aprendizado de máquina planejamento comercial farmácia

Aprendizado de Máquina: Planejamento Comercial em Farmácia


É provável que, se você for um executivo farmacêutico, já tenha dedicado muito tempo e energia para explorar as possibilidades do aprendizado de máquina. Independentemente de você ter sido um proponente ou um cético, as afirmações audaciosas e o entusiasmo constante que cercam o aprendizado de máquina terão atraído sua atenção e desafiado seu pensamento, exigindo que você avalie seu potencial e assuma uma posição sobre sua adequação ao seu negócio.

O aprendizado de máquina representa um salto gigante na análise avançada de dados. A capacidade de integrar fontes de dados do mundo real e criar uma imagem dinâmica de mercados, pacientes, fornecedores com tal profundidade, granularidade e precisão revelou uma enorme mina de ouro de padrões e insights inexplorados que poderiam informar (e potencialmente transformar) estratégias e impulsionar o crescimento. o negócio. Ao criar uma visão dinâmica e multifacetada da paisagem, o aprendizado de máquina permite que os dados falem por si e revelem a história verdadeira, sem preconceitos humanos.

Como o aprendizado de máquina pode transformar o planejamento comercial

Em termos simples, o aprendizado de máquina permite que as equipes analisem todos os dados de uma só vez, implantando um algoritmo para revelar quais são os padrões mais importantes de dados. Estende-se muito além de uma análise linear, oferecendo um entendimento dinâmico do mercado, prestando-se a várias atividades de planejamento, como dimensionamento de mercado, segmentação de pacientes, segmentação, segmentação de provedores, segmentação de pagadores e mensagens, bem como Economia da Saúde e Pesquisa de resultados (HEOR).

Como os pacientes são perfilados de maneira holística e multifacetada, isso nos permite ver que outros diagnósticos eles têm, quais serviços de saúde estão usando, que outros tratamentos estão recebendo e muitas outras características das fontes de dados. Ao construir perfis de pacientes conhecidos, podemos aplicá-los à população geral, para localizar pacientes não diagnosticados. Esta abordagem pode ser particularmente eficaz em populações sub-diagnosticadas.

Um exemplo é o mercado de NASH (esteato-hepatite não-alcoólica), que inclui uma população de pacientes em grande parte inconsciente e assintomática. Em um projeto recente, os especialistas em DRG (Grupo de Diagnósticos Relacionados) implantaram técnicas de aprendizado de máquina com o objetivo de expandir a população NASH além dos pacientes diagnosticados e criar sub-segmentos significativos. Isso exigiu uma análise da progressão para NASH para determinar as principais características entre pacientes em potencial, correspondência de registros de EHR (Registro Eletrônico de Saúde) e reivindicações para construir um perfil de pacientes conhecidos e modelagem de aprendizado de máquina para identificar pacientes não diagnosticados com base em características-chave (isto é, testes de função hepática elevados, comorbidades).

A análise constatou que pelo menos 25% dos pacientes com DHGNA (doença hepática gordurosa não-alcoólica) progrediram para NASH, destacando a verdadeira extensão do sub-diagnóstico dentro da categoria. O aprendizado de máquina permitiu que o cliente construísse quatro segmentos NASH clinicamente distintos, juntamente com três segmentos híbridos. Também foi descoberto um ponto de vista particularmente interessante, a saber, que até 10% dos pacientes com NASH não apresentam características típicas da doença. Em casos como este, onde o caso de uso é apropriado, o aprendizado de máquina pode ser uma ferramenta inestimável para melhor compreensão e suporte da população de pacientes.

Mas nem sempre tem que ser uma batalha entre o aprendizado de máquina e os métodos tradicionais. Há cenários em que é perfeitamente adequado executar a análise antiga porque a questão comercial pode não exigir uma metodologia avançada. Na verdade, há casos em que o aprendizado de máquina pode complicar demais a análise. É importante trabalhar com um parceiro experiente em ciência de dados para determinar a adequação do seu caso.

Exemplos de questões específicas de negócios que o aprendizado de máquina pode responder

Dimensão do mercado

Qual é o tamanho da minha população de pacientes não diagnosticada?

  • Construa um modelo dos pacientes que já conhecemos
  • Validar e construir um modelo otimizado
  • Veja o universo do paciente para identificar pacientes com alta probabilidade de ter a doença

Segmentação do Paciente

Como posso criar segmentos de pacientes em um mercado saturado para uma doença prevalente?

