Case Studies / Globalna firma farmaceutyczna
FARMACEUTYCZNY · NADZÓR NAD BEZPIECZEŃSTWEM FARMAKOTERAPII I ANALIZA RYNKU
Zautomatyzowana wielojęzyczna analiza tekstu na potrzeby wykrywania zdarzeń niepożądanych
Globalny szwajcarski koncern farmaceutyczny musiał przetwarzać ogromne ilości wielojęzycznych tekstów medycznych, wpisów w mediach społecznościowych i opinii pacjentów – identyfikując niepożądane działania leków, wykrywając podmioty medyczne i oceniając nastroje rynkowe. Zbudowaliśmy potok NLP, który zautomatyzował to, co dotychczas zespoły wykonywały ręcznie.
Klient: Globalny szwajcarski koncern farmaceutyczny (objęty umową NDA) – wielonarodowe przedsiębiorstwo działające na rynkach europejskich i globalnych.
Kluczowe wyniki
5 jęz.
Wielojęzyczny potok: j. niemiecki, angielski, francuski, włoski, hiszpański
Zautomatyzowane
Wykrywanie niepożądanych działań leków z nieustrukturyzowanych źródeł online
RODO
Pełna deidentyfikacja danych pacjentów i lekarzy
W czasie rzeczywistym
Monitorowanie nastrojów rynkowych przed wprowadzeniem leku i w jego trakcie
BRANŻA
Farmaceutyczna
PRZYPADEK UŻYCIA
Nadzór farmakologiczny i analiza tekstu
PODEJŚCIE AI
NLP, NER, analiza sentymentu
ŹRÓDŁA DANYCH
Notatki medyczne, media społecznościowe, wpisy online
JĘZYKI
DE, EN, FR, IT, ES
ZAANGAŻOWANIE
Wieloetapowa realizacja z partnerem
Wyzwanie
W dziedzinie rozwoju leków i nadzoru porejestracyjnego wolumen danych tekstowych jest ogromny – opinie pacjentów, notatki specjalistów medycznych, dyskusje w mediach społecznościowych, dokumenty regulacyjne. W tym globalnym szwajcarskim koncernie farmaceutycznym zespoły przeglądały i klasyfikowały te teksty ręcznie – w pięciu językach, przy rygorystycznych wymaganiach dotyczących dokładności i zgodności z przepisami.
Praca była powolna, niespójna i niemożliwa do skalowania. Tymczasem krytyczne sygnały – niepożądane działania leków, zmiany w nastrojach społecznych wobec nowego leku, wzmianki o nieznanych skutkach ubocznych – były ukryte w nieustrukturyzowanych tekstach, których żaden zespół nie był w stanie realistycznie przetworzyć w całości.
Kluczowy problem: krytyczne dane dotyczące nadzoru farmakologicznego i wywiadu rynkowego były ukryte w milionach nieustrukturyzowanych tekstów w pięciu językach. Ręczna weryfikacja nie nadążała za wolumenem, a wrażliwe dane zdrowotne sprawiały, że automatyzacja była wyzwaniem – każdy potok musiał być zgodny z RODO od samego początku.
Co zbudowaliśmy
Wspólnie z naszym partnerem dostarczyliśmy szereg wzajemnie powiązanych możliwości NLP – każda z nich wypełniała konkretną lukę w procesie analizy tekstu klienta.
Wykrywanie podmiotów medycznych. Zbudowaliśmy automatyczne rozpoznawanie podmiotów medycznych – nazw leków, substancji czynnych, postaci farmaceutycznych i powiązanych terminów – we wszystkich pięciu językach. System radził sobie z pełną złożonością nomenklatury farmaceutycznej, w tym z nazwami handlowymi, lekami generycznymi i nieformalnymi określeniami stosowanymi w treściach generowanych przez pacjentów.
Deidentyfikacja tekstów medycznych. Zanim możliwa była jakakolwiek analiza, dane pacjentów i lekarzy musiały zostać usunięte. Wdrożyliśmy zautomatyzowane potoki anonimizacji, które usuwały dane osobowe z notatek i dokumentacji medycznej – umożliwiając dalsze analizy przy zachowaniu pełnej zgodności z RODO.
