AstraZeneca acelera el tiempo de obtención de información mediante Amazon SageMaker

Como compañía internacional centrada en la ciencia, el principal punto de interés de AstraZeneca es el descubrimiento, el desarrollo y la comercialización de medicamentos que cambien la vida a los pacientes oncológicos y con enfermedades raras y productos biofarmacéuticos para el sistema cardiovascular y el funcionamiento del metabolismo y los riñones, así como para la salud respiratoria y la inmunología, y ayuda a millones de pacientes de 145 países y 70 mercados. AstraZeneca analiza datos anónimos de pacientes para obtener información, como la opinión de los pacientes sobre tratamientos específicos y la alimentación de modelos de progresión en áreas terapéuticas como la nefropatía crónica, la readmisión de casos de infarto y la clasificación de tipos de cáncer. AstraZeneca ofrece esta información a analistas comerciales, que la utilizan para mejorar los procesos empresariales y aumentar la concienciación, además de para introducirla en sistemas sanitarios. «Nos centramos en estrategias de marketing personalizadas, y ayudamos a nuestros equipos comerciales a facilitar la información adecuada al personal sanitario para satisfacer las necesidades de los pacientes», afirma Cherry Cabading, arquitecta empresarial sénior global de AstraZeneca.

Facilitar esa información requiere el análisis de grandes conjuntos de datos. Como otras muchas grandes corporaciones, el equipo comercial de AstraZeneca no contaba con un entorno de ML ágil en el que procesar los datos a escala. Con su solución de ML anterior, tenían que emplear un mes entero de trabajo intensivo para definir un entorno en el que los científicos de datos tuvieran acceso a los datos necesarios. Era un sistema que requería mucho tiempo y poco rentable. «Antes utilizábamos una pila de tecnología que no tenía una forma automatizada de producir el entorno necesario para un equipo de científicos de datos», explica Cabading. «Era difícil incluso compaginar todos los elementos porque no había cohesión entre las distintas herramientas de ML disponibles en el mercado».

En 2020, el equipo comercial empezó a buscar una solución que ofreciera extensibilidad, flexibilidad y escalabilidad. «Los científicos de datos necesitaban una solución para crear, entrenar e implementar modelos de ML e industrializar esos modelos más tarde para integrarlos en nuestro sistema comercial», afirma Cabading. Con Amazon SageMaker, AstraZeneca pudo implementar una solución estándar y unificada para el desarrollo de machine learning, evitando así meses de generación de código de integración personalizado al mismo tiempo que se reducían costos.

En 2020, Cabading y su equipo empezaron a elaborar y diseñar la solución mediante Amazon SageMaker. Mientras el equipo se preparaba para implementar las operaciones de ML, AWS lanzó Amazon SageMaker Studio, un entorno de desarrollo completamente integrado para machine learning que contiene todo lo que se necesita para preparar datos y crear, entrenar e implementar modelos en una interfaz visual web unificada. AstraZeneca empezó a usar Amazon SageMaker Studio en julio de 2021. «lncluye el despliegue, las operaciones de ML, el registro de modelos, un almacén de funciones de SageMaker y la capacidad de implementar los modelos en diferentes etapas o entornos», afirma Cabading. «En lugar de crear muchos procesos manuales, podemos automatizar la mayor parte del proceso de desarrollo de ML simplemente dentro de Amazon SageMaker Studio».

La solución de ML de AstraZeneca, denominada, Advanced Insights Generator (AIG), ayuda a los analistas a desarrollar modelos comerciales. En el sector comercial de los Estados Unidos, la solución AIG se utiliza en equipos científicos de más de 100 científicos de datos. Los científicos de datos solicitan un entorno y los datos a los que desean acceder, como datos biofarmacéuticos u oncológicos. Para administrar esas solicitudes, el equipo de Cabading utiliza AWS Service Catalog, que ofrece un centro único desde el que las organizaciones pueden administrar de forma centralizada catálogos de servicios de tecnología de la información. «Escribimos el nombre del equipo de ciencia de datos y seleccionamos la casilla de los datos a los que quieren acceder», nos cuenta Cabading. A continuación, se abre automáticamente un entorno nuevo. Todo este proceso tarda 5 minutos, en comparación con el mes que se tardaba antes, así que los científicos de datos se pueden centrar en tareas más valiosas y ofrecer información con rapidez.

Mediante AIG, el equipo comercial puede generar información en menos de dos meses y medio, en comparación con los seis meses de antes, una mejora de aproximadamente el 150 % del tiempo que se tarda en obtener información. «Dado que la solución cuenta con una infraestructura en forma de código, es fácil repetir procesos. No tenemos que volver a inventar la rueda para esos proyectos», afirma Cabading. “Podemos compartir esta solución con diferentes socios internos y externos, allí donde puedan necesitarla más”.