Eine verlässliche Sicht auf
Studienzentren und Prüfärzte
Wie Inato eine einheitliche, verlässliche Sicht auf Studienzentren und Prüfärzte aufgebaut hat – in einem Maßstab, den eine selbst gebaute Matching-Engine nicht erreichen konnte.
Technologie für klinische Studien / Healthtech
Entity-Resolution für Profile von Studienzentren und medizinischem Fachpersonal
Managed Tilores Cloud, genutzt über die GraphQL-API
In Produktion
Studien mit den Zentren verbinden, die Patienten erreichen
Inato ist eine Technologieplattform für klinische Studien, die pharmazeutische Sponsoren mit mehr als 6.000 Studienzentren verbindet – damit Studien Patienten in ihren eigenen Gemeinden erreichen. Zentren brauchen ein vollständiges Profil, um sich um die richtigen Studien zu bewerben; Sponsoren brauchen eines, um mit Zuversicht zu entscheiden, wo sie eine Studie durchführen.
Das hängt von vollständigen, verlässlichen Profilen der Studienzentren und der darin tätigen Prüfärzte ab. Entity-Resolution – das Erkennen, dass Datensätze aus verschiedenen Quellen dasselbe reale Zentrum oder dieselbe Person meinen – ist die Grundlage für alles, was die Inato-Plattform tut.
“During our trial period we were really successful in autonomously implementing nine distinct entity resolution use cases in three months, which was a faster pace than before.”
Fragmentierte Daten und eine Matching-Engine, die nicht skalierte
Die Daten hinter diesen Profilen sind über selbst gemeldete, Drittanbieter- und öffentlich zugängliche Quellen fragmentiert, jede mit eigenen Identifikatoren, Formaten und Vollständigkeitsgraden. Sie zu einer verlässlichen Sicht zusammenzuführen, ist ein schweres Entity-Resolution-Problem.
Inato hatte eine eigene Matching-Engine gebaut, die ihre ersten Use Cases mehrere Jahre lang bediente. Doch jede neue Datenquelle dauerte rund drei Wochen in der Anbindung, und der Ansatz konnte nicht über die Studienzentren hinaus skalieren, die bereits in Inatos Stammdaten vorlagen.
Ein fehlendes Zentrum ist eine verpasste Gelegenheit, es einem Sponsor vorzuschlagen – Abdeckung hat also direkte kommerzielle Auswirkungen.
Vor einer Build-versus-Buy-Entscheidung erkannte das Team Entity-Resolution als ein spezifisches Problem, das es auslagern konnte – statt weiterhin eine eigene Engine zu pflegen, deren Anbindung jeder neuen Quelle Wochen dauerte und die nicht über die bereits vorhandenen Daten hinausreichte.
Ein echter Proof of Concept mit eigenen Daten
Im Vergleich zu einer Enterprise-Master-Data-Management-Lösung überzeugte Tilores dadurch, dass Inato einen echten Proof of Concept mit eigenen Daten durchführen konnte und dass es speziell für Entity-Resolution gebaut ist statt funktionsüberladen. Die Must-haves des Teams waren klar:
- ▹ Ein Proof of Concept mit echten Daten und messbarer Präzision und Recall
- ▹ Autonomie, die Lösung ohne Professional Services zu pflegen und abzustimmen
- ▹ Ein Managed Service, der im großen Maßstab funktioniert
In jedem Punkt bestätigte ein Proof of Concept mit messbarer Präzision und Recall – mit echten Daten, vom Inato-Team selbst durchgeführt – die Wahl.
“Tilores is a managed tool for entity resolution. You ingest records from any source, you define rules, and you get back the records deduplicated. It gives you a lot of control over the matching rules and a lot of explainability over the results, and lets you work at a scale that would be hard to manage internally.”
Ein vollständig gemanagter Service
Tilores läuft als vollständig gemanagter Service. Die Daten werden in Inatos Warehouse aufbereitet und in Tilores eingespeist, das die gesamte Entity-Resolution im Backend durchführt; Inato delegiert Infrastruktur und Skalierbarkeit vollständig.
Die entstehenden Golden Records werden als quellenübergreifende Mapping-Tabelle ins Warehouse zurückgegeben und treiben die Profilanreicherung über die gesamte Plattform – während die Matching-Regeln in Inatos Hand bleiben, um sie zu konfigurieren und weiterzuentwickeln.
“Tilores makes all the entity resolution on the backend. It is completely managed — we do not need to worry.”
Autonomie und Erklärbarkeit
Weil Tilores konfigurierbar ist statt eine Blackbox, und weil das Team autonom selbst Änderungen vornehmen kann, hat Inato eine deutlich schnellere Iterationsschleife, um Präzision und Matching-Qualität zu verbessern. Das Team kann das Matching abstimmen, nachvollziehen, wie Matches zustande kommen, und erklären, warum sich Ergebnisse über die Zeit verändert haben – ohne auf Professional Services zu warten.
Tilores erwies sich zudem als reaktionsschnell. Während der Testphase lieferte es zwei angefragte Funktionen innerhalb von Wochen – einen Assembly-Time-Endpunkt, der programmatisch signalisiert, wann die Auflösung abgeschlossen ist, und eine Versionshistorie für Matching-Regeln –, beide heute im ständigen Einsatz. Den schnellen Support über Slack nennt Inato als weiteren Grund für sein Vertrauen in die Plattform.
“We have a faster iteration loop when we want to improve precision and matching quality, because we have a tool that is less of a black box, configurable, and on which the team is autonomous to make changes.”
Verlässlichere Daten, in einem zuvor unerreichbaren Maßstab
Tilores veränderte sowohl das Tempo als auch den Maßstab, in dem Inato arbeiten kann, und verbesserte die Qualität der Daten hinter den Profilen. Inato führt heute bis zu rund 900.000 Datensätze zu Studienzentren und 600.000 zu medizinischem Fachpersonal zusammen – ein Maßstab, den es zuvor nicht erreichen konnte.
Die Präzision verbesserte sich bei jedem von der Alt-Engine migrierten Use Case, und die Abdeckung stieg um 12 Prozentpunkte beim National Provider Identifier und um 7 Prozentpunkte bei verifizierter Studienerfahrung – also verlässlichere Informationen über mehr Fachpersonen auf der Plattform. Neue Use Cases stehen jetzt rund 2,5x schneller als zuvor.
“Like other modular, managed components of a modern data stack, Tilores allows for rapid time to value and a lower cost of ownership in the long term.”
Verlässliche Profile aus
fragmentierten Daten
Sehen Sie, wie Tilores Datensätze in großem Maßstab zu Golden Records auflöst. Verfügbar im AWS Marketplace.
Daten über Quellen hinweg zusammenführen? Sehen Sie sich die Lösung Master Data Management an.