Wykrywanie niepożądanych działań leków. Jeden z najbardziej efektywnych elementów: opracowaliśmy podejście do identyfikowania zdarzeń niepożądanych związanych z konkretnymi lekami poprzez analizę opinii i wpisów publikowanych online. Dzięki temu nadzór farmakologiczny przeszedł od reaktywnego przeglądu ręcznego do proaktywnego monitorowania automatycznego – wychwytując sygnały, które ręczne procesy całkowicie by przeoczyły.
Analiza sentymentu przy wprowadzaniu leków na rynek. Zbudowaliśmy śledzenie sentymentu w kanałach mediów społecznościowych, aby ocenić postrzeganie leku przez opinię publiczną przed i podczas jego wprowadzenia na rynek. Dało to klientowi wywiad rynkowy w czasie rzeczywistym – wgląd w to, jak pacjenci, opiekunowie i pracownicy służby zdrowia faktycznie mówili o jego produktach.
Wielojęzyczne przetwarzanie wstępne. Każda z tych możliwości wymagała solidnej obsługi pięciu języków, w tym specyficznych wyzwań tekstu z mediów społecznościowych: skrótów, języka potocznego, slangu medycznego i niespójnego formatowania. Opracowaliśmy specjalistyczne algorytmy przetwarzania wstępnego i NLP, które mogły niezawodnie normalizować i interpretować te różnice.
Wyniki
PRZED
Ręczny przegląd wielojęzycznych tekstów medycznych. Zdarzenia niepożądane wykrywane reaktywnie – o ile w ogóle. Brak systematycznego monitorowania mediów społecznościowych. Zgodność z RODO rozpatrywana indywidualnie.
PO
Zautomatyzowane potoki przetwarzające teksty w pięciu językach. Proaktywne wykrywanie zdarzeń niepożądanych. Śledzenie sentymentu w czasie rzeczywistym. Wbudowana deidentyfikacja wszystkich danych medycznych.
Firma farmaceutyczna zyskała możliwość przetwarzania danych medycznych na dużą skalę – co wcześniej było niemożliwe przy ręcznych procesach. Nieznane zdarzenia niepożądane mogły być teraz automatycznie wychwytywane ze źródeł online. Częstotliwość znanych zdarzeń niepożądanych można było weryfikować na podstawie danych ze świata rzeczywistego, zamiast opierać się wyłącznie na raportach klinicznych.
Zespoły odpowiedzialne za wprowadzanie leków na rynek uzyskały bezpośredni wgląd w czasie rzeczywistym w to, jak ich leki były publicznie omawiane – co umożliwiło szybszą reakcję na pojawiające się obawy i bardziej świadome decyzje handlowe.
Co najważniejsze, wszystko to odbywało się w ramach systemu, który od podstaw szanował prywatność pacjentów – zautomatyzowana deidentyfikacja zapewniała, że zgodność z RODO nie była kwestią pomyślaną po fakcie, lecz wbudowaną możliwością każdego potoku.
Użyte technologie
Więcej case studies
Zobacz, jak pomogliśmy innym firmom
URZĄD · POLSKA INSTYTUCJA PUBLICZNA (NDA)
Zbudowanie platformy AI automatyzującej monitoring polityczny – od PoC do pełnego rozwiązania
Analitycy public affairs ręcznie śledzili miliony dokumentów politycznych w różnych krajach i językach. Zbudowaliśmy warstwę AI automatyzującą monitoring, analizę i alerty – od pierwszego prototypu do premiery rynkowej.
11
Obszarów wiedzy
3
Dedykowane toole
MEDTECH · APOQLAR
Czas realizacji kwestionariuszy bezpieczeństwa skrócony z miesiąca do tygodnia
Każdy nowy klient szpitalny wymagał wypełnionego kwestionariusza, 8–10 osób, około miesiąca, zbierając odpowiedzi z polityk różnych działów. Teraz asystent AI automatycznie tworzy odpowiedzi, oszczędzając szacunkowo 90 000 $/rok.
-75%
Czas realizacji
$90K
Roczne oszczędności
MEDTECH · APOQLAR
Wirtualny asystent GenAI zastępujący ręczne wyszukiwanie dokumentów
Pracownicy wsparcia spędzali godziny na przeszukiwaniu setek dokumentów produktowych, aby odpowiedzieć na pytania klientów i compliance. Teraz zadają pytania w języku naturalnym i otrzymują odpowiedzi z odniesieniami do źródeł w ciągu sekund.
RAG
Zintegrowany
Zarządzanie kontekstem
Zoptymalizowane