Pharma · Pharmakovigilanz und Marktbeobachtung
Arzneimittelsignale in Texten, die kein Team vollständig lesen konnte
Ein globales Schweizer Pharmaunternehmen musste enorme Mengen mehrsprachiger medizinischer Texte, Social-Media-Beiträge und Patientenrückmeldungen auswerten: unerwünschte Arzneimittelereignisse finden, medizinische Begriffe erkennen, die Marktstimmung messen. Wir haben die NLP-Pipeline gebaut, die übernimmt, was Teams bis dahin von Hand erledigten, in fünf Sprachen.
Ergebnisse
Kunde: Globales Schweizer Pharmaunternehmen (unter NDA)
Ein multinationaler Pharmakonzern mit Geschäft in europäischen und globalen Märkten. Das Unternehmen steht unter NDA und wird deshalb hier nicht genannt.
- Branche
- Pharma
- Anwendungsfall
- Pharmakovigilanz und Textanalyse
- KI-Ansatz
- NLP, Named Entity Recognition, Sentimentanalyse
- Datenquelle
- Medizinische Notizen, soziale Medien, Online-Beiträge
- Sprachen
- DE, EN, FR, IT, ES
- Projektumfang
- Mehrphasige Umsetzung mit einem Partner
Kurz gefasst
Was im unstrukturierten Text verborgen lag
- Pharmakovigilanz- und Marktdaten steckten in Millionen unstrukturierter Texte in fünf Sprachen: Patientenrückmeldungen, Notizen von Fachpersonal, soziale Medien, regulatorische Dokumente.
- Teams prüften und klassifizierten diese Texte von Hand, unter strengen Anforderungen an Genauigkeit und Compliance, und die Arbeit wuchs nicht mit der Menge mit.
- Die Pipeline erkennt medizinische Begriffe, entfernt Patienten- und Ärztedaten, findet unerwünschte Ereignisse in Online-Beiträgen und verfolgt die Stimmung rund um eine Markteinführung.
- Jede Stufe ist von Grund auf DSGVO-konform gebaut, denn gerade die sensiblen Gesundheitsdaten hatten die Automatisierung so schwierig gemacht.
Die Ausgangslage
Die Aufgabe
Kritische Pharmakovigilanz- und Marktdaten steckten in Millionen unstrukturierter Texte in fünf Sprachen. Die manuelle Prüfung kam nicht hinterher, und sensible Gesundheitsdaten machten die Automatisierung anspruchsvoll: Jede Pipeline musste von Anfang an DSGVO-konform sein.
In der Arzneimittelentwicklung und Marktüberwachung ist die Textmenge enorm: Patientenrückmeldungen, Notizen medizinischer Fachleute, Diskussionen in sozialen Medien, regulatorische Dokumente. In diesem Unternehmen prüften und klassifizierten Teams all das von Hand, in fünf Sprachen, unter strengen Anforderungen an Genauigkeit und Compliance.
Das war langsam, uneinheitlich und nicht skalierbar.
Gleichzeitig lagen die entscheidenden Signale, unerwünschte Arzneimittelereignisse, eine kippende Stimmung rund um ein neues Medikament, Hinweise auf unbekannte Nebenwirkungen, in unstrukturiertem Text verborgen, den kein Team realistisch vollständig lesen konnte.
Der Bau
Was wir gebaut haben
Gemeinsam mit unserem Partner haben wir eine Reihe miteinander verbundener NLP-Fähigkeiten geliefert, jede für eine bestimmte Lücke im Textanalyse-Ablauf des Kunden.
Medizinische Begriffe in fünf Sprachen erkennen
Die automatische Erkennung von Medikamentennamen, Wirkstoffen, Darreichungsformen und verwandten Begriffen in allen fünf Sprachen. Pharmazeutische Nomenklatur ist ein Problem für sich: Das System kennt Markennamen, Generika und die umgangssprachlichen Bezeichnungen, die Patienten tatsächlich verwenden.
Erst anonymisieren, dann analysieren
Patienten- und Ärztedaten mussten raus, bevor irgendeine Analyse beginnen konnte. Automatische Anonymisierungspipelines entfernen personenbezogene Informationen aus medizinischen Notizen und Unterlagen. Erst das macht die nachgelagerte Analyse möglich und DSGVO-konform.
