Farmacja · Farmakowigilancja i analiza rynku
Sygnały bezpieczeństwa leków w tekstach, których nikt nie przeczyta w całości
Globalny szwajcarski koncern farmaceutyczny musiał przetwarzać ogromne ilości wielojęzycznych tekstów medycznych, wpisów w mediach społecznościowych i opinii pacjentów, szukając w nich działań niepożądanych leków, pojęć medycznych i zmian nastrojów na rynku. Zbudowaliśmy pipeline NLP, który w pięciu językach zautomatyzował pracę wykonywaną dotąd ręcznie przez zespoły.
Kluczowe rezultaty
Klient: Globalny szwajcarski koncern farmaceutyczny (objęty NDA)
Międzynarodowy koncern farmaceutyczny działający na rynkach europejskich i globalnych. Firma jest objęta NDA, dlatego nie podajemy jej nazwy.
- Branża
- Farmacja
- Zastosowanie
- Farmakowigilancja i analiza tekstu
- Podejście AI
- NLP, rozpoznawanie nazw własnych (NER), analiza sentymentu
- Źródło danych
- Notatki medyczne, media społecznościowe, wpisy online
- Języki
- DE, EN, FR, IT, ES
- Współpraca
- Realizacja wieloetapowa, wspólnie z partnerem
W skrócie
Co kryło się w nieustrukturyzowanych tekstach
- Dane do farmakowigilancji i analizy rynku kryły się w milionach nieustrukturyzowanych tekstów w pięciu językach: w opiniach pacjentów, notatkach lekarzy i personelu medycznego, mediach społecznościowych i dokumentach regulacyjnych.
- Zespoły ręcznie przeglądały i klasyfikowały te teksty przy rygorystycznych wymaganiach dotyczących dokładności i compliance, a ta praca nie nadążała za rosnącym wolumenem.
- Pipeline rozpoznaje pojęcia medyczne, usuwa dane pacjentów i lekarzy, wykrywa działania niepożądane we wpisach online i śledzi nastroje wokół wprowadzenia leku na rynek.
- Każdy etap jest z założenia zgodny z RODO, bo to właśnie wrażliwe dane o zdrowiu sprawiały, że automatyzacja była tu trudna.
Punkt wyjścia
Wyzwanie
Kluczowe dane do farmakowigilancji i analizy rynku kryły się w milionach nieustrukturyzowanych tekstów w pięciu językach. Ręczny przegląd nie nadążał, a wrażliwe dane o zdrowiu utrudniały automatyzację: każdy pipeline od początku musiał być zgodny z RODO.
W rozwoju leków i nadzorze po wprowadzeniu na rynek powstają ogromne ilości tekstów: opinie pacjentów, notatki personelu medycznego, dyskusje w mediach społecznościowych, dokumenty regulacyjne. W tym koncernie zespoły przeglądały i klasyfikowały je ręcznie, w pięciu językach, przy rygorystycznych wymaganiach dotyczących dokładności i compliance.
Trwało to długo, wyniki były niespójne, a procesu nie dało się skalować.
Tymczasem istotne sygnały, czyli działania niepożądane leków, zmiana nastrojów wokół nowego leku czy wzmianka o nieznanym skutku ubocznym, ginęły w nieustrukturyzowanych tekstach, których żaden zespół nie był w stanie realnie przetworzyć w całości.
Budowa
Co zbudowaliśmy
Razem z naszym partnerem dostarczyliśmy kilka powiązanych ze sobą funkcji NLP. Każda z nich zamykała konkretną lukę w procesie analizy tekstów u klienta.
Rozpoznawanie pojęć medycznych w pięciu językach
Automatyczne rozpoznawanie nazw leków, substancji czynnych, postaci leku i pokrewnych terminów we wszystkich pięciu językach. Nazewnictwo farmaceutyczne to osobne wyzwanie: system radzi sobie z nazwami handlowymi, lekami generycznymi i potocznymi określeniami, których pacjenci naprawdę używają we własnych wpisach.
Najpierw deidentyfikacja
Zanim mogła się zacząć jakakolwiek analiza, trzeba było usunąć dane pacjentów i lekarzy. Zautomatyzowane pipeline’y anonimizacji usuwają dane osobowe z notatek i dokumentacji medycznej. Dopiero to sprawia, że dalsza analiza jest w ogóle możliwa i zgodna z RODO.
