Sommet de l'IA pour la santé - Édition 2024
Principaux enseignements de la table ronde "Libérer la puissance de l'IA dans les essais cliniques" avec Luca Mollo, vice-président, directeur médical France, M.D. chez Pfizer, Thomas Filaire, associé chez Artefact, et Léa Giroulet, consultante senior Data chez Artefact.
La discussion a porté sur le rôle transformateur de l'IA dans les essais cliniques, soutenu par les idées de Pfizer et Artefact, et mis en évidence dans leur livre blanc collaboratif. Il a présenté des cas d'utilisation concrets, une cartographie de l'écosystème et les défis posés par l'extension des innovations en matière d'IA.
ArtefactMotivation de la Commission pour le livre blanc
Artefact a identifié une demande croissante pour l'IA dans la R&D, motivée par son potentiel à raccourcir les durées des essais cliniques jusqu'à 50 %, à accélérer la mise à disposition de thérapies innovantes et à assurer la compétitivité des entreprises pharmaceutiques. Les cas d'utilisation explorés dans le livre blanc sont déjà mis en œuvre ou intégrés dans les stratégies à moyen terme des parties prenantes.
Pfizer utilise l'IA pour la découverte de médicaments
Pfizer utilise l'IA pour analyser des ensembles de données, identifier des cibles médicamenteuses, prédire l'efficacité et optimiser le développement. Par exemple, lors de la pandémie de COVID-19, l'IA a permis à Pfizer de réduire le nombre de molécules sélectionnées de 3 millions à 600, accélérant ainsi le développement d'un médicament antiviral oral de quatre ans à quatre mois. En outre, l'IA a facilité l'adoption de nouvelles méthodologies telles que les essais cliniques décentralisés et la surveillance à distance, contribuant à réduire les délais moyens de développement des médicaments de 8,6 ans en 2019 à 4,8 ans d'ici 2022.
Principales phases des essais cliniques
Le livre blanc décompose la chaîne de valeur des essais cliniques en trois phases : conception, recrutement des patients et exécution. Pour la conception de l'essai, les modèles de langage étendu (LLM) extraient la sécurité et l'efficacité data des essais précédents, rationalisant ainsi les protocoles d'étude. Le recrutement des patients bénéficie de modèles d'IA qui analysent les données démographiques et les antécédents médicaux pour prédire les taux d'abandon, assurant ainsi la continuité de l'essai. L'exécution et la gestion sont améliorées grâce au traitement data piloté par l'IA, ce qui réduit le temps nécessaire à la génération des rapports et à leur soumission aux autorités réglementaires.
Avancées en matière de gestion clinique data
L'IA automatise les tâches laborieuses telles que le nettoyage, le traitement et l'analyse des données cliniques ( data), ce qui permet de découvrir des schémas et des corrélations que les méthodes traditionnelles risquent de ne pas voir. Au cours du développement du vaccin COVID-19, l'IA a permis à Pfizer de rédiger des rapports réglementaires en 48 jours, contre 100 jours traditionnellement. Ce délai accéléré a permis une mise sur le marché plus rapide et un meilleur accès aux patients.
Défis liés à la mise à l'échelle des innovations en matière d'IA
Le principal défi consiste à établir des bases solides sur le site data , y compris des cadres de gouvernance et de conformité. Bien qu'elles soient initialement perçues comme coûteuses et lentes, ces fondations sont essentielles pour l'évolutivité à long terme et la réalisation efficace de cas d'utilisation basés sur l'IA.
Conclusion
L'IA révolutionne les essais cliniques en raccourcissant les délais, en améliorant l'efficacité et les résultats pour les patients. Toutefois, le succès dépend de la résolution des problèmes de gouvernance du site data et de la promotion de la collaboration dans l'ensemble de l'écosystème des soins de santé.