Nebenwirkungen in öffentlichen Beiträgen finden
Wir haben einen Ansatz entwickelt, der unerwünschte Ereignisse zu bestimmten Medikamenten erkennt, indem er online veröffentlichte Meinungen und Beiträge auswertet. Damit wechselt die Pharmakovigilanz von reaktiver manueller Prüfung zu proaktivem Monitoring und erfasst Signale, die ein manueller Prozess ganz übersehen hätte.
Die Stimmung rund um eine Markteinführung
Ein Sentiment-Tracking über Social-Media-Kanäle zeigt, wie ein Medikament vor und während seiner Markteinführung wahrgenommen wird: wie Patienten, Pflegende und Fachpersonal tatsächlich darüber sprechen, statt wie eine Umfrage es vermuten lässt.
Vorverarbeitung für echte Texte
All das musste mit fünf Sprachen umgehen und mit dem Zustand, in dem Social-Media-Text ankommt: Abkürzungen, Umgangssprache, medizinischer Slang, uneinheitliche Formatierung. Eigene Vorverarbeitungs- und NLP-Algorithmen normalisieren und deuten diese Varianten zuverlässig.
Was sich geändert hat
Das Ergebnis
Vorher
Manuelle Prüfung mehrsprachiger medizinischer Texte. Unerwünschte Ereignisse wurden reaktiv erkannt, wenn überhaupt, soziale Medien nicht systematisch beobachtet, und DSGVO-Konformität wurde von Fall zu Fall geklärt.
Nachher
Automatische Pipelines in fünf Sprachen, proaktive Erkennung unerwünschter Ereignisse, Sentiment-Tracking in Echtzeit und eine De-Identifikation, die in jede Stufe eingebaut ist.
Das Unternehmen kann medizinische Daten jetzt in einem Umfang verarbeiten, der mit manuellen Abläufen unmöglich war, und unbekannte unerwünschte Ereignisse werden automatisch in Online-Quellen gefunden.
Die Häufigkeit bekannter unerwünschter Ereignisse lässt sich mit Daten aus dem echten Leben abgleichen, statt sich allein auf klinische Berichte zu stützen.
Die Teams einer Markteinführung sehen, wie ein Medikament öffentlich besprochen wird, während es passiert. Das verkürzt die Zeit zwischen einer aufkommenden Sorge und der Reaktion darauf.
Alles läuft in einem Rahmen, der den Datenschutz der Patienten von Grund auf achtet. Die automatische De-Identifikation macht DSGVO-Konformität zu einer Eigenschaft jeder Pipeline, nicht zu einem Schritt, an den jemand denken muss.
Fragen zu diesem Projekt
Pharmakovigilanz und Textanalyse. Kritische Pharmakovigilanz- und Marktdaten steckten in Millionen unstrukturierter Texte in fünf Sprachen. Die manuelle Prüfung kam nicht hinterher, und sensible Gesundheitsdaten machten die Automatisierung anspruchsvoll: Jede Pipeline musste von Anfang an DSGVO-konform sein.
Deutsch, Englisch, Französisch, Italienisch, Spanisch: 5 Sprachen. Unerwünschte Ereignisse aus unstrukturierten Online-Quellen: Automatisiert. Vollständige De-Identifikation von Patienten- und Ärztedaten: DSGVO. Marktstimmung vor und während einer Markteinführung: Echtzeit.
NLP, Named Entity Recognition, Sentimentanalyse. Eingesetzte Technik: Natural Language Processing, Named Entity Recognition, Sentimentanalyse, Text-De-Identifikation, Mehrsprachiges NLP, Erkennung unerwünschter Ereignisse, Social-Media-Analyse, Python.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
Dienstleistungen · Datenschutz und DSGVO
Personenbezogene Daten entfernt, bevor die Analyse sie überhaupt sieht
Mehr lesen
Gesundheitswesen · Krankenhausbetrieb
Patientendaten automatisch anonymisiert, auf den Servern der Klinik
Mehr lesen
Telekommunikation · Call-Center-Betrieb