Partie 1. L'IA dans les essais cliniques : une révolution en marche
L'industrie pharmaceutique connaît actuellement une transformation profonde sous l'impulsion de l'IA, qui pourrait permettre aux laboratoires pharmaceutiques d'économiser des millions en rendant les essais cliniques plus efficaces et 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 encore davantage la conception des essais, le recrutement des patients et data .
Parmi les principales innovations, on peut citer :
- Modélisation prédictive pour garantir la réussite des essais cliniques.
- Amélioration du recrutement des patients grâce à des algorithmes axés sur la diversité.
- data en temps réel dans le cadre d'essais cliniques décentralisés (DCT).
« Nous avons constaté une réduction significative de la durée moyenne entre le début et la fin des essais cliniques, qui est passée de 8,6 ans en 2019 à 4,8 ans en 2022. »
Luca Mollo, vice-président et directeur médical pour la France chez Pfizer
Partie 2. Impact concret : des cas d'utilisation transformateurs tout au long de la chaîne de valeur des essais cliniques
Le véritable potentiel de l'IA à court terme réside dans sa capacité à révolutionner les processus afin de permettre la conduite d'essais cliniques plus rapides, plus efficaces et data, susceptibles d'accélérer considérablement le développement de nouveaux traitements.
Afin de recenser les cas d'utilisation, Artefact la chaîne de valeur des essais cliniques en trois phases clés afin d'offrir un cadre clair et ciblé.
Cas d'usage n° 1 : Conception d'essais cliniques
L'IA simplifie la conception des essais cliniques en prédisant les résultats et en optimisant les critères d'éligibilité des patients. Des outils tels que l'optimisation des essais cliniques basée sur l'IA, la prédiction de la réussite des essais à l'aide d'algorithmes et TrialGPT améliorent la prise de décision en analysant data historiques.
Impact: conception d'essais cliniques Data, élaboration plus rapide des protocoles d'essais, amélioration de la satisfaction des patients.
« Nous croyons fermement au potentiel de l’IA pour transformer la recherche et le développement clinique ; nous avons ainsi défini 18 axes de R&D présentant de multiples cas d’utilisation prometteurs de l’IA, allant de l’identification des cibles à la conception des essais cliniques. Cette conviction nous permettra de relever les deux principaux défis du processus d’innovation pharmaceutique : la probabilité de succès et les délais de mise sur le marché. »
Brice Miranda, directeur Data du groupe Servier
Cas d'usage n° 2 : Recrutement et inscription des patients
L'IA permet de remédier aux inefficacités du recrutement, grâce à des plateformes telles qu'inato qui élargissent l'accès aux essais cliniques et favorisent la diversité ainsi que l'engagement des patients. Des algorithmes prédictifs identifient les sites idéaux pour les groupes démographiques sous-représentés.
Résultats: le temps nécessaire au recrutement a été réduit de moitié ; la diversité s'est accrue, avec désormais 67 % de participants non blancs (contre 15 % auparavant).
« 70 % des essais cliniques 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'usage n° 3 : Exécution et gestion
Les analyses basées sur l'IA automatisent data , mettent en évidence des tendances cachées et génèrent des synthèses préliminaires qui simplifient le processus de rédaction des conclusions. Des outils avancés gèrent data essais décentralisés, en intégrant les informations pertinentes pour accélérer la formulation des conclusions. Le traitement du langage naturel (NLP) automatise la production de rapports, réduisant ainsi les délais de plus de 50 %.
Conséquences: accélération des procédures d'autorisation réglementaire, réduction des coûts, amélioration de la prise de décision.
« Cela réduit considérablement le temps nécessaire à la rédaction des rapports, le faisant passer de 100 jours à seulement 48, grâce au traitement rapide data, à l'automatisation des tâches et à la génération d'un projet préliminaire destiné à être soumis aux autorités de régulation. »
Luca Mollo, vice-président et directeur médical pour la France chez Pfizer
Partie 3. Stimuler l'innovation : l'écosystème en pleine expansion des essais cliniques basés sur l'IA
Le rôle des géants de la technologie dans le développement des essais cliniques basés sur l'IA
Les start-ups et les géants de la technologie tels que Google et IBM sont à l'avant-garde de la révolution des essais cliniques grâce à des outils basés sur l'intelligence artificielle. Parmi les projets notables, on peut citer :
- AlphaFold (Google DeepMind) : prédit les structures protéiques, accélérant ainsi la découverte de médicaments.
- Plateforme IBM Watson Health : identifie des tendances dans data cliniques data mieux orienter les patients vers les essais cliniques adaptés.
« Nous passons d’un écosystème de santé réactif à un écosystème proactif, voire prédictif. »
Shweta Maniar, directrice mondiale, Santé et sciences de la vie chez Google
Comment les start-ups stimulent l'innovation dans la recherche clinique
De nouveaux acteurs redessinent le paysage grâce à des technologies de pointe et des approches novatrices, s'attaquant ainsi à des défis de longue date dans des domaines tels que la conception des essais cliniques, le recrutement des patients, data et l'efficacité des essais. Parmi les nouveaux venus notables, on peut citer :
- Klineo : aide les patients à trouver l'essai clinique le plus adapté.
- AI Cure : propose un suivi décentralisé des patients afin de réduire les taux d'abandon.
- Unlearn.ai : réduit les besoins en recrutement en créant des jumeaux numériques, ce qui accélère la mise sur le marché.
« Les bases de data publiques telles que ClinicalTrials.gov (aux États-Unis) et CTIS (en Europe) contiennent d'énormes quantités de data celles-ci sont souvent non structurées et obsolètes, ce qui entraîne des retards dans la recherche d'essais cliniques pertinents et ralentit ainsi le recrutement des patients. »
Thomas Peyresblanques, cofondateur et PDG de Klineo
Partie 4. Les défis à venir : surmonter les obstacles et les limites
Contraintes réglementaires : garantir la protection des patients tout en accélérant l'innovation
L'adoption de l'IA dans les essais cliniques est freinée par la complexité réglementaire, les problèmes data et les préoccupations éthiques liées aux biais et à la transparence. Cependant, des cadres réglementaires tels que la loi européenne sur l'IA visent à garantir des applications sûres et de haute qualité.
« La réglementation européenne est stricte, mais elle constitue un avantage en tant que barrière à l'entrée pour les entreprises qui ne s'y conforment pas. »
Charlotte Pouchy, PDG de Deemea
Data , interopérabilité et data synthétiques : relever les principaux défis
En Europe, data de santé data fragmentées et hétérogènes d'un pays à l'autre, ce qui complique leur analyse par l'intelligence artificielle. L'absence de normalisation entre les systèmes informatiques de santé nationaux aggrave encore ce problème. data synthétiques data une solution prometteuse pour relever ces défis tout en préservant la confidentialité des patients.
Parmi les autres défis liés à l'adoption de l'IA dans les essais cliniques, on peut citer les biais résultant de jeux de données non représentatifs, le manque de transparence des algorithmes de type « boîte noire » et l'aggravation des risques liés à la cybersécurité. Pour relever ces défis, il faut veiller à ce que les modèles soient généralisables à des populations diverses, améliorer leur explicabilité et trouver un équilibre entre data solide data et la nécessité data suffisant data , dans le respect de cadres réglementaires stricts tels que la loi européenne sur l'IA et le RGPD.
« La difficulté à comprendre et à expliquer les décisions prises par les algorithmes d'IA, ainsi que les biais potentiels, constituent un obstacle majeur à leur utilisation dans les essais cliniques. »
Nathalie Beslay, avocate, cofondatrice et PDG de Naaia
Malgré ces obstacles, l'IA établit une nouvelle norme en matière de recherche clinique : elle ne se contente pas d'améliorer les essais cliniques, elle les redéfinit, ouvrant la voie à un développement de médicaments plus rapide, plus sûr et davantage axé sur le patient, susceptible d'améliorer considérablement les résultats pour les patients et de faire progresser les soins de santé.
Regardez la conférence avec Luca Mollo, vice-président et directeur médical pour la France chez Pfizer, ainsi que nos Artefact , Thomas Filaire, associé, et Léa Giroulet, Data senior Data , pour découvrir les principaux enseignements de ce rapport :
