Digitaliseringen kommer. Det er der efterhånden ingen tvivl om. Vi læser dagligt om chatGPT, nye algoritmer, samkøring af big data til understøttelse af personlig medicin etc.

Pharma bliver dagligt mere og mere digitaliseret, og brugen af big data og smarte algoritmer er allerede en integreret del af drug development

Pharmaindustrien har bestemt ikke været en frontløber inden for digitalisering. I de fleste store medicinalfirmaer har it-afdelingen mest været det sted, hvor man afleverede sin computer, når den ikke virkede mere. Men det er slut nu.

Pharma står overfor den store digitaliseringsbølge både i form af inhouse digitalisering til hurtigere og mere effektive processer, men i høj grad også i forhold til kerneproduktet: at udvikle den bedst mulige medicin til patienterne og få den rigtige betaling for det.

Rigtig mange ledere i pharma- og biotekindustrien er læger, farmaceuter og økonomer, og meget få er digitale eksperter. Så hvordan leder man en digital udvikling, hvis man ikke selv er ekspert?

Her er fire inspirationspunkter og en liste med akutte løsninger, belært af egen smerte!

1. Hvordan går man fra at være bruger af it til at integrere it i alle beslutninger?

Personligt er jeg stadig vildt imponeret af (og også lidt skræmt over) Abilify MyCite, som er en FDA-godkendt medicinsk behandling af skizofreni, hvor der i hver tablet er en lille sensor, som via et bluetooth-signal konstant holder patienten opdateret på eget optag af medicin (aripiprazole). Samtidig bliver patienten også opdateret på sit dagligt aktivitets- og søvnniveau.

Fagre nye verden? Nej, det er et eksempel fra 2017. Pharma bliver dagligt mere og mere digitaliseret, og brugen af big data og smarte algoritmer er allerede en integreret del af drug development.

Da jeg startede i pharmabranchen for mange år siden, fik jeg hurtigt en gennemgang af vigtigheden af en ’trial master file’, som grundlæggende var en mappe med papirkopier af alle vigtige dokumenter. Siden har verden ændret sig markant.

I 2019 startede jeg Silvi, et softwarefirma, som anvender kunstig intelligens til at give et hurtigt, men solidt, videnskabeligt overblik. Det gav mig en markant udfordring. Jeg er svær at lægge arm med, når det kommer til videnskabelig evidens, men min arm bliver lidt vattet, når det kommer til machine learning og natural language processing.

Jeg har en stærk fornemmelse af, at jeg ikke er alene i denne situation. Lægemiddeludvikling er gået fra at gøre brug af en masse smarte programmer, til at data og algoritmer nærmer sig hjertet af medicinaludvikling.

Så hvordan kan man blive den bedste mulige leder for sine medarbejdere, når de går fra at være 100 pct. life science uddannede til et mix af life science og data scientists? Hvordan understøtter man prioritering af tid og ressourcer og smelter it-viden sammen med traditionel pharma-viden?

2. Så hvad gør jeg, hvis jeg intet ved om digitalisering og keder mig, hver gang nogen siger machine learning?

Bare rolig. Hvis du har arbejdet indenfor pharma i mange år, så er du allerede halvvejs. Pharma har alle dage arbejdet struktureret med data, kravspecifikation og dokumentation af processer.

Det er mange af de samme grundelementer, som man arbejder med i big data og AI. Men måske skal du bare starte med at sænke dine forventninger. Mine udviklere snakker ofte om ‘no free lunch-teorien’.

Pointen er, at digitalisering ikke er en hurtig genvej til at løse alle dine problemer på én gang. Der findes ingen algoritme, som man ‘bare’ kan vælge og regne med løser alt. Der er ingen gratis frokost.

Ligesom når man igangsætter en videnskabelig undersøgelse, kræver det både, at du har en baggrundsviden om, hvad der allerede er lavet på området, og at du ved, hvilket meget specifikt problem, du ønsker at løse. Jo mere specifik, du er, jo større er sandsynligheden for, at din undersøgelse giver brugbare resultater.

3. Er det ikke bare hype? Behøver jeg at være med på bølgen?

Men er det ikke bare hype, det hele? Behøver man stige på digitaliseringstoget?

Jeg holder meget af Gartners hype-kurve. Den beskriver i korte træk, hvordan vores forventninger til AI-udvikling bevæger sig fra de helt spæde innovationer, som ingen tror på endnu, til en tiltagende tro på, at netop denne idé skal forandre verden, og til desillusionen, når det går op for os, at den alligevel ikke forandrer det store.

Tag f.eks. selvkørende biler. I starten blev selvkørende biler anset som ren science fiction, men efter nogle år blev det prestigeprojekter for firmaer som Google og Tesla. Så gik der igen nogle år med seriøse udfordringer i forhold til reelt at udvikle, teste og producere de selvkørende biler – og så faldt interessen drastisk. Men det ændrer ikke ved, at selvkørende biler nok skal komme på markedet til en billig pris på et tidspunkt.

For enden af hype-kurven er et plateau. Her udregnes den egentlige brugbarhed, og produktet integreres i organisationer og samfundet.

Som leder i medicinalindustrien kræver digitalisering altså både, at man kan holde fingeren på pulsen ift. de kommende hypes, men også at man forholder sig til, om disse it-trends egentlig bidrager til løsningen af det konkrete problem, man prøver at løse. Ellers kan man risikere at stå med en hel masse af ingenting, når hype-kurven vender.

4. Hvordan koncentrerer man sig om at løse sine problemer?

Måske er den mest fornuftige tilgang at vende problemet om. I stedet for at arbejde med en generel digitalisering af hele organisationen, så er det måske mest relevant at tage udgangspunkt i, hvilke problemer organisationen har mest brug for at løse.

Pharma har en række områder, hvor store mængder data og gode algoritmer ofte er super relevante:

• Vi mangler ofte gode target/molekyler (overblik over muligheder)
• Vi får ikke testet værdien af et nyt molekyle ordentligt (overblik over markedet)
• Vi får ikke lukket urentable kliniske studier hurtigt nok ned (overblik over egne data)
• Vi har ikke god nok dokumentation (overblik over myndighedskrav)

Disse problemer findes der allerede mange spændende digitale løsninger på. Her er det grundlæggende bare et spørgsmål om at kaste sig ud i det. Men hvordan får man gang i det store overblik?

Hvor kan jeg gå hen for at få et overblik og mere viden?

Selv sidder jeg i øjeblikket og kigger på forskellige kurser for selv at få en dybere forståelse af, hvordan jeg bliver bedre til at guide mine medarbejdere og optimere vores processer. Jeg er i den forbindelse faldet over følgende kurser:

Universiteterne: DTU har en række erhvervsrettede digitale kompetencekurser, der tager fem dage, herunder et om digitalisering, data og nye teknologier. ITU holder løbende efteruddannelseskurser såsom Introduktion til programmering, kodning og it-tankegang, eller om digitalt lederskab.

Andre muligheder: Derudover kan man også finde viden om bivirkninger og lægemiddelsikkerhed hos Atrium. Hvis man holder mere af virtuel undervisning, så er Andrew Ngs begynderkursus i machine learning super til en introduktion til de basale mekanismer.

Og endelig sender jeg ofte bare en mail til Anders Kofoed (anders@kofod-petersen.com), hvis jeg har brug for hurtig indsigt. Han er tidligere CEO på Alexandra Instituttet og holder fantastiske skræddersyede digitaliseringskurser.

Hvis du nu har holdt ud og læst hele denne blog og har nogle helt andre forslag, så skriv til mig på thl@pharmaevidence.com. Min læringskurve er pt. meget stejl, men jeg følges gerne med andre på rejsen!