Une synthèse du livre blanc rédigé par Artefact en partenariat avec AI for Health.
Artefactpartagent leur expérience de terrain et leurs observations précises dans ce rapport bien documenté, riche en leçons apprises et en cas d'utilisation concrète.
Découvrez les réflexions de chercheurs en santé, de startups, d'entreprises pharmaceutiques et d'investisseurs, parmi lesquels Servier, Pfizer, Johnson & Johnson, Google, Elaia, Inato, Klineo, Deemea et Naaia.
Partie 1. L'IA dans les essais cliniques : Une révolution en cours
L'industrie pharmaceutique est en train de se transformer sous l'impulsion de l'IA, qui a le potentiel de faire économiser des millions aux entreprises pharmaceutiques en permettant des essais cliniques plus efficaces, pilotés par le site data. Alors que le développement traditionnel est confronté à une escalade des coûts (loi d'Eroom), l'IA accélère le processus, réduisant considérablement la durée moyenne des essais. L'IA générative optimise en outre la conception des essais, le recrutement des patients et l'analyse data .
Les principales innovations sont les suivantes :
"Nous avons observé une réduction significative du temps moyen entre le début et la fin des essais cliniques, passant de 8,6 ans en 2019 à 4,8 ans en 2022."Luca Mollo, vice-président, directeur médical France chez Pfizer
Partie 2. Impact dans le monde réel : Cas d'utilisation transformateurs dans la chaîne de valeur des essais cliniques
La véritable promesse à court terme de l'IA réside dans la révolution des processus pour permettre des essais plus rapides, plus efficaces et pilotés par data, qui peuvent accélérer de manière significative le développement de nouvelles thérapies.
Pour cartographier les cas d'utilisation, Artefact a structuré la chaîne de valeur des essais cliniques en trois phases clés afin de fournir un cadre clair et ciblé.
Cas d'utilisation n° 1 : Conception d'essais cliniques
L'IA rationalise la conception des essais en prédisant les résultats et en optimisant les critères d'éligibilité des patients. Des outils tels que l'optimisation des essais cliniques pilotée par l'IA, la prédiction du succès des essais basée sur des algorithmes et TrialGPT améliorent la prise de décision en analysant l'historique data.
Impact : Data- conception d'essais orientée, protocoles d'essais plus rapides, amélioration de la satisfaction des patients.
" Nous croyons fermement à la transformation de la recherche et du développement clinique grâce à l'IA, ayant priorisé 18 thématiques de R&D avec de multiples cas d'utilisation de l'IA à fort potentiel, allant de l'identification des cibles à la conception des essais. Cette conviction nous permettra de relever les 2 défis majeurs du processus d'innovation médicamenteuse : la probabilité de succès et le délai de mise sur le marché."Brice Miranda, directeur général du groupe Data chez Servier
Cas d'utilisation n° 2 : Recrutement et inscription des patients
L'IA s'attaque aux inefficacités du recrutement, avec des plateformes comme inato qui élargissent l'accès aux essais et renforcent la diversité et l'engagement des patients. Des algorithmes prédictifs identifient les sites idéaux pour les groupes démographiques sous-représentés.
Impact : Le temps de recrutement a été réduit de moitié ; la diversité s'est accrue, passant de 15 % à 67 % de participants non blancs.
"70 % des essais sont concentrés dans seulement 5 % des grands hôpitaux, tandis que 90 % des sites potentiels restent sous-utilisés".Kourosh Davarpanah, cofondateur et PDG d'inato
Cas d'utilisation n° 3 : Exécution et gestion
Les analyses pilotées par l'IA automatisent le traitement de data , révèlent des modèles cachés et génèrent des résumés initiaux qui rationalisent le processus de rédaction des conclusions. Des outils avancés gèrent data à partir d'essais décentralisés, intégrant des informations pour accélérer les conclusions. Le traitement du langage naturel (NLP) automatise les rapports, réduisant les délais de plus de 50 %.
L'impact : Approbation plus rapide des réglementations, réduction des coûts, amélioration de la prise de décision.
"Il réduit considérablement le temps de rédaction des rapports, qui passe de 100 jours à 48 jours seulement, en traitant rapidement data, en automatisant les tâches et en générant un avant-projet à soumettre aux autorités de réglementation".Luca Mollo, vice-président, directeur médical France chez Pfizer
Partie 3. Alimenter l'innovation : L'écosystème en expansion des essais pilotés par l'IA
Le rôle des Big Tech dans l'avancement des essais cliniques alimentés par l'IA
Des startups et des géants de la technologie comme Google et IBM sont en train de révolutionner les essais cliniques grâce à des outils alimentés par l'IA. Parmi les projets notables, on peut citer
"Nous passons d'un écosystème de soins de santé réactif à un écosystème proactif, presque prédictif.Shweta Maniar, directrice mondiale de la santé et des sciences de la vie chez Google
Comment les start-ups stimulent l'innovation dans la recherche clinique
De nouveaux acteurs remodèlent le paysage grâce à des technologies de pointe et à des approches nouvelles, en relevant des défis de longue date dans des domaines tels que la conception des essais, le recrutement des patients, la gestion du site data et l'efficacité des essais. Parmi les nouveaux venus, on peut citer
"Les bases de données publiques telles que ClinicalTrials.gov (aux États-Unis) et CTIS (en Europe) contiennent de vastes quantités de données data , mais elles sont souvent non structurées et obsolètes, ce qui entraîne des retards dans la recherche d'essais pertinents et ralentit donc le recrutement des patients".Thomas Peyresblanques Co-fondateur et PDG de Klineo
Partie 4. Les défis à venir : Surmonter les obstacles et les limites
Contraintes réglementaires : Assurer la protection des patients tout en accélérant l'innovation
L'adoption de l'IA dans les essais cliniques est entravée par des complexités réglementaires, des problèmes d'interopérabilité ( data ) et des préoccupations éthiques liées à la partialité et à la transparence. Toutefois, des cadres tels que la loi européenne sur l'IA visent à garantir des applications sûres et de haute qualité.
"La réglementation européenne est stricte mais représente un avantage en tant que barrière à l'entrée pour les entreprises non conformes.Charlotte Pouchy, PDG de Deemea
Data accès, interopérabilité et synthèse data: surmonter les principaux défis
En Europe, le site data est fragmenté et incohérent d'un pays à l'autre, ce qui complique les analyses basées sur l'IA. Le manque de normalisation des systèmes informatiques nationaux de soins de santé complique encore la situation. Le site synthétique data offre une solution prometteuse pour relever ces défis tout en préservant la vie privée des patients.
L'adoption de l'IA dans les essais cliniques se heurte à d'autres difficultés, notamment les biais dus à des ensembles de données non représentatifs, le manque de transparence des algorithmes de type "boîte noire" et les risques accrus en matière de cybersécurité. Pour résoudre ces problèmes, il faut s'assurer que les modèles se généralisent à diverses populations, améliorer la capacité d'explication et trouver un équilibre entre une protection solide sur data et la nécessité d'un accès suffisant sur data dans des cadres réglementaires stricts tels que la loi sur l'IA et le GDPR de l'UE.
"La difficulté de comprendre et d'expliquer les décisions prises par les algorithmes d'IA, ainsi que les biais potentiels, constituent un obstacle important à leur utilisation dans les essais cliniques."Nathalie Beslay, avocate et cofondatrice et directrice générale de Naaia
Malgré ces obstacles, l'IA établit une nouvelle norme pour la recherche clinique : elle ne se contente pas d'améliorer les essais, elle les redéfinit, ouvrant la voie à un développement de médicaments plus rapide, plus sûr et plus axé sur le patient, qui pourrait améliorer considérablement les résultats pour les patients et faire progresser les soins de santé.
Regardez la conférence avec Luca Mollo, Vice President, Medical Director France, M.D. chez Pfizer et nos experts Artefact , Thomas Filaire, Partner, et Léa Giroulet, Senior Data Consultant, sur les principaux enseignements de ce rapport :
