Painel Médico - Mudaram os Aparelhos da Academia - Análise Preditiva

Painel Médico - Mudaram os Aparelhos da Academia - Análise Preditiva

Os investigadores, bem como profissionais de saúde, muitas vezes sentem-se como se estivessem afogando-se num mar de dados que continua a aumentar. Para ajudar a comunidade das ciências da vida a sustentar o ritmo das descobertas - e entregar os tratamentos de última geração de forma mais rápida e acessível - a Indústria Farmacêutica está adotando técnicas e tecnologias avançadas de Mineração de Dados.

A Mineração de Dados refere-se a exploração semi-automática de análise de grandes quantidades de dados para descobrir regras e padrões significativos. Usamos análise estatística, inteligência artificial e tecnologia de aprendizagem de máquina para identificar padrões que não possam ser encontrados sozinhos pela análise natural.

Anteriormente as técnicas iniciais de Mineração de Dados - associadas com teorias estatísticas e algoritmos de inteligência artificial rudimentares - muitas vezes produziam resultados decepcionantes. Pode-se pôr a culpa em vários fatores: ferramentas desnecessariamente complexas, falta de conhecimento de Mineração de Dados, e insuficientes sucessos publicamente visíveis. O amadurecimento da tecnologia continuou nos últimos anos e ampliou suas capacidades e estatura como ferramenta vital no processo de descoberta de drogas. Novas aplicações de Mineração de Dados apresentaram análises expandidas, interfaces amigáveis ​​e poderosos algoritmos que permitem aos pesquisadores analisarem dados estruturados e não estruturados. Com treinamento, a Mineração de Dados agora pode ser feita num computador pessoal com inúmeros diferentes pacotes de software comerciais de código aberto. Hoje, os pesquisadores científicos podem minerar seus dados para encontrar novos fatores, novas pistas promissoras e metas. Além disso também podem deparar-se com novos conhecimentos médicos, sem a necessidade de um PhD em Mineração de Dados. O progresso continua num ritmo surpreendente! 

Prevendo Eventos Futuros

Em seus anos inicias, a Mineração de Dados foi utilizada principalmente para a aprendizagem não supervisionada, na qual o objetivo das análises era descobrir padrões ou tendências sem fazer suposições sobre a estrutura dos dados. Este aprendizado não supervisionado envolvia a identificação de clusters (grupos de fatos não previamente conhecidos) e associações (padrões em que um evento é de alguma forma ligado a outro). Tais primeiros exemplos, muitas vezes tratavam de problemas esotéricos, tais como encontrar aglomerados de estrelas ou associações ocultas que antes eram desconhecidas. A Mineração de Dados foi muitas vezes rotulada como experimental e não comprovada.

As coisas mudaram drasticamente. Hoje, um pesquisador, por exemplo, pode usar a Mineração de Dados para encontrar grupos de subtipos de doenças, na esperança de encontrar os subtipos que concentrem alvos específicos ou tratamentos mais precisos. Os algoritmos agora ajudam os investigadores, por exemplo, selecionam subconjuntos de genes que provavelmente podem ajudar na identificação de canceres.

O futuro da mineração encontra-se na Análise Preditiva, através da simplificação e automatização do processo de Mineração de Dados - permite-se análises avançadas para serem aplicadas em todo o espectro das ciências da vida - desde a descoberta de drogas, indo através do marketing. Os pesquisadores, por exemplo, podem usar a Análise Preditiva para encontrarem fatores associados a uma doença ou preverem qual paciente responderá melhor a um tratamento experimental.

Num ambiente de cuidados de saúde, os provedores podem usar a Análise Preditiva para preverem resultados médicos, encontrar fatores associados com pacientes de maior custo, médicos e instalações de cuidados, e até mesmo detectar fraudes em seguros. Além disso, os fabricantes de produtos farmacêuticos podem usar a tecnologia para aumentar a eficiência e a eficácia das suas iniciativas de marketing, prevendo quais médicos são mais propensos a prescrever novos medicamentos e identificar pacientes com maiores probabilidades de serem clientes de alto valor.

Referências

www.nlm.nih.gov/pubs/factsheets/medline.html

Berry, MJA e Linhoff, G. Técnicas de Mineração de Dados para Marketing, Vendas e Suporte ao Cliente . Wiley, 1997.

Berger, A. e Berger, CR "A mineração de dados como uma ferramenta para o desenvolvimento de pesquisa e conhecimento em enfermagem." CIN Maio / Junho de 2004.

Stephens, S. e Tamayo, P. "técnicas de mineração de dados supervisionadas e não supervisionadas para as ciências da vida." Curr Drogas Disc Junho de 2003.

