自訂試驗評分：比較已規劃的臨床試驗設計並將之優化以獲得成功
歷史和正在進行的臨床試驗數據庫：尋找推動製藥增長的臨床催化劑，並按成功概率（PoS） 將其分類及研究成功試驗的設計
臨床試驗結果評分：能夠使用 PoS 的簡單數據驅動指標來分析個別試驗的效能
綜合報告生成：具備 PoS 的自訂報告，以及對組學數據、藥物結構、試驗方案、臨床前數據，以及刊物、撥款和專利意見生成之概率的影響
歷史和正在進行的臨床試驗數據庫：尋找推動製藥增長的臨床催化劑，並按成功概率（PoS） 將其分類及研究成功試驗的設計
臨床試驗結果評分：能夠使用 PoS 的簡單數據驅動指標來分析個別試驗的效能
綜合報告生成：具備 PoS 的自訂報告，以及對組學數據、藥物結構、試驗方案、臨床前數據，以及刊物、撥款和專利意見生成之概率的影響
核心功能
客戶資料檔案及用例
-
以製藥為重點的基金的買方分析員- 尋找要投資的資產
- 投資組合去風險化
-
製藥公司 BD&L 行政人員- 併購、授權和合作夥伴關係的技術盡職審查
- 製藥投資組合去風險化
- 競爭分析
-
臨床研究人員及開發人員- 人工智能擴增試驗設計——端點、位點、資格
- 一般危險訊號研究
- 對失敗項目進行事後分析以便可以重新開始
inClinico用於藥物管線盡職審查
由多模態數據提供支援的先進人工智能建模平台
- 用於資料擷取和數據協調的專有機器學習演算法
- 全面協調和整理的公共數據
- 具有行業專家回饋循環的先進 NLP 系統
- 來自 CRO 的大量臨床前數據
- 基於不同模式的成功機率
- 對預測的詳細解讀
- 全行業成功率分析
個別臨床試驗報告
包含藥物研發領域基準加速因素的總結報告
- 按成功機率優先排序的臨床試驗
- 報告涵蓋臨床試驗贊助商及其財務詳情
- 利用衍生的機率並更精準地估計 NPV，為授權和投資決策提供資訊
inClinico用於增強臨床試驗設計
inClinico 從臨床試驗方案中擷取有意義的陳述
- 試驗結構——盲法、隨機和隊列
- 患者納入標準
- 端點
- 臨床地點資訊
取得臨床方案詳情影響的互動式報告
- 哪些細節對模型預測最重要
- 每個功能以及功能組的精確量化影響
獲得如何改變臨床方案以提高成功機率的可行見解
- 模擬替代設計及取得詳細報告
- 選擇符合專家知識和數據驅動建議的最佳設計
數據來源
-
500 萬
組學數據樣本科學界生成的全譜轉錄組學、基因組學、表觀基因組學、蛋白質組學、單細胞數據 -
3,000 萬
份刊物發表生物醫學研究成果 -
300 萬
撥款生命科學研究撥款資金 -
380 萬
項專利專利涵蓋生命科學行業。 -
342,000
項臨床試驗探索與臨床試驗設計相關的額外知識 -
13,000
種藥物藥物從臨床第 1 期到上市階段
合作
2020 年 10 月 15 日
2020 年 4 月 27 日
2020 年 4 月 14 日
2020 年 3 月 16 日
2020 年 1 月 14 日
前瞻性 inClinico 驗證
2020 年 6 月
2020 年 4 月
This website uses cookies to ensure you get the best experience