T\u00e9l\u00e9chargez le livre \u00e9lectronique ici<\/span><\/a>.<\/p>\nPartie 1. L'IA dans les essais cliniques : Une r\u00e9volution en cours<\/h2>\n
L'industrie pharmaceutique est en train de se transformer sous l'impulsion de l'IA, qui a le potentiel de faire \u00e9conomiser des millions aux entreprises pharmaceutiques en permettant des essais cliniques plus efficaces, data-driven. Alors que le d\u00e9veloppement traditionnel est confront\u00e9 \u00e0 une escalade des co\u00fbts (loi d'Eroom), l'IA acc\u00e9l\u00e8re le processus, r\u00e9duisant consid\u00e9rablement la dur\u00e9e moyenne des essais. L'IA g\u00e9n\u00e9rative optimise en outre la conception des essais, le recrutement des patients et l'analyse data.<\/p>\n
Les principales innovations sont les suivantes :<\/strong><\/p>\n\n- Mod\u00e9lisation pr\u00e9dictive pour la r\u00e9ussite des proc\u00e8s.<\/li>\n
- Am\u00e9lioration du recrutement des patients \u00e0 l'aide d'algorithmes ax\u00e9s sur la diversit\u00e9.<\/li>\n
- Gestion en temps r\u00e9el du data par le biais d'essais cliniques d\u00e9centralis\u00e9s (ECD).<\/li>\n<\/ul>\n
\u201cNous avons observ\u00e9 une r\u00e9duction significative du temps moyen entre le d\u00e9but et la fin des essais cliniques, passant de 8,6 ans en 2019 \u00e0 4,8 ans en 2022.\u201d<\/em><\/p>\nLuca Mollo, vice-pr\u00e9sident, directeur m\u00e9dical France chez Pfizer<\/span><\/p><\/blockquote>\nPartie 2. Impact dans le monde r\u00e9el : Cas d'utilisation transformateurs dans la cha\u00eene de valeur des essais cliniques<\/h2>\n
La v\u00e9ritable promesse \u00e0 court terme de l'IA r\u00e9side dans la r\u00e9volution des processus pour permettre des essais data-driven plus rapides et plus efficaces, susceptibles d'acc\u00e9l\u00e9rer consid\u00e9rablement le d\u00e9veloppement de nouvelles th\u00e9rapies.<\/p>\n
Pour cartographier les cas d'utilisation, Artefact a structur\u00e9 la cha\u00eene de valeur des essais cliniques en trois phases cl\u00e9s afin de fournir un cadre clair et cibl\u00e9.<\/p>\n
Cas d'utilisation #1 : Conception d'essais cliniques<\/strong><\/h3>\nL'IA rationalise la conception des essais en pr\u00e9disant les r\u00e9sultats et en optimisant les crit\u00e8res d'\u00e9ligibilit\u00e9 des patients. Des outils tels que l'optimisation des essais cliniques par l'IA, la pr\u00e9diction du succ\u00e8s des essais bas\u00e9e sur des algorithmes et TrialGPT am\u00e9liorent la prise de d\u00e9cision en analysant l'historique data.<\/p>\n
Impact<\/strong>: Data, des protocoles d'essai plus rapides, une meilleure satisfaction des patients.<\/p>\n\u201c Nous croyons fermement \u00e0 la transformation de la recherche et du d\u00e9veloppement clinique par l'IA, ayant prioris\u00e9 18 th\u00e9matiques de R&D avec de multiples cas d'utilisation de l'IA \u00e0 fort potentiel, allant de l'identification des cibles \u00e0 la conception des essais. Cette conviction nous permettra de relever les 2 d\u00e9fis majeurs du processus d'innovation m\u00e9dicamenteuse : la probabilit\u00e9 de succ\u00e8s et le d\u00e9lai de mise sur le march\u00e9.\u201d<\/em><\/p>\nBrice Miranda, chef du groupe Data chez Servier<\/span><\/p><\/blockquote>\nCas d'utilisation #2 : Recrutement et inscription des patients<\/strong><\/h3>\nL'IA s'attaque aux inefficacit\u00e9s du recrutement, avec des plateformes comme inato qui \u00e9largissent l'acc\u00e8s aux essais et renforcent la diversit\u00e9 et l'engagement des patients. Des algorithmes pr\u00e9dictifs identifient les sites id\u00e9aux pour les groupes d\u00e9mographiques sous-repr\u00e9sent\u00e9s.<\/p>\n
Impact<\/strong>: Le temps de recrutement a \u00e9t\u00e9 divis\u00e9 par deux ; la diversit\u00e9 s'est accrue avec 67% de participants non blancs (contre 15%).<\/p>\n\u201c70% des essais sont concentr\u00e9s dans seulement 5% des grands h\u00f4pitaux, tandis que 90% des sites potentiels restent sous-utilis\u00e9s\u201d.\u201d<\/em><\/p>\nKourosh Davarpanah, cofondateur et PDG d'inato<\/span><\/p><\/blockquote>\nCas d'utilisation #3 : Ex\u00e9cution et gestion<\/strong><\/h3>\nLes analyses pilot\u00e9es par l'IA automatisent le traitement de data, r\u00e9v\u00e8lent des mod\u00e8les cach\u00e9s et g\u00e9n\u00e8rent des r\u00e9sum\u00e9s initiaux qui rationalisent le processus de r\u00e9daction des conclusions. Des outils avanc\u00e9s g\u00e8rent data \u00e0 partir d'essais d\u00e9centralis\u00e9s, int\u00e9grant des informations pour acc\u00e9l\u00e9rer les conclusions. Le traitement du langage naturel (NLP) automatise les rapports, r\u00e9duisant les d\u00e9lais de plus de 50%.<\/p>\n
Impact<\/strong>: Approbation plus rapide des r\u00e9glementations, r\u00e9duction des co\u00fbts, am\u00e9lioration de la prise de d\u00e9cision.<\/p>\n\u201cIl r\u00e9duit consid\u00e9rablement le temps de r\u00e9daction des rapports, qui passe de 100 jours \u00e0 48 jours seulement, en traitant rapidement data, en automatisant les t\u00e2ches et en g\u00e9n\u00e9rant un avant-projet \u00e0 soumettre aux autorit\u00e9s de r\u00e9glementation\u201d.\u201d<\/em><\/p>\nLuca Mollo, vice-pr\u00e9sident, directeur m\u00e9dical France chez Pfizer<\/span><\/p><\/blockquote>\nPartie 3. Alimenter l'innovation : L'\u00e9cosyst\u00e8me en expansion des essais pilot\u00e9s par l'IA<\/h2>\nLe r\u00f4le des Big Tech dans l'avancement des essais cliniques aliment\u00e9s par l'IA<\/strong><\/h3>\nDes startups et des g\u00e9ants de la technologie comme Google et IBM sont en train de r\u00e9volutionner les essais cliniques gr\u00e2ce \u00e0 des outils aliment\u00e9s par l'IA. Parmi les projets notables, citons<\/p>\n
\n- AlphaFold (Google DeepMind) : Pr\u00e9dit les structures des prot\u00e9ines, acc\u00e9l\u00e9rant ainsi la d\u00e9couverte de m\u00e9dicaments.<\/li>\n
- Plate-forme IBM Watson Health : Recherche de sch\u00e9mas dans les essais cliniques data afin de mieux adapter les patients aux essais.<\/li>\n<\/ul>\n
\u201cNous passons d'un \u00e9cosyst\u00e8me de soins de sant\u00e9 r\u00e9actif \u00e0 un \u00e9cosyst\u00e8me proactif, presque pr\u00e9dictif.\u201d
\nShweta Maniar, directrice mondiale de la sant\u00e9 et des sciences de la vie chez Google<\/p><\/blockquote>\n
Comment les start-ups stimulent l'innovation dans la recherche clinique<\/strong><\/h3>\nDe nouveaux acteurs remod\u00e8lent le paysage gr\u00e2ce \u00e0 des technologies de pointe et \u00e0 des approches nouvelles, en relevant des d\u00e9fis de longue date dans des domaines tels que la conception des essais, le recrutement des patients, la gestion des data et l'efficacit\u00e9 des essais. Parmi les nouveaux venus, on peut citer<\/p>\n
\n- Klineo : aide les patients \u00e0 trouver l'essai clinique le plus pertinent.<\/li>\n
- AI Cure : assure un suivi d\u00e9centralis\u00e9 des patients afin de r\u00e9duire les taux d'abandon.<\/li>\n
- Unlearn.ai : R\u00e9duit les besoins en recrutement en g\u00e9n\u00e9rant des jumeaux num\u00e9riques, ce qui acc\u00e9l\u00e8re la mise sur le march\u00e9.<\/li>\n<\/ul>\n
\u201cLes bases de donn\u00e9es publiques de data telles que ClinicalTrials.gov (aux \u00c9tats-Unis) et CTIS (en Europe) contiennent de grandes quantit\u00e9s de data, mais elles sont souvent non structur\u00e9es et obsol\u00e8tes, ce qui entra\u00eene des retards dans la recherche d'essais pertinents et ralentit donc le recrutement des patients.\u201d<\/em><\/p>\nThomas Peyresblanques Co-fondateur et PDG de Klineo<\/span><\/p><\/blockquote>\nPartie 4. Les d\u00e9fis \u00e0 venir : Surmonter les obstacles et les limites<\/h2>\nContraintes r\u00e9glementaires : Assurer la protection des patients tout en acc\u00e9l\u00e9rant l'innovation<\/strong><\/h3>\nL'adoption de l'IA dans les essais cliniques est entrav\u00e9e par des complexit\u00e9s r\u00e9glementaires, des probl\u00e8mes d'interop\u00e9rabilit\u00e9 data et des pr\u00e9occupations \u00e9thiques li\u00e9es \u00e0 la partialit\u00e9 et \u00e0 la transparence. Toutefois, des cadres tels que la loi europ\u00e9enne sur l'IA visent \u00e0 garantir des applications s\u00fbres et de haute qualit\u00e9.<\/p>\n
\u201cLa r\u00e9glementation europ\u00e9enne est stricte mais repr\u00e9sente un avantage en tant que barri\u00e8re \u00e0 l'entr\u00e9e pour les entreprises non conformes.\u201d<\/em><\/p>\nCharlotte Pouchy, PDG de Deemea<\/span><\/p><\/blockquote>\nData acc\u00e8s, interop\u00e9rabilit\u00e9 et synth\u00e8se data : surmonter les principaux d\u00e9fis<\/strong><\/h3>\nEn Europe, les soins de sant\u00e9 data sont fragment\u00e9s et incoh\u00e9rents d'un pays \u00e0 l'autre, ce qui complique les analyses bas\u00e9es sur l'IA. Le manque de normalisation des syst\u00e8mes informatiques nationaux de sant\u00e9 complique encore la situation. Le data synth\u00e9tique offre une solution prometteuse pour relever ces d\u00e9fis tout en pr\u00e9servant la vie priv\u00e9e des patients.<\/p>\n
L'adoption de l'IA dans les essais cliniques se heurte \u00e0 d'autres difficult\u00e9s, notamment les biais dus \u00e0 des ensembles data non repr\u00e9sentatifs, le manque de transparence des algorithmes \u201cbo\u00eete noire\u201d et les risques accrus en mati\u00e8re de cybers\u00e9curit\u00e9. Pour r\u00e9soudre ces probl\u00e8mes, il faut s'