Działania niepożądane wykrywane w publicznych wpisach
Opracowaliśmy metodę, która rozpoznaje działania niepożądane konkretnych leków na podstawie opinii i wpisów publikowanych w internecie. Dzięki temu farmakowigilancja przechodzi od reaktywnego przeglądu ręcznego do proaktywnego monitorowania i wychwytuje sygnały, które w ręcznym procesie zupełnie by umknęły.
Nastroje wokół wprowadzenia leku
Śledzenie sentymentu w mediach społecznościowych pokazuje, jak lek jest postrzegany przed wprowadzeniem na rynek i w jego trakcie: jak naprawdę mówią o nim pacjenci, opiekunowie i pracownicy ochrony zdrowia, a nie to, co mogliby zadeklarować w ankiecie.
Przetwarzanie wstępne dopasowane do prawdziwych tekstów
Wszystko to musiało działać w pięciu językach i na tekstach z mediów społecznościowych w takiej postaci, w jakiej się pojawiają: ze skrótami, językiem potocznym, medycznym slangiem i niespójnym formatowaniem. Opracowaliśmy algorytmy przetwarzania wstępnego i NLP, które niezawodnie normalizują i interpretują te różnice.
Co się zmieniło
Rezultaty
Przed
Ręczny przegląd wielojęzycznych tekstów medycznych. Działania niepożądane wykrywane reaktywnie, o ile w ogóle. Brak systematycznego monitorowania mediów społecznościowych, a zgodność z RODO zapewniana od przypadku do przypadku.
Po
Zautomatyzowane pipeline’y w pięciu językach, proaktywne wykrywanie działań niepożądanych, śledzenie nastrojów na bieżąco i deidentyfikacja wbudowana w każdy etap.
Firma może teraz przetwarzać dane medyczne w skali, której ręczne procesy nie pozwalały osiągnąć, a nieznane działania niepożądane są automatycznie wychwytywane ze źródeł online.
Częstość znanych działań niepożądanych można porównywać z danymi z rzeczywistej praktyki (real-world data), zamiast opierać się wyłącznie na raportach klinicznych.
Zespoły odpowiedzialne za wprowadzenie leku na rynek widzą na bieżąco, jak publicznie się o nim mówi. Dzięki temu od pojawienia się obaw do reakcji na nie mija mniej czasu.
Całość działa w ramach, które od podstaw chronią prywatność pacjentów. Automatyczna deidentyfikacja sprawia, że zgodność z RODO jest cechą każdego pipeline’u, a nie krokiem, o którym ktoś musi pamiętać.
Pytania o ten projekt
Farmakowigilancja i analiza tekstu. Kluczowe dane do farmakowigilancji i analizy rynku kryły się w milionach nieustrukturyzowanych tekstów w pięciu językach. Ręczny przegląd nie nadążał, a wrażliwe dane o zdrowiu utrudniały automatyzację: każdy pipeline od początku musiał być zgodny z RODO.
Niemiecki, angielski, francuski, włoski, hiszpański: 5 języków. Działania niepożądane leków wykrywane w nieustrukturyzowanych źródłach online: Automatycznie. Pełna deidentyfikacja danych pacjentów i lekarzy: RODO. Nastroje rynkowe przed wprowadzeniem leku i w jego trakcie: Na bieżąco.
NLP, rozpoznawanie nazw własnych (NER), analiza sentymentu. Wykorzystana technologia: Natural Language Processing, Named Entity Recognition, Analiza sentymentu, Deidentyfikacja tekstu, Wielojęzyczne NLP, Wykrywanie działań niepożądanych, Analiza mediów społecznościowych, Python.
Wykorzystana technologia
Porozmawiaj z zespołem, który to zbudował
Odpowiadamy w ciągu jednego dnia roboczego.
Więcej projektów
Usługi profesjonalne · Ochrona danych i RODO
Dane osobowe usunięte, zanim w ogóle trafią do analizy
Czytaj więcej
Ochrona zdrowia · Zarządzanie szpitalem
Automatyczna anonimizacja danych pacjentów na serwerach szpitala
Czytaj więcej
Telekomunikacja · Obsługa call center