Дженнифер выступит на конференции ODSC East 2020, которая пройдет с 13 по 17 апреля в Бостоне. Обязательно ознакомьтесь с ее выступлением Влияние на клиническое развитие с помощью расширенной аналитики: вызовы и возможности здесь!

Почему я стал статистиком в Big Pharma? Когда я закончил свое обучение, я никогда не думал об этом. Статистики Big Pharma обычно считались толкачами карандашей, занятыми самой скучной работой. Но когда открылась должность исследователя-статистика в Дженентек (которая входит в группу Рош), я захотел ее — потому что у Дженентек всегда была репутация на переднем крае биологической науки и исследований, в частности, казался более перспективным с точки зрения интересной работы. С приобретением компанией Рош компаний Flatiron Health и Foundation Medicine и партнерскими отношениями, такими как PicnicHealth, наука теперь определяется более широко, включая и науку о данных. Благодаря этому крупномасштабному преобразованию, происходящему внутри компании, возможности для разработки методологии для новых типов данных теперь существуют во всех подразделениях компании — встроенные статистики, в свою очередь, имеют уникальную возможность напрямую влиять на наш конвейер.

Фарма обычно признает необходимость принятия изменений в том, как мы анализируем и обрабатываем данные внутри компании, процесс, в прошлом клинические группы не уделяли приоритетное внимание, поскольку конечным результатом испытания должна быть регистрация, а не кураторская витрина данных. Теперь, когда мы сосредоточены на кураторских и интегрированных наборах данных, естественно, возникает соразмерное давление, чтобы получить дополнительную информацию из этих данных. Ожидания выше — мы уже провели логистическую регрессию или повторное измерение модели смешанного эффекта (MMRM) на первичных, вторичных и исследовательских конечных точках. Чтобы оправдать тяжелую работу, необходимую для того, чтобы отобрать кураторские данные из нашего технического долга, алгоритм, используемый для анализа этих данных, должен быть пропорционально сложным. Термины, такие как расширенная аналитика, машинное обучение, глубокое обучение и искусственный интеллект, начинают летать.

Что препятствует принятию этих аналитических методологий? Суть Big Pharma заключается в разработке лекарств и внедрении новых молекул в поток доказательств в поддержку помощи пациентам. Мы ожидаем, что наши планы клинического развития основаны на данных и доказательствах. Как и в любом упражнении по моделированию — есть обучающие и тестовые данные. В этих условиях обучающие данные представляют собой большую неинтервенционную когорту, которая обычно не отражает точно установленную популяцию пациентов в исследовании. Например, это испытание атезолизумаба при немелкоклеточном раке легкого имеет 35 критериев включения/исключения, многие из которых основаны на переменных, которые обычно не собираются в обсервационной когорте или в базе данных электронных медицинских карт. Это просто первое препятствие, но, если предположить, что мы достигнем планки, какие остальные препятствия, уникальные для Pharma, нам нужно будет устранить? Как выглядят наши первые набеги на передний край интеграции науки о данных в наши пайплайны? Приходите узнать на моем разговоре где Буду рад услышать ваши отзывы!

Подробнее об авторе/спикере:

Дженнифер Том присоединилась к Genentech в 2014 году в качестве специалиста по статистике в области биоинформатики и вычислительной биологии, а в 2018 году перешла к разработке продуктов. Она поддерживала генетику человека, микробиом, визуализацию, ранние клинические разработки и деятельность биомаркеров по различным неонкологическим показаниям. Ранее она работала инженером-программистом в компании Agilent и приглашенным ассистентом профессора статистики Неймана в Беркли. Дженнифер получила степень бакалавра молекулярной и клеточной биологии в Калифорнийском университете в Беркли, а также степень магистра и доктора биостатистики в Калифорнийском университете в Лос-Анджелесе.