I dati del mondo reale (RWD) stanno trasformando l’assistenza sanitaria grazie al cambiamento delle priorità delle aziende farmaceutiche e alla crescente influenza dell’intelligenza artificiale, con notevoli progressi attesi nel 2026. L’RWD comprende informazioni sanitarie raccolte al di là degli studi clinici, come cartelle cliniche elettroniche, richieste di indennizzi assicurativi, sistemi sanitari pubblici e dispositivi indossabili. Tuttavia, anziché limitarsi a raccogliere enormi quantità di dati, l’attenzione si è spostata verso la garanzia di dati più rappresentativi e di alta qualità, che possono essere utilizzati per applicazioni di ricerca specifiche.
Questo allontanamento dalla raccolta del maggior numero di dati possibile ha portato a una maggiore domanda di dati specifici del progetto e adatti allo scopo, in particolare quando diventano evidenti i limiti degli approcci validi per tutti. Sebbene i dati sui sinistri rimangano una pietra angolare, si registra un crescente interesse per l’integrazione di dati clinici e di laboratorio, adattati a obiettivi di studio distinti.
Allo stesso tempo, l’entusiasmo per l’intelligenza artificiale viene mitigato dalla complessità dell’assistenza sanitaria e dalla necessità di sistemi robusti e comprovati, con un crescente interesse per i modelli di intelligenza artificiale progettati per casi d’uso specifici, entro confini definiti. Questo panorama in evoluzione evidenzia anche l’importanza di piattaforme flessibili e aperte che consentano l’interoperabilità e la scelta analitica, garantendo che le soluzioni rimangano adattabili alle diverse esigenze dei clienti.
Dati specifici e di alta qualità garantiscono che i risultati riflettano da vicino le realtà che ricercatori e medici stanno cercando di comprendere e creano maggiore fiducia in qualsiasi conclusione tratta. Questo approccio riduce il rischio di interpretazioni errate, posizionando ricercatori e sponsor in modo da ottenere un impatto reale sia nella ricerca che nella cura dei pazienti.
Il passaggio dalla quantità alla qualità
Affidarsi esclusivamente a volumi elevati di dati senza rappresentatività o rilevanza può portare a intuizioni distorte e risultati insoddisfacenti. Guenter Sauter, PhD, è Direttore senior della gestione dei prodotti tecnologici presso MarketScan, con una vasta esperienza in dati, analisi, integrazione delle informazioni e governance.
Sauter spiega che le aziende farmaceutiche stanno iniziando a capire che il vero valore degli insight basati sui dati non sta nel raccogliere set di dati più grandi, ma nel garantire che i loro dati siano veramente rappresentativi e della massima qualità. Secondo Sauter, i dati di alta qualità, in particolare i set di dati sui sinistri chiusi, sono desiderati sia per la loro completezza che per la loro affidabilità, che consentono ai ricercatori di prendere decisioni sicure e ben informate.
“Quello che abbiamo visto è che le aziende farmaceutiche, quando utilizzano dati clinici, spesso sono molto specifici per il progetto. E non esiste un set di dati clinici corrispondente in cui siano validi per tutto quello che puoi trovare sul lato delle richieste di risarcimento”, spiega Sauter. “A seconda della malattia, dell’area terapeutica o del farmaco su cui si stanno concentrando, i diversi set di dati clinici hanno punti di forza diversi”.
Il fondamento del processo decisionale basato sui dati all’interno dell’industria farmaceutica poggia da tempo sulla qualità e sulla portata dei dati relativi alle richieste, fornendo ai ricercatori una visione completa del percorso dei pazienti nel tempo. Sauter spiega che le aziende sono ancora molto interessate a questo.
“Stanno cercando dati sui sinistri chiusi per la maggior parte dei loro casi d’uso, perché vedono la longitudinalità e la completezza dei dati”, afferma.
Per numerose applicazioni, i sinistri chiusi rimangono essenziali, poiché forniscono la spina dorsale affidabile su cui è possibile costruire ulteriori approfondimenti.
“Avere un set di dati sui sinistri chiusi al centro è fondamentale, perché in questo modo si dispone di un nucleo completo e rappresentativo. Quindi, anche se i dati clinici non sono completi, si ha una migliore comprensione del quadro generale di un paziente”, aggiunge Sauter.
Tuttavia, i limiti del fare affidamento esclusivamente sui dati relativi alle richieste di risarcimento sono diventati sempre più evidenti, poiché spesso non si riesce a fornire il contesto clinico completo, soprattutto per quanto riguarda risultati specifici o dettagli sfumati del paziente. In risposta, il settore sta assistendo a uno spostamento verso set di dati “adatti allo scopo” su misura per singoli progetti o studi.
“I clienti non intendono acquistare un set di dati collegato dicendo che questo soddisferà tutte le nostre esigenze per i prossimi cinque anni. È molto più specifico per il progetto e, soprattutto, specifico per lo studio”, afferma Sauter.
Di conseguenza, le aziende farmaceutiche stanno progettando sempre più strategie di dati basate su flessibilità, pertinenza e precisione. Tutto ciò garantisce che ciascun set di dati distribuito sia il più adatto all’area di ricerca in questione. Vi è un crescente riconoscimento dei limiti inerenti a ogni singola fonte di dati e un corrispondente aumento nell’integrazione di set di dati diversi e adatti allo scopo. Questa progressione non solo supporta risultati migliori della ricerca, ma riflette anche un impegno a livello di settore per la precisione e l’adattabilità di fronte a questioni sanitarie sempre più complesse.
