Get fresh updates from Hortonworks by email

Once a month, receive latest insights, trends, analytics, offering information and knowledge of the Big Data.

CTA

开始

云

是否已准备就绪?

下载 sandbox

我们能为您做什么?

关闭关闭按钮
CTA

面向医药行业和临床试验
的大数据分析

云 Hortonworks is a leader. Read the Forrester Wave.

下载报告

Finding the cure for inaccessible data

What happens when the data you need is hidden in silos, or when billions of dollars are riding on drug testing data you can’t access? How do you see a long-term view of 10 billion records to understand biological response to drugs? Researchers turn to Hortonworks for advanced analytics on integrated translational data and to gain a holistic view of their pharmaceutical data.

挖掘药品数据的潜力

大数据集成、内外部协作、产品组合设计支持、更高效的临床试验、更快速地投入市场、提高产量、提高安全性 - 对全球的制药公司来说,这些只是利用其数据的全部潜力所能产生的少部分大优势。

使用案例

默克公司提高了疫苗产量:努力制造“黄金批次”

默克公司通过对制造数据进行分析,将“黄金批次”最重要的可预测变量分离出来,从而提高了疫苗产量。长期以来,默克公司的领导层一直依靠精益制造理念来提高产量和降低成本,但是要不断地提高产量,这种方法已经显得越来越力不从心。于是,他们通过 Open Enterprise Hadoop 来寻找新方法,以期进一步降低成本和提高产量。默克公司向 Hortonworks 求助,对一种疫苗过去 10 年的 255 个批次的记录数据进行了挖掘。这些数据分布在 16 个维护和构建管理系统中,并且其中包含有关校准设置、空气压力,以及温度和湿度的精确性传感器数据。通过将所有这些数据集中到 Hortonworks Data Platform 上并运行 150 亿次计算后,Merck 终于找到了过去十年一直在思考的问题的新答案。默克团队可以从数百个变量中分辨出哪些对提高产量有效。该公司进一步将这些经验运用到其他疫苗的生产中去,全心全力地提高药品的质量并最大限度地降低价格。观看 InformationWeek(信息周刊)的 Doug Henschen 对默克公司的 George Llado 的采访。


最大限度降低药品制造流程中的资源浪费

Hortonworks 的一家制药公司客户利用 HDP 作为单一的视图来审视其供应链以及他们自称的“向浪费宣战”活动。运营团队增加了准备制造药品的成分,并将其与已经生产的实际产品进行对比。他们发现两者之间差距甚大,并发起了“向浪费宣战”的活动,从而利用 HDP 来确定那些重要的资源浪费在何处。一旦发现导致浪费的根本原因,就可以在 HDP 中实时发出警告,通知该团队他们面临着超出预先确定的阈值的风险。


转化研究:将科学研究变成个体化药品

转化研究的目标是应用实验室研究成果以改善人类健康。Hadoop 让研究人员、临床医生和分析人员可以洞察转化数据,以促进基于证据的医学计划。转化研究的数据源不仅复杂,而且通常被锁在数据孤岛中,科学家难以获得整合、全面的数据视图。其他与数据延迟(将数据加载到传统数据存储时的延迟)、处理非结构化和半结构化类型的数据并且解决转化小组与临床开发小组之间缺乏协作分析的问题。研究人员转向 Open Enterprise Hadoop 作为具有成本效益的可靠平台 Apache Hadoop,用它来对整合转化数据执行高级分析。HDP 使转化小组和临床小组可以整合来自不同来源的关键数据,比如:组学(基因组学、蛋白组学、转录剖析等等)、临床前数据、电子实验室手册、临床数据仓库、组织成像数据、医学设备和传感器、文件源(如 Excel 和 SAS)、医学文献。通过 Hadoop,分析人员可以构建立体视图,以帮助他们了解化合物和药物的生物反应和分子机能。他们还可以发现生物标记以供在研发和临床试验中使用。最终,他们可以保证所有数据将以原生格式永久存储,以供通过将来的多种应用程序进行分析。


下一代测序

IT 系统无法经济地存储和处理下一代测序(简称 NGS)数据。例如,主要的测序结构是大尺寸图像格式,长期存储的成本很高。Point 解决方案缺乏灵活性,无法跟上不断变化的分析方法学,并且进行定制和维护的费用很高。Open Enterprise Hadoop 通过帮助数据科学家和研究人员洞察 NGS 数据,同时在可靠、具有成本效益的平台上保留原始数据,从而解决了这些难题。NGS 科学家正在探索 HDP 组件(如 Apache Spark)提供的大规模处理和分析的优点。制药业研究人员使用 Hadoop 来轻松从外部基因数据源(如 TCGA、GENBank 和 EMBL)中提取各种数据类型。使用 HDP 进行 NGS 的另一个明显优势是,研究人员可以使用专为 Hadoop 开发的领先生物信息学工具。这些工具可以分析各种 NGS 数据格式,对读数排序以及合并结果。这通过以下能力将 NGS 提升到新高度:批量处理大型 NGS 数据集,将内部数据与公开提供的外部序列数据进行整合,以图像的原生格式永久性数据存储大型图像文件,大幅节省数据处理和存储的成本

HDP 使用真实数据来提供真实证据

Real-World Evidence (RWE) promises to quantify improvements to health outcomes and treatments, but this data must be available at scale. High data storage and processing costs, challenges with merging structured and unstructured data, and an over-reliance on informatics resources for analysis-ready data have all slowed the evolution of RWE. With Hadoop, RWE groups are combining key data sources, including claims, prescriptions, electronic medical records, HIE, and social media, to obtain a full view of RWE. Analysts are unlocking real insights and delivering advanced analytic insights via cost-effective and familiar tools such as SAS® ,R®, TIBCO™ Spotfire®, or Tableau®. RWE through Hadoop delivers value with optimal health resource utilization across different patient cohorts, a holistic view of cost/quality tradeoffs, analysis of treatment pathways, competitive pricing studies, concomitant medication analysis, clinical trial targeting based on geographic & demographic prevalence of disease, prioritization of pipelined drug candidates, metrics for performance-based pricing contracts, drug adherence studies, and permanent data storage for compliance audits.

在研究之前不间断访问原始数据

HDP Uses Real-World Data to Deliver Real-World Evidence
Real-World Evidence (RWE) promises to quantify improvements to health outcomes and treatments, but this data must be available at scale. High data storage and processing costs, challenges with merging structured and unstructured data, and an over-reliance on informatics resources for analysis-ready data have all slowed the evolution of RWE. With Hadoop, RWE groups are combining key data sources, including claims, prescriptions, electronic medical records, HIE, and social media, to obtain a full view of RWE. Analysts are unlocking real insights and delivering advanced analytic insights via cost-effective and familiar tools such as SAS:registered: ,R:registered:, TIBCO:tm: Spotfire:registered:, or Tableau:registered:. RWE through Hadoop delivers value with optimal health resource utilization across different patient cohorts, a holistic view of cost/quality tradeoffs, analysis of treatment pathways, competitive pricing studies, concomitant medication analysis, clinical trial targeting based on geographic & demographic prevalence of disease, prioritization of pipelined drug candidates, metrics for performance-based pricing contracts, drug adherence studies, and permanent data storage for compliance audits.