  • Alavancar os dados EHR / sinistros para construir um algoritmo que identifica os perfis de pacientes que ocorrem naturalmente dentro da população de pacientes mais ampla
  • Identificar indicadores clínicos de diferenciação entre os diferentes perfis
  • Aplicar à maior população de doenças para estimar o tamanho dos segmentos de pacientes dentro da população em geral

Targeting

Como posso conseguir pacientes com alta probabilidade de ter uma doença rara específica antes de serem diagnosticados?

  • Construa um modelo dos pacientes que já conhecemos
  • Validar e construir um modelo otimizado
  • Divulgue o universo do paciente para identificar pacientes com alta probabilidade de ter a doença
  • Reúna o universo para alertar os “gatilhos” de pré-diagnóstico dentro dessa população
  • Identificar e enviar mensagens aos provedores de saúde correspondentes dos pacientes

Economia de Saúde e Pesquisa de Resultados (HEOR)

Como posso construir um modelo preditivo HEOR com boa relação custo-benefício que possa alavancar os resultados relatados pelo paciente nos dados do EHR?

  • Integrar reivindicações / dados EHR para construir um modelo exploratório, que nos permite identificar características clínicas que diferenciam pacientes que são bem-sucedidos no tratamento ou que têm altos custo
  • Validar o modelo usando uma amostra extra
  • Aplicar essas características livres de viés para otimizar o desempenho do modelo preditivo
  • Resumir os resultados para publicação na comunidade de saúde em geral

Segmentação do provedor / educação

Como posso determinar quais mensagens são mais eficazes para envolver os profissionais de saúde e direcionar comportamentos, sem recorrer aos vieses de pesquisas preenchidas por médicos?

-Integrar dados de EHR, declarações e comunicações para construir um modelo exploratório que possa identificar padrões de características associados às experiências dos médicos e cursos de ação realizados em resposta a diferentes tipos de mensagens da marca.

  • Identificar indicadores de diferenciação entre os perfis dos provedores
  • Validar e criar um modelo otimizado usando diferentes tipos de mensagens
  • Identificar lacunas e oportunidades de mensagens de marca e otimizá-las de acordo com as características estabelecidas de cada segmento
  • Continuar para avaliar o desempenho do modelo e otimizar os perfis e segmentos do provedor

Análise de vendas de produtos

Como posso descobrir por que meu produto de lançamento está com desempenho abaixo do esperado?

  • Construir um modelo que integre dados de alegações médicas e farmacêuticas
  • Determinar os fatores que afetam uma venda (por exemplo, se os prestadores de serviço a escrevem, se as seguradoras aprovam, se os pacientes estão preenchendo seus roteiros ou se estão tentando apenas uma vez?)
  • Aplique essas características para identificar oportunidades de remoção de obstáculos às vendas e para os provedores de segmentação com mensagens de marca.

O que é preciso para implantar o aprendizado de máquina?

1. Objetivos claros, casos de uso e requisitos de saída

Aprendizado de máquina precisa de direção humana. É fundamental saber o que você quer alcançar, que quebra-cabeça está tentando resolver e como está definindo o paciente. Portanto, você precisará determinar sua pergunta de negócios, entender como você pode abordar o projeto, definir o que será um sucesso e pensar em como implementará suas descobertas.

2. A vontade de abraçar a metodologia

O aprendizado de máquina oferece uma nova maneira de pensar sobre atividades de planejamento comercial e um desvio da sabedoria convencional farmacêutica. Isso requer que você se aproxime com uma mente aberta. Você também deve estar disposto a superar o viés humano – tirar o trabalho de adivinhação da análise não reduz o valor do seu papel, mas aumenta o valor de suas percepções.

O aprendizado de máquina beneficiará uma variedade de casos de uso, desde que os algoritmos apropriados sejam aplicados de maneira apropriada. Mas isso não faz sentido em todos os cenários: por exemplo, você não o aplicaria para encontrar pacientes não diagnosticados com uma doença comum, como diabetes. O aprendizado de máquina não é uma bala mágica. Ele ainda requer conhecimento humano para gerar insights, aplicar a análise e desenvolver / implementar estratégias. Projetos de sucesso podem alavancar uma mistura de análise tradicional e aprendizado de máquina.

