Normalisation des données cliniques
Le développement et la mise sur le marché d'un nouveau produit dans le domaine des soins personnels et des aliments impliquent très souvent un essai clinique permettant d'évaluer l'efficacité du produit et de justifier les allégations. L'utilisation de méthodes technologiques efficaces pour gérer les données cliniques peut accélérer le développement et la commercialisation du produit, ce qui accroît l'avantage concurrentiel. Les données peuvent provenir de différentes sources comme les caractéristiques des sujets, les réponses à des questions spécifiques, les mesures à l'aide de différents instruments, la fréquence d’utilisation du produit, etc. « Comment normaliser la collecte et le stockage des données » était la question posée à Velitchka lorsqu'elle a commencé son projet chez Unilever.
On peut comparer la normalisation des données à l'assemblage de pièces LEGO : la plupart d'entre elles ont une forme régulière et peuvent être utilisées pour construire différentes choses. Nous avons d'abord examiné les méthodes de mesure et d'évaluation les plus couramment utilisées, pour lesquelles nous avons déterminé les données devant être recueillies et stockées. Rapidement, nous avons eu une grande sélection de normes (pièces LEGO) que nous avons pu réutiliser en fonction de la conception particulière des essais cliniques. Avec les statisticiens, nous avons défini un ensemble de données qui a servi à l'analyse statistique. Nous sommes allés plus loin et avons défini une procédure automatisée qui traitera toutes les données et les rendra disponibles pour analyse.
Y a-t-il autre chose ?
Les données normalisées sont de haute qualité, cohérentes et peuvent être retracées jusqu'aux données brutes originales. Mais « Y a-t-il autre chose ? », se demandera-t-on. Et la réponse est « Oui ». Il est maintenant possible de combiner les données de plusieurs études et d'acquérir des connaissances sans qu'il soit nécessaire de mener un essai clinique. Lorsque l'information sur la composition des produits est disponible, il est possible de construire des modèles pour prédire l'efficacité des produits et utiliser dans les essais cliniques seulement les produits les plus prometteurs. Les progrès actuels en matière d'algorithmes de calcul et de données normalisées de haute qualité sont fondamentaux pour créer des outils in silico qui permettent de dire si un produit fonctionnera et aura un sens financier avant même d'exister dans le monde réel.