Un approccio incentrato sul servizio nel data engagement
Al centro di questo cambiamento del settore c’è un approccio “service-first”, in cui i clienti iniziano sempre più con servizi o studi su misura che affrontano domande di ricerca uniche, piuttosto che impegnarsi anticipatamente in acquisti di dati su larga scala.
“Quando le aziende farmaceutiche si rivolgono a noi, è perché i team di progetto hanno esigenze molto specifiche. Hanno bisogno non solo di dati specifici, ma anche di competenze”, afferma Sauter. “Le aziende si rivolgono a noi prima per un impegno nei servizi e poi per un impegno nei dati, piuttosto che il contrario.”
Questo cambiamento riflette sia la crescente complessità delle domande di ricerca sia il desiderio di un supporto su misura, con i clienti che cercano competenza e collaborazione prima di determinare i propri requisiti in materia di dati. Il risultato è un modello che inizia con il servizio e la partnership di consulenza, aprendo la strada ad acquisti di dati più precisi, pertinenti ed efficaci.
Il ruolo dell’intelligenza artificiale nella ricerca sui dati sanitari
L’intelligenza artificiale presenta promesse e sfide significative nel campo dei dati sanitari. Affinché l’IA possa fornire risultati affidabili, è fondamentale che sia progettata per compiti specifici e ben definiti, con risultati verificabili e trasparenza sia per le organizzazioni di ricerca che per gli organismi di regolamentazione. Sauter osserva che l’implementazione dovrebbe iniziare con domande più basilari e ben comprese prima di passare a domande complesse, garantendo che i clienti sappiano di cosa ci si può fidare dell’IA e come vengono convalidati i risultati.
“Puoi sviluppare un modello di intelligenza artificiale da testare per un caso d’uso specifico. Il modello di intelligenza artificiale risponde solo alle domande su quel caso d’uso con cui ti senti a tuo agio, a cui hai testato e a cui vuoi rispondere”, spiega Sauter.
Concentrandosi su un unico compito chiaramente definito, viene garantita la trasparenza nella logica del modello e la fiducia nei suoi risultati, con risultati facilmente spiegabili sia ai medici che agli enti regolatori.
Sauter osserva che costruire la fiducia nell’intelligenza artificiale si basa su una comunicazione chiara sulle sue capacità e limiti.
“È importante essere molto trasparenti con il cliente, sapere a quali domande vuoi rispondere e dove hai fiducia? Perché se inizi dicendo: ‘Posso rispondere a tutto’. Allora non sai, dov’è la fiducia? È nelle domande semplici? Si sono formati di più su domande semplici o su domande più complesse? Questo è l’equilibrio che stiamo cercando di raggiungere.”
L’importanza delle piattaforme per le applicazioni AI
Il panorama della fornitura di dati nel settore sanitario si sta rapidamente spostando da offerte autonome a piattaforme complete e integrate che promuovono una maggiore apertura e flessibilità. Inoltre, le piattaforme consentono alle organizzazioni di sfruttare i propri dati attraverso diversi strumenti e tecnologie, inclusa l’intelligenza artificiale.
Piattaforme come Snowflake sono diventate fondamentali in questa trasformazione concentrandosi prima sui dati e non sull’analisi. Ciò consente ai clienti di utilizzare analisi di qualsiasi fornitore o anche dello stesso Snowflake. Questo approccio aperto e interoperabile garantisce che i clienti non siano vincolati a un’unica piattaforma o approccio e crea l’ambiente ideale per l’innovazione.
“Se vuoi innovare nel campo dell’intelligenza artificiale, hai bisogno di una piattaforma. Non puoi farlo semplicemente con i dati stessi”, afferma Sauter.
In che modo MarketScan aiuta a navigare utilizzando RWD
Il futuro del settore farmaceutico è delineato da diverse tendenze chiare. Come discusso in precedenza, si sta verificando un passaggio da acquisti di dati ampi e indifferenziati a soluzioni su misura e adatte allo scopo. Accanto a questo, c’è la crescente integrazione dei dati clinici e dei sinistri, l’adozione di modelli di servizio “project-first” e la crescita di piattaforme aperte e interoperabili che alimentano l’innovazione dell’intelligenza artificiale. Il successo in questa nuova era dipenderà dall’adattabilità, dalla trasparenza e dalla collaborazione.
Mentre il settore abbraccia questi cambiamenti, MarketScan, una soluzione dati Truven, aiuta a navigare in questo panorama in via di sviluppo, fornendo set di dati rappresentativi e di alta qualità per garantire una solida base per i progetti di ricerca, supportando i clienti non solo con dati affidabili ma anche con un impegno flessibile e un servizio affidabile e trasparente.
Con oltre 30 anni di esperienza, MarketScan offre database integrati che collegano ricche informazioni sui determinanti sociali della salute (SDoH) a dati completi sulle richieste, fornendo ai ricercatori approfondimenti socioeconomici ampi e demograficamente rappresentativi per diversi studi. Attraverso l’innovazione continua e una costante attenzione alle esigenze dei clienti, MarketScan aiuta a garantire che le aziende siano attrezzate per affrontare le sfide e cogliere le opportunità del panorama RWD in evoluzione.
Per saperne di più sulle soluzioni di MarketScan, scarica il documento qui sotto.
