FV-82 | Prognose bahnbrechender Innovationen in der Pharmabranche

Prof. R. Weder, Dr. Ch. Rutzer

Aussenwirtschaft und Europäische Integration

Forschungsgegenstand 
In dem Projekt soll das Innovationspotenzial von Pharmapatenten direkt nach dem Zeitpunkt der Veröffentlichung mit Hilfe von Machine Learning prognostiziert werden. Dadurch wird es möglich einzuschätzen, welcher Pharmastandort in welchen Bereichen der Pharmaforschung gerade sehr wichtige Innovationen hervorbringt. 

Solche Prognosen dürften insbesondere für Akteure in der Region Basel von grossem Interesse sein. Der generierte Forschungsoutput soll daher in einem innovativen Format, und zwar in Form eines webbasierten Informationssystems, der Öffentlichkeit zugänglich gemacht werden. 

Forschungsfrage 
Für viele Entscheidungsträger in Wirtschaft und Politik dürfte es von grossem Nutzen sein, den Innovationsgehalt von technologischen Entwicklungen möglichst zeitnah einschätzen zu können. Bezüglich der Region Basel gilt dies insbesondere für Innovationen im Bereich Pharma bzw. Life-Science, stellen diese Unternehmen doch einen zentralen Pfeiler der hiesigen Wirtschaft dar. 

Dabei ist die Zahl der Zitierungen ein etabliertes Instrument, um die Wichtigkeit und den ökonomischen Wert eines Patents und damit der zu Grunde liegenden Innovation zu erfassen (Lee et al., 2016; Lerner, 1994). Jedoch tritt dabei ein naheliegendes Problem auf: Wie bei wissenschaftlichen Arbeiten werden Patente erst nach der Veröffentlichung im Laufe der Zeit zitiert. Deswegen ist es anhand von Zitierungen nur rückblickend möglich einzuschätzen, ob ein Patent eine wichtige, gar bahnbrechende Innovation abbildet oder nicht. Dieser Zustand ist insbesondere aus Sicht von Entscheidungsträgern unbefriedigend. Deshalb gibt es in der aktuellen Wissenschaft verschiedene Bestrebungen, die Zahl der Zitierungen, die ein Patent erhalten dürfte, zu prognostizieren (siehe Aristodemou und Tietze, 2018, für eine Zusammenfassung der Literatur). 

Aktuelle Arbeiten zeigen, dass die derzeit vielbeachteten neuronalen Netze (auch als Deep Learning bekannte Algorithmusgruppe des Machine Learnings) gut geeignet sind, die Zitierhäufigkeit von Patenten für einen Zeithorizont von etwa einem bis fünf Jahre(n) zu prognostizieren (Ponta et al, 2019; Lee et al., 2018). Diese neuen Erkenntnisse der Literatur wollen wir gewinnbringend für die Region Basel nutzen, indem wir solche Algorithmen trainieren und damit das Innovationspotenzial aktueller Patentanmeldungen der Pharmaindustrie analysieren. 

Zielsetzung, Bedeutung und Nutzen 
Das Projekt verfolgt zwei Ziele. Zum einen wollen wir verschiedene Machine Learning Algorithmen trainieren und damit aktuelle Patentanmeldungen der Pharmabranche hinsichtlich ihres Innovationspotenziales untersuchen. Zum anderen wollen wir einen neuen Weg testen, praxisrelevante, wissenschaftliche Ergebnisse addressatengerecht zu kommunizieren. Anders als bisherige wissenschaftliche Arbeiten, die meist in Form eines digitalen Papiers veröffentlicht werden, wollen wir die Ergebnisse mit einem webbasierten Informationssystem der Öffentlichkeit zugänglich machen. Der/die Leser/in kann dann selbst entscheiden, welche Ergebnisse zu einzelnen Bereichen anhand von dynamischen Grafiken und Tabellen angezeigt werden sollen. Ein Beispiel könnte dabei die Anzahl der zu erwartenden high- und low-performing Patente aufgeteilt nach Technologiebereichen sein. Ein anderes Beispiel wäre eine Differenzierung nach geografischen Regionen hinsichtlich der Anzahl der zu erwartenden high- und low-performing Patente. Dabei könnte man zwischen verschiedenen Aggregationsstufen wie Ländern, Kantonen und Städten wählen. Eine Landkarte würde sich entsprechend dynamisch anpassen. 

Der Neuigkeitsgehalt besteht darin, das Innovationspotenzial eines Pharma- Patentes direkt nach Veröffentlichung prognostizieren zu können. Dies ermöglicht eine ständig aktualisierte Einschätzung des Innovationspotenzials des Pharmastandorts Basel. Um die Ergebnisse verschiedenen Akteuren in Wirtschaft, Politik und Gesellschaft zugänglich zu machen, soll ein neues, dem digitalen Zeitalter angemessenes Outputformat entwickelt werden.