Финансы

А на остальных, предположим, наше лекарство никак не действует: ни пользы, ни вреда. В результате потрясающий эффект воздействия на конкретную группу женщин окажется "замаскированным" низким общим средним. В результате хорошее лекарство, которое бы завоевало своих покупательниц, будет отвергнуто, и женщин этих будут продолжать лечить другим препаратом, для них не самым лучшим.
Интересно то, что информация, необходимая для выявления таких маленьких подгрупп больных, для которых испытанное лекарство оказалось бы наиболее полезным, после проведения третьей фазы клинических испытаний у фармацевтических компаний есть. Она задокументирована. По жестко регулируемым правилам проведения клинических испытаний ее просто не может не быть. Но вычислить ее, извлекая из общей массы данных, фармацевтические фирмы не умеют. Для этого нужны специальные математические расчеты.
До недавнего времени создавать такой математический аппарат не имело смысла, так как никого не интересовало лекарство, пусть и более эффективное, но с узким рынком. Сейчас же ситуация в Америке изменилась. Страховые компании заговорили о том, что лучше платить больше за более эффективные препараты, которые быстро лечат каждую конкретную группу, чем долго и понемногу тратить средства на лекарства, которые одинаково плохи для всех. Ведь в первом случае дополнительно экономятся расходы по утрате трудоспособности и уходу за больным.
В новой атмосфере компания MB Lab, используя метод, описанный в данной главе, предприняла следующий шаг. Вместо того, чтобы "с нуля" участвовать в гонках по разработке новых лекарств, тратя до 100 миллионов долларов на этапах, предшествующих третьей фазе клинических испытаний, и рискуя провалиться на каждом из них, не лучше ли пересмотреть то, что уже было сделано за чужой счет? Математический отдел MB Lab разработал пакет программного обеспечения, который может обработать данные "неудачных" клинических испытаний и найти те группы пациентов, для которых этот забракованный препарат был наиболее хорош.