W pharma i biotech wartość nie leży już w pojedynczym wyniku, tylko w tym, czy potrafisz połączyć dane z wielu badań, prób i laboratoriów w jeden, analizowalny obraz. Dla dyrektora R&D czy data leada problemem rzadko jest brak danych. Problemem jest to, że dane kliniczne i badawcze są rozproszone po dziesiątkach systemów, formatów i zespołów, a każda analiza zaczyna się od żmudnego sklejania tego z powrotem.
Z naszego doświadczenia najtrudniejsze nie jest samo przechowywanie danych, tylko zbudowanie powtarzalnej integracji w środowisku regulowanym, z zachowaniem jakości i śladu audytowego. To obszar, w którym dostarczamy kompetencje, a nie gotowy produkt z półki: obsadzamy projekt ludźmi z data engineeringu, bioinformatyki i big data, którzy pracowali już w rygorach pharma i biotech.
Dlaczego dane kliniczne i badawcze są tak rozproszone i trudne?
Bo powstają w wielu miejscach, w różnym czasie i według różnych standardów:
- systemy EDC i CTMS gromadzą dane z prób klinicznych w swoich własnych schematach,
- laboratoria i aparatura produkują wyniki w formatach instrumentów, nie w formacie analityka,
- zespoły badawcze trzymają dane w arkuszach, notatnikach i lokalnych bazach,
- partnerzy zewnętrzni (CRO, laboratoria kontraktowe) dostarczają dane w jeszcze innych strukturach.
Efekt jest taki, że ta sama zmienna bywa opisana na kilka sposobów, a połączenie danych pochłania więcej czasu niż sama analiza. Integracja zaczyna się więc od uporządkowania znaczenia danych, nie od samego kopiowania plików.
Jak przechwytywać dane z badań i prób klinicznych?
Projektujemy przechwytywanie danych tak, żeby błąd nie wchodził na wejściu, bo później kosztuje najwięcej:
- walidacja przy wprowadzaniu, zamiast czyszczenia danych po fakcie,
- standaryzacja do uznanych modeli (np. CDISC/SDTM) już na etapie zbierania,
- automatyczne pobieranie z EDC, urządzeń i systemów laboratoryjnych przez API,
- metadane i kontekst próbki zapisywane razem z wynikiem, a nie dołączane ręcznie.
Dzięki temu dane wpływają do systemu w formie, którą da się od razu łączyć i analizować, a nie w formie, którą trzeba najpierw ratować.
Jak integrować dane z wielu źródeł w jeden spójny zbiór?
Spinanie źródeł to serce całego problemu. Budujemy warstwę integracyjną, która zamienia chaos w jeden model:
- pipeline’y ETL/ELT pobierające, transformujące i ładujące dane ze wszystkich źródeł,
- wspólny model danych i słowniki ujednolicające znaczenie zmiennych,
- centralne repozytorium (hurtownia lub data lake) jako jedno źródło prawdy,
- wersjonowanie i śledzenie pochodzenia (data lineage), żeby wiadomo było, skąd wzięła się każda wartość.
Taki fundament pozwala dokładać kolejne źródła bez przepisywania całości i daje badaczom dane, którym mogą zaufać.
Jak zorganizować wymianę danych laboratoryjnych?
Laboratorium to osobny świat formatów i aparatury, dlatego traktujemy je jako dedykowany strumień:
- integracje z LIMS i systemami zarządzania próbkami,
- parsowanie wyników instrumentów do ustandaryzowanej postaci,
- mapowanie identyfikatorów próbek, pacjentów i partii między systemami,
- kontrola kompletności, żeby żaden wynik nie zgubił się po drodze.
Stawiamy na automatyczną wymianę tam, gdzie dotąd królował eksport do pliku i mail, bo to właśnie tam najczęściej powstają błędy i opóźnienia.
Jak przygotować kohorty i zbiory danych pod analizy?
Analityk i biostatystyk potrzebują danych gotowych do pracy, a nie surowego zrzutu. Dlatego przygotowujemy warstwę analityczną:
- definiowalne kohorty budowane na podstawie kryteriów włączenia i wyłączenia,
- zbiory analityczne (analysis-ready datasets) w ustalonym, powtarzalnym kształcie,
- pseudonimizacja i anonimizacja tam, gdzie wymaga tego ochrona danych,
- dokumentacja zbioru, żeby każdy wiedział, co dokładnie zawiera i jak powstał.
Chodzi o to, żeby droga od pytania badawczego do zbioru danych liczyła się w godzinach, nie w tygodniach.
Jak budować pipeline’y wyników statystycznych?
Powtarzalność analiz jest w środowisku regulowanym wymogiem, nie wygodą. Automatyzujemy więc drogę od danych do wyniku:
- zautomatyzowane pipeline’y w R i Pythonie, uruchamiane na stałych zbiorach,
- wersjonowany kod analiz, żeby wynik dało się odtworzyć po miesiącach,
- raporty i tabele generowane z danych, a nie składane ręcznie,
- środowiska obliczeniowe skalujące się pod duże zbiory i modele.
Taki pipeline sprawia, że ponowne przeliczenie po korekcie danych jest kwestią uruchomienia procesu, a nie kolejnego tygodnia pracy.
Jak zapewnić jakość i zgodność danych w środowisku regulowanym?
W pharma i biotech jakość i zgodność nie są dodatkiem, tylko warunkiem dopuszczenia wyniku. Wpinamy je w sam pipeline:
- ślad audytowy każdej zmiany danych (kto, kiedy, co),
- kontrole jakości (walidacje, reguły spójności) uruchamiane automatycznie,
- kontrola dostępu i ról, zgodna z zasadami ochrony danych pacjentów,
- zgodność z wymogami typu GxP, GDPR czy 21 CFR Part 11 wbudowana w proces, nie dopisywana na końcu.
Dzięki temu dane są nie tylko połączone, ale też obronne przed audytem.
Jakie kompetencje dostarczamy do projektu danych w pharma?
Dobieramy skład pod konkretną specyfikę pracy z danymi klinicznymi i badawczymi:
- inżynierowie danych budujący pipeline’y, hurtownie i integracje,
- bioinformatycy rozumiejący dane biologiczne i ich kontekst,
- specjaliści big data obsługujący duże, złożone zbiory,
- analitycy i programiści R/Python współtworzący warstwę wyników.
Nasze zespoły big data i bioinformatyki pracowały już w regulowanym środowisku pharma i biotech, więc wchodzą w projekt z gotowym rozumieniem jego rygorów, a nie uczą się ich po drodze.
Gdzie wchodzi warstwa AI, jeśli zdecydujesz się na nią później?
AI dokłada wartość dopiero wtedy, gdy dane są już uporządkowane, dlatego traktujemy ją jako warstwę opcjonalną na dojrzałym fundamencie:
- modele predykcyjne na ustandaryzowanych, połączonych zbiorach,
- przeszukiwanie i strukturyzacja danych tekstowych (np. dokumentacji badawczej),
- wsparcie analityka w eksploracji dużych zbiorów.
Nie zaczynamy od AI. Zaczynamy od danych, którym można zaufać, bo bez nich każdy model powiela te same braki.
Jak robimy to w RITS?
Robimy to jako partner nearshore z Polski, z realnym doświadczeniem w projektach danych i w środowisku regulowanym:
- obsadzamy projekt zespołem data engineeringu, bioinformatyki i big data dobranym pod specyfikację,
- kompetencje weryfikujemy przed startem, a nie liczymy na to, że dopasują się w trakcie,
- spinamy przechwytywanie, integrację i analizę w jedną, utrzymywalną całość,
- pracujemy w zbliżonej strefie czasowej, więc zespół wchodzi w rytm pracy bez długiego rozruchu.
Najczęściej robimy to w modelu wzmocnienia zespołu lub zespołu dedykowanego, bo rozwój platformy danych to praca ciągła, a nie jednorazowe wdrożenie. Różnice między modelami opisaliśmy w artykule o modelach współpracy IT.
Od czego zacząć zbieranie i integrację danych klinicznych?
Zacznij od jednego, najbardziej bolesnego połączenia danych (np. spięcia wyników laboratoryjnych z danymi z prób) i od pytania, jaki zbiór analityczny ma z tego powstać. To wyznacza zakres integracji, model danych i role, których potrzebujesz. Od tego punktu platforma danych rośnie świadomie, a nie przez doklejanie kolejnych eksportów.
Zbierasz i integrujesz dane kliniczne lub badawcze? Porozmawiajmy, dobierzemy zespół i architekturę pod Twoje dane.