3. Parceiros fortes em dados e ciência de dados

O aprendizado de máquina exige que você tenha acesso a ótimos dados e grande experiência em dados. Se você comprar os dados por conta própria, corre o risco de acabar com os conjuntos de modelagem que são inadequados para o tipo de paciente que você deseja obter. E se você não tiver acesso a dados universais completos, não poderá encontrar pacientes não diagnosticados.

Um bom parceiro de ciência de dados o guiará em todas as etapas do projeto e fará recomendações de acordo com seus objetivos e usos de caso. Eles devem ser capazes de demonstrar um conhecimento profundo do setor de saúde como um todo, uma forte especialização em suas categorias terapêuticas e mercados específicos, além de uma vasta experiência na realização de projetos de sucesso usando a mais recente tecnologia de ciência de dados.

Eles também devem ter a integridade profissional para basear suas recomendações em suas necessidades específicas, e não nas suas. Às vezes, o conselho correto é que seu projeto não precisa de aprendizado de máquina. Infelizmente, algumas empresas farmacêuticas foram queimadas no passado, trabalhando com parceiros que ficam aquém desses padrões.

Estágios da adoção de aprendizado de máquina

1. Desenvolvimento

No estágio inicial, o parceiro da ciência de dados trabalhará com sua equipe para determinar as especificações para as quais eles projetarão e construirão o modelo inicial.

Os dados tendem a parecer diferentes para cada população de pacientes, portanto, o parceiro realizará uma análise exploratória para entender melhor suas características relacionadas à sua população-alvo. Algumas dessas populações terão muitas interações com o sistema de saúde, mesmo dentro de doenças raras, mas outras menos. O parceiro fará recomendações e o ajudará a determinar sua questão específica de negócios, aplicando o conhecimento da área terapêutica para criar a melhor abordagem para identificar a população de pacientes. O parceiro então construirá o modelo inicial de aprendizado de máquina.

2. Validação

Neste estágio, o modelo será testado e refinado usando dados do mundo real. Essencialmente, ele será testado por sua capacidade de identificar pacientes com diagnóstico conhecido do ano anterior. O modelo está super ou sub-selecionando aqueles pacientes conhecidos? A lógica de negócios e a experiência terapêutica são então aplicadas para ajudar a determinar quais regras de negócios e filtros refinarão seu modelo e otimizarão seu desempenho.

3. Implementação

Quando o estágio de validação estiver concluído e o algoritmo tiver sido otimizado, seu modelo poderá ser ativado. Você começará a receber um relatório, ou painel, de acordo com o ciclo de saída solicitado pelo parceiro (por exemplo, semanal, mensal etc.). Você pode começar a usar essas informações para moldar sua estratégia comercial e, posteriormente, implementá-la por meio de suas atividades de vendas de campo e mensagens.

4. Recalibração

É essencial recalibrar continuamente o modelo de aprendizado de máquina para incorporar mudanças no cenário da assistência médica. Digamos, por exemplo, que você esteja realizando um estudo dentro de um mercado de doenças raras para o qual havia inicialmente 1.000 pacientes conhecidos. No entanto, no primeiro ano, você identificou e agora está tratando mais 250 pacientes. As experiências e características desses pacientes adicionais podem ser incorporadas ao modelo para otimizar ainda mais seu desempenho. Essencialmente, você está continuando a mudar o que esse mercado se parece enquanto você cresce nesse mercado. Se você não recalibrar o modelo, perderá as oportunidades.

Keshia Maughn, MPH, é diretora de Data Science no Decision Resources Group.

Via Pharmexec

Aprendizado de Máquina: Planejamento Comercial em Farmácia
5 (100%) 1 vote

Artigos relacionados

Como Inteligência Artificial está mudando o Marketing de Conteúdo A inteligência artificial (IA) já está influenciando o marketing digital em geral, e o marketing de conteúdo em particular. Mas a verdade é que há mui...
Finanças: Aproveitando o máximo do Machine Learning Compreendendo as vantagens e os desafios da implementação de machine learning O uso de machine learning em finanças pode fazer maravilhas, mesmo que ...
Inteligência artificial usa raciocínio humano para resolver problemas Uma criança é presenteada com uma foto de várias formas e é solicitada a encontrar o grande círculo vermelho. Para chegar à resposta, ela passa por al...
Machine learning revela subtipos de Alzheimer com ressonância magnética Machine learning pode ajudar a encontrar novos tratamentos para o Alzheimer, de acordo com pesquisadores da UCL. Um novo algoritmo que pode separar au...