Agosta, L. "O futuro da mineração de dados -. Análise preditiva" DM Rev Agosto de 2004.

Blumberg, R. e Atre, S. "O problema com dados não estruturados." DM Rev Fevereiro de 2003.

Alonso, O. e Ford, Text Mining R. com Oracle Text. Janeiro de 2004 (PDF em http://www.oracle.com/

brazilsalesforceeffectiveness@gmail.com

       

Painel Médico - Mudaram os Aparelhos da Academia - Mineração de Dados - Coleta, Processamento, Análise e Utilização

Painel Médico - Mudaram os Aparelhos da Academia - Mineração de Dados - Coleta, Processamento, Análise e Utilização

O processo de vendas envolve muito mais ações de tecnologia hoje, do que nunca antes!

Sim as vendas mudaram?

A cada dia, o sistema de vendas desafia aqueles que têm a responsabilidade de domar as tecnologias por detrás das ações de marketing, o prescrutar do mercado e os insights nos negócios.

E a Força de Vendas?

A maioria dos laboratórios da Indústria Farmacêutica objetivam preparar a Força de Vendas para maximizar e potencializar o contato diário com seus Clientes, os Médicos, não deixando de lado toda a cadeia prescritiva necessária para a efetividade do trabalho.

Os colaboradores da Força de Vendas não podem ser sobrecarregados de ações tecnológicas, antes, precisam apenas usufruir suavemente, suas benesses. Trabalho que deve ser implementado pelos departamentos de Produtividade | Efetividade, Marketing, Inteligência  de Mercado e Inteligência Competitiva.

 

Ferramentas de análise de dados e e-learning também oferecem muito conhecimento à Força de Vendas. Mas os modelos de dados precisam ser tratados e considerados previamente pelos departamentos afins.

Muitos programas de melhoria da qualidade, incluindo Six Sigma, Design for Six Sigma, e Kaizen exigiram a recolha e análise de dados para resolver problemas de qualidade.

O processo de mineração de dados

Para que haja sucesso no processo de Mineração de Dados é essencial um processo metódico de 7 Passos:

1 Definir o problema do negócio

2 Criar o banco de dados de mineração de dados

3 Explorar os dados

4 Preparar os dados para modelagem

5 Construir um modelo

6 Avaliar o modelo

7 Estabelecer as Regras sobre os resultados

Embora a numeração implique num processo linear, mineradores de dados encontram-se frequentemente revisitando as etapas anteriores com base no que aprenderam a cada passo.

O primeiro passo envolve prepararmos uma declaração clara do problema que tentamos resolver. Ao continuarmos com as etapas de Mineração de Dados e o aprofundamento dos dados, problemas ocasionais nos levarão a reformular nossos objetivos.

Seja realista e tenha os pés bem plantados nos chão. As próximas três etapas envolvem preparar os dados para mineração, que levará a construção do modelo real. Juntos, eles levam mais tempo e esforço do que todos os outros passos combinados, geralmente consumindo de 60% a 95% do tempo e recursos de um projeto.

Os dados extraídos geralmente advém a partir de várias fontes, e embora em alguns casos, seja possível extrair diretamente dessas fontes, mais frequentemente é preferível captar os dados numa base de dados uniforme concebida. Embora seja uma tarefa difícil, tal integração vale a pena. 

Tipicamente, os dados relativos ao medicamento estão espalhados por dezenas a centenas de bases de dados de concepções muito diferentes, em conformidade com diferentes padrões e armazenados em diferentes sistemas de gestão de base de dados. A análise seria muito difícil, milhões de dólares seriam gastos na produção de resumos de segurança. Por outro lado, se estes dados forem devida e previamente consolidados, a Mineração de Dados permitiria à empresa explorá-los rapidamente.

Há também bancos de dados externos que podem ser extraídos em conjunto com dados corporativos. No lado R&D, centenas de bancos de dados genômicos públicos e licenciados estão disponíveis. Esses bancos de dados podem ser processados e separados em casa. No lado do marketing, existem bancos de dados demográficos dos indivíduos e comportamentos dos fornecedores.

Uma vez que o banco de dados de Mineração de Dados esteja construído, é hora de explorá-los. A visualização de dados, muitas vezes produz conhecimentos que ajudam a construir os melhores modelos de previsão. As visualizações podem ajudar a mineração dos dados, fornecendo uma representação abrangente e concisa dos dados. Também mostram que mesmo uma boa visualização requer algum treinamento e experiência de interpretação.

