Analytics dans les sciences de la vie

LIFE SCIENCE ET BIOSTATISTICS : La Data Science et le Big Data dans les sciences de la vie

La Data Science dans les sciences de la vie (Big Pharma, Biotech, CRO, Hôpitaux, Sécurité Sociale …), traite deux grandes familles de sujets : ceux liés au Rapport Bénéfice / Risque et ceux liés à l’Optimisation de la Prescription et au Marketing. On peut y ajouter la Fraude, sujet clé pour les Administrations en particulier, mais aussi parfois pour les laboratoires dans le cadre des études cliniques.

La survenance d’Effets Indésirables (Adverse Events ou Serious Adverse Events), la détection des Population Cibles, la Minimisation de l’Effet Placebo, l’optimisation de la Qualité (en production), la détection et la prédiction de la Fraude, la prédiction de la Fréquentation des Centres Hospitalierspeuvent ainsi être mieux traités dès lors que l’on sait analyser simultanément des variables habituellement ignorées et / ou de sources précédemment inaccessibles.

De même la Data Science peut découvrir de nouvelles combinaisons précises de leviers à appliquer sur des nouveaux sous-segments de patients ou de praticiens (suivant les réglementions en vigueur dans les Etats) pour optimiser la prescription ou éviter l’attrition (à un traitement par exemple). La Data Science dans les sciences de la vie permet aussi d’allouer de façon optimale les moyens marketing pour en maximiser le ROI.

Au sein des laboratoires, Administrations et sociétés de services, les Directeurs des Études Cliniques, des Études Épidémiologiques, de la Biométrie, des Affaires Réglementaires, du Market Access, de la SFE, etc. s’intéressent aux approches Data Science et Big Data pour améliorer leurs performances. Ils ont dans leurs équipes des (Seniors) Data Scientists, plus favorablement spécialisés (Bio-Mathématiciens et Bio-Informaticiens, Épidémiologistes…), qui développent des Algorithmes d’Intelligence Artificielle adaptés aux différents sujets spécifiques de ces secteurs. Ils maîtrisent des langages comme R, Python, C# ou C++.  Ils sont experts de la conception et de la mise en œuvre des technologies comme les SVM, les Réseaux de Neurones ou les Réseaux Bayésiens, les Arbres de Décisions, les Régressions Logistiques, etc.

Des experts de la préparation des données (Data Preparation, Data Cleaning) sont nécessaires à la bonne marche d’un projet : il y a peu de technologies « presse-bouton » et rarement des données prêtes à l’analyse pour une problématique précise.

Partager :