Libérer le pouvoir de l'IA dans les essais cliniques : Les points clés de PFIZER et ARTEFACT - Sommet de l'IA pour la santé

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 liés à l'expansion des innovations en matière d'IA.

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 analyser les ensembles data, identifier les cibles des médicaments, 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.

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 grands modèles linguistiques (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.

L'IA automatise les tâches laborieuses telles que le nettoyage, le traitement et l'analyse des data cliniques, 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 reports 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.

Le principal défi réside dans la mise en place de data foundations robustes, y compris des cadres de gouvernance et de conformité. Bien qu'initialement perçues comme coûteuses et lentes, ces fondations sont essentielles à l'évolutivité à long terme et à la réalisation efficace de cas d'utilisation fondés sur l'IA.

L'IA révolutionne les essais cliniques en raccourcissant les délais, en améliorant l'efficacité et les résultats pour les patients. Toutefois, pour réussir, il faut relever les défis du data governance et favoriser la collaboration dans l'ensemble de l'écosystème des soins de santé.