2016 Magic Quadrant for Business Intelligence e Analytics Platforms Report - Tableau

2016 Magic Quadrant for Business Intelligence e Analytics Platforms Report 

O passo final na preparação de dados é transformar os dados da mineração. Idealmente, alimentamos todos os atributos para a ferramenta de Mineração de Dados e a deixamos determinar quais são os melhores preditores. Na prática, isso não funciona muito bem. Não só podemos introduzir problemas incluindo muitos atributos irrelevantes, mas com toda a probabilidade os melhores preditores são realmente combinações de outros atributos.

O quarto passo é, na verdade, a construção do modelo. A coisa mais importante a lembrar sobre a construção do modelo é que ele é um processo interativo. Precisaremos explorar modelos alternativos para encontrar o que é mais útil para resolver nosso "problema" de negócio. O processo de construção de modelos preditivos requer um protocolo de treinamento e validação bem definido, a fim de gerar as previsões mais precisas e robustas. Este tipo de protocolo é às vezes chamado de aprendizado supervisionado. A essência da aprendizagem supervisionada é treinar (estimar) o seu modelo em uma parte dos dados, em seguida, testar e validá-lo no restante dos dados.

Na sexta etapa, avaliamos os resultados dos nossos modelos e interpretamos seu significado. Lembremo-nos que a taxa de precisão encontrada durante o teste aplica-se apenas aos dados em que o modelo foi construído. Na prática, a precisão pode variar se os dados a que o modelo foi aplicado diferir significativamente a partir dos dados originais.

Uma vez que um modelo de Mineração de Dados seja construído e validado, pode ser usado como um guia geral para a ação ou ele pode ser aplicado a um lote grande de dados. Também poderá ser aplicado a um único caso de cada vez. 

Há um grande número de ferramentas de mineração de dados disponíveis. Em geral, os produtos disponíveis são muito bons, e são especialmente fortes na construção do modelo. No último ano, 2015, houve grande melhoria na facilidade de criar e usar modelos que construímos. No entanto, a preparação de dados e a visualização ainda precisam ser mais eficazes.

Dados e o futuro da indústria farmacêutica

Novas abordagens são necessárias, a fim de realizar plenamente o potencial das tecnologias que permitem a criação, aquisição, armazenamento e análise de bases de dados de tamanhos e complexidades sem precedentes.

Quando a tecnologia de banco de dados chegou pela primeira vez na indústria farmacêutica, a maioria dos pesquisadores pensavam que era útil ter programadores que tivessem algum conhecimento e domínio. Era comum dar a recém-contratados de TI um curso na terminologia médica. A empresa moderna precisa ver-se como uma máquina de dados cujo negócio principal é a coleta, processamento, análise e utilização dos próprios dados como o principal recurso da empresa.

Esta tendência continuará a acelerar. Tecnologias genômicas e afins permitem que mais dados sejam coletados de cada paciente, tanto durante o desenvolvimento de uma droga, como depois desta ser comercializada. As tecnologias de TI , em geral, continuam a se mover numa direção que permite que mais dados sejam recolhidos, processados ​​e analisados. E, cada vez mais, há pedidos de mais informações sobre cada produto a partir dos pacientes, médicos e reguladores.

Essas pressões levarão a certas mudanças na empresa farmacêutica. A empresa terá que investir um esforço substancial na integração de suas grandes e diversas fontes de dados. Este é um esforço estupendo, basta dizer que envolverá uma mudança no status das pessoas de TI na organização, uma demanda por mais formação e experiência em TI para as pessoas em toda a organização e um aumento no nível de conhecimento de domínio de TI dos trabalhadores associados.

A empresa armazenará e processará todos esses dados, com vista a fazer melhores negócios. Isso exigirá o acesso a ferramentas mais adequadas, por uma força de trabalho analiticamente mais astuta. Mais pessoas terão acesso a mais dados. Mais pessoas precisarão de análises e interpretações dos dados. Uma parcela maior de todas as decisões serão tomadas com o apoio destas análises de ponta, realizadas com os dados apropriados. Sim, por menos que queira: A estrutura, as funções e as organizações provavelmente mudarão.

Estamos vivendo em uma época que enfatiza um grande aumento na coleta e uso dos dados. Não é de surpreender que a indústria farmacêutica, que tem sido uma indústria da informação ao longo de décadas, ainda seja a mais afetada por estas tendências. O fato de que algumas dessas mudanças aconteceram tão rapidamente e que muitos na indústria farmacêutica e da investigação médica não reconheceram a ênfase anterior sobre a relevância da informação, pode ter disfarçado os eventos cataclísmicos que estão ocorrendo. No entanto, eles estão chegando e a Mineração de Dados desempenhará um papel importante e cada vez maior na investigação farmacêutica, no século 21.

Referências

Drucker, Peter F. Innovation and Entrepreneurship, 1985, Harper & Row. NY, NY.

Knowledge Discovery in Databases: 10 Years After. SIGKDD Explorations, ACM SIGKDD V.1 59-61, 2000.

Friedman , HP and Goldberg, Judith. Knowledge Discovery from Databases and Data Mining: New Paradigms for Statistics and Data Analysis. Biopharmaceutical Report V.8 No.2 2000.

DDW

DuPont Pharmaceuticals Research Laboratories and KDD Cup 2001.

Edelstein, Herb. Introduction to Data Mining and Knowledge Discovery, 1999, Two Crows Corporation.

Edelstein, Herb. Data Mining Technology Report: 2002, Forthcoming, Two Crows Corporation.

brazilsalesforceeffectiveness@gmail.com

       

Colocando o Painel Médico na Academia

Colocando o Painel Médico na Academia

Leia também:

Painel Médico - Quem são os Responsáveis

Painel Médico - Time de Efetividade da Força de Vendas

Painel Médico - Mantenha o Controle

Painel Médico - Selecionando e Mantendo um perfil médico adequado

Colocando o Painel Médico na academia

Segmentação do Painel Médico - Targeting & Segmentation

Targeting & Segmentation

Desmistificando a Efetividade da Força de Vendas

Força de Vendas - Características Desejáveis

Representantes - Olhar e Ver

O processo básico de vendas mudou, desafiando os conhecimentos tecnológicos de alguns. O objetivo é ter a Força de Vendas totalmente preparada para maximizar o contato com o cliente não transformando-os em pesquisadores, bibliotecários e especialistas em entrada de dados. Compreender como a tecnologia deve capacitar a Força de Vendas é mais amplo que simplesmente converter papel em dados eletrônicos. Existem vários tipos de ferramentas disponíveis, das quais as mais simples são baseadas em auto-serviço via Web, gerenciamento de contatos e soluções de automação de Força de Vendas. Ferramentas de análise de dados e e-learning também oferecem muito conhecimento à Força de Vendas. 

Um bom Painel Médico deve estar sob constante atividade, exercitando-se continuamente.

A mera adequação do nosso conceito pessoal, permitirá colocarmos o  Painel Médico para ‘malhar’.

Sem exageros, o Painel Médico deve ser encarado como um dos principais patrimônios da nossa empresa.

Como parte preciosa da nossa companhia, este modelo de dados deve estar sob constante medição.

Alguns KPIs analisam a sua pulsação, pressão arterial e temperatura, estão preparados para detectar:

Para elevarmos a utilização do nosso Painel Médico ao nível proposto acima, precisaremos deixar de vê-lo como um repositório de dados e passarmos a enxergá-lo como uma entidade viva, repleta de informações relevantes que farão a diferença no nosso dia a dia.

Sob tal cenário, o Painel Médico passará por constantes análises e execuções. Como se estivesse em uma academia, será submetido a um 'preparo físico' continuado que permitirá desenvolver a performance mais adequada as nossas necessidades.

Se for o gestor da área de Produtividade ou Efetividade da Força de Vendas da sua empresa, não deixe de preparar o seu Painel Médico para o futuro próximo. 

Tornar um Painel Médico digno da sua Força de Vendas é um trabalho que requer a mudanças no nosso conceito pessoal. O nosso olhar sobre tais informações precisa sofrer uma reeducação. Este trabalho pode ser muito enriquecedor quando direcionamos os nossos esforços e interesses na direção correta.

Neste momento queremos tratar o conceito por detrás do nosso Painel Médico. Deixaremos as questões de performance do banco de dados e higienização dos dados, bem como outros aspectos para futuros artigos.

Malhação e acompanhamento

A questão da higienização é apenas um dos tópicos que queremos implementar. Após limparmos e contermos a inserção dados problemáticos, o Painel Médico certamente perderá alguns ‘quilos’, ficará mais ágil, e dará respostas mais exatas e rápidas. Mas não se iluda, isso não passa da primeira fase do treinamento ao qual queremos submetê-lo.

Em termos de Efetividade talvez acredite ser apropriado armazenarmos uma visão congelada por Ciclo do nosso Painel Médico. Pessoalmente prefiro que os dados sejam consolidados semanalmente. Por quê?

Semanalmente submeteremos os dados a avaliações e testes de detecção.

Qualquer desvio e/ou incorreções serão rapidamente percebidos.

- Desvios e incorreções de cadastramento.

- Especialidades médicas inapropriadamente cadastradas.

- Médicos cadastrados com um perfil de categorização baixo.

- Regiões cadastradas que não tenham sido aprovadas ou estejam em áreas com demandas de baixa representatividade.

- Etc... 

A partir destas ações práticas devem ser direcionadas à Força de Vendas e aos seus respectivos Gestores.

 

brazilsalesforceeffectiveness@gmail.com