Standaardisatie klinische gegevens
Het ontwikkelen en op de markt brengen van een nieuw product voor de sector persoonlijke verzorging en voedingsmiddelen gaat vaak gepaard met klinisch onderzoek om de werkzaamheid van het product en ondersteunende claims te beoordelen. Het product kan sneller worden ontwikkeld en in productie worden genomen als er effectieve technologische methodes worden gehanteerd om klinische gegevens te beheren. Dit levert bovendien een concurrentievoordeel op. Die gegevens kunnen afkomstig zijn uit diverse bronnen, zoals persoonlijke kenmerken, antwoorden op bepaalde vragen, metingen met verschillende instrumenten, de mate waarin een product is gebruikt enzovoort. "Hoe kunnen we het verzamelen en opslaan van gegevens standaardiseren?" Dit was de vraag die aan Velitchka werd gesteld toen zij van start ging met haar project bij Unilever.
Het standaardiseren van gegevens kan worden vergeleken met het bouwen met LEGO-blokjes: de vorm van de blokjes is vaak uniform en ze kunnen worden gebruikt om verschillende dingen te bouwen. We hebben eerst gekeken naar de meet- en beoordelingsmethoden die gewoonlijk worden gebruikt en hebben vervolgens bepaald welke gegevens er verzameld en opgeslagen moesten worden. Dit leverde al snel een grote hoeveelheid standaarden (LEGO-blokjes) op die we opnieuw konden gebruiken, afhankelijk van het ontwerp van het specifieke klinische onderzoek. We hebben samen met statistici datasets gedefinieerd die voor de statistische analyse werden gebruikt. We zijn nog een stap verder gegaan en hebben een geautomatiseerde procedure gedefinieerd die alle gegevens verwerkt en beschikbaar maakt voor analyse.
Zijn er meer voordelen?
Gestandaardiseerde gegevens zijn van hoge kwaliteit, zijn consistent en zijn te herleiden naar de oorspronkelijke onbewerkte gegevens. Je kunt je echter afvragen of er niet nog meer voordelen zijn. Het antwoord is: 'Ja'. Er kunnen nu gegevens uit meerdere onderzoeken worden gecombineerd en dit levert inzichten op zonder dat er klinisch onderzoek is vereist. Aan de hand van gegevens over de samenstelling van een product kunnen modellen worden gebouwd om de efficiëntie van een product te voorspellen. Zo wordt het ook mogelijk om uitsluitend de meest veelbelovende producten te gebruiken tijdens klinische onderzoeken. De huidige ontwikkelingen in computeralgoritmen in combinatie met hoogwaardige gestandaardiseerde gegevens zijn essentieel voor het maken van in silico-tools. Met deze tools kan worden voorspeld of een nog niet in productie genomen product succesvol en lucratief wordt.