提高品牌性能的压力并不是表现不佳的品牌所独有的。实际上，在每个新的预算周期中，所有品牌都会更新获得和保留更多患者的挑战。可以理解，品牌团队很难确定哪些性能杠杆将提供最大的投资回报（ROI），尤其是考虑到期权之间的相互作用。可用的策略是相互关联的，一个领域的改进可能会对其他领域产生影响（正面或负面）。
使用深度学习指导投资
幸运的是，伊克维亚（Iqvia）开发了一个独特的深度学习框架（专利正在申请专利），以指导品牌团队在绩效的四个功能支柱中选择：
- 扩展可治疗的患者池
- 增加处方者的数量并提高处方者的生产率
- 减少药房的泄漏
- 增加患者的寿命价值
IQVIA的方法论使用基于机器学习（ML）算法的嵌入式智能揭示了品牌的潜力，确定了现有的性能差距，并量化了各种策略的投资回报率。它利用了3亿匿名患者的综合数据。
有关更多详细信息，请下载我们的事实说明。
确定品牌的真正潜力
使用医学测序算法，可以量化有多少个“机会患者”（不在品牌上，但与该品牌上当前的患者具有相似的临床状况的患者）可以捕获。这需要
- 了解治疗的临床途径，检查导致对使用该品牌的患者的治疗的事件
- 在研究期间量化机会患者的数量（未接受治疗的患者和转换的患者），其临床途径与上述相似但不使用该品牌的临床途径
确定性能差距
量化了机会患者的数量后，品牌团队必须接下来了解为什么这些患者不在品牌上。团队应探讨上述功能性能支柱1-3对性能的影响。这是通过点击集成的患者数据库并比较消息传递，促销，付款人访问，KOLS和IDN相关的影响对当前品牌用户和机会患者的影响来完成的。
为了揭示依从性的驱动因素（第四支柱），ML算法可以将依从患者的特征与非依从患者的患者进行比较，并有助于制定提高依从性的策略。
量化投资选择
这项练习将确定可以改进的多个领域，但没有解决应采用哪些策略的问题。其中选择将需要再次转向ML模型。方程式的成本方面仍然是一个估计，但是该算法将量化将机会患者转换为各种潜在策略的品牌用户的可能性。
结论
关于如何最好地分配有限资源和提高品牌绩效的决定现在可以基于证据。它需要广泛的患者级数据资源，结构良好的ML框架以及IQVIA的分析方法。
