способны автоматически:

• распознавать речь;
• переводить разговоры в текст;
• выделять повторяющиеся темы;
• определять наиболее частые причины непонимания;
• группировать похожие вопросы;
• выявлять различия между регионами, специальностями врачей или этапами лечения.

В результате компании получают не просто статистику посещаемости сайта, а информацию о том, какие именно препятствия возникают на пути пациента к терапии.

Важно понимать, что речь идет не о замене клинических доказательств. Искусственный интеллект анализирует коммуникацию, а не оценивает эффективность самого препарата.

Почему это может изменить коммерциализацию лекарств

Вывод нового препарата на рынок — один из самых дорогих этапов жизненного цикла лекарства. Даже после получения разрешения регуляторов успех зависит от множества факторов:

• понимают ли врачи механизм действия препарата;
• знают ли они, каким пациентам он подходит;
• возникают ли вопросы по безопасности;
• существуют ли сложности с возмещением стоимости лечения;
• достаточно ли информации получают сами пациенты.

Во многих случаях проблемы становятся заметны только спустя месяцы после запуска препарата.

Авторы концепции считают, что анализ естественных коммуникаций способен обнаруживать такие сигналы значительно раньше, позволяя быстрее корректировать образовательные материалы, информационные кампании и программы поддержки пациентов.

Речь идет не только о маркетинге

На первый взгляд может показаться, что Commercial Evidence — исключительно маркетинговый инструмент. Однако его потенциальное применение значительно шире.

Полученные данные могут использоваться для:

• разработки образовательных программ для врачей;
• совершенствования материалов для пациентов;
• выявления наиболее сложных этапов маршрута пациента;
• анализа причин отказа от терапии;
• улучшения работы служб поддержки;
• оценки эффективности цифровых сервисов.

Фактически речь идет о попытке сделать коммерческие решения столь же основанными на данных, как давно стали клинические исследования.

Ограничения нового подхода остаются существенными

Несмотря на привлекательность концепции, важно понимать ее ограничения.

Во-первых, анализ разговоров не показывает медицинскую эффективность препарата. Он отражает восприятие информации участниками процесса.

Во-вторых, результаты сильно зависят от качества исходных данных. Если коммуникации собираются неполно или представлены только отдельными каналами, выводы могут оказаться смещенными.

В-третьих, использование подобных данных требует строгого соблюдения требований по защите персональной информации, конфиденциальности пациентов и нормативных требований разных стран.

Наконец, публикация Fierce Pharma носит спонсорский характер и отражает точку зрения компании, продвигающей соответствующую технологию. Поэтому концепцию следует рассматривать как отраслевое направление развития, а не как уже доказанный новый стандарт коммерциализации лекарств.

Более широкий отраслевой тренд — переход к анализу неструктурированных данных

Интерес к Commercial Evidence вписывается в более масштабные изменения, происходящие в биофармацевтической отрасли.

Компании уже активно используют искусственный интеллект для анализа лабораторных данных, данных реальной клинической практики, электронных медицинских карт и научных публикаций. Следующим шагом становится работа с теми массивами информации, которые раньше практически невозможно было анализировать автоматически: свободным текстом, разговорами и перепиской.

По мере развития технологий именно такие источники могут помочь понять не только то, работает ли препарат, но и почему он иногда не используется даже тогда, когда способен принести пользу пациенту.

Почему за этим направлением стоит следить

Для пациентов подобные технологии потенциально означают более понятные образовательные материалы и лучше организованные программы сопровождения лечения.

Для врачей они могут помочь быстрее получать ответы на наиболее частые практические вопросы и устранить информационные пробелы, возникающие при внедрении новых методов терапии.

Для фармацевтических компаний это означает переход от оценки количества маркетинговых контактов к анализу качества понимания информации. Если подход действительно подтвердит свою эффективность, коммерческие подразделения смогут принимать решения на основе объективных данных о возникающих затруднениях, а не только на основании традиционных показателей цифрового маркетинга.

При этом ключевой вопрос остается открытым: насколько подобные системы действительно улучшат доступ пациентов к эффективной терапии и смогут ли они продемонстрировать измеримое влияние на клинические и экономические результаты. Ответ на него станет понятен только после накопления независимого опыта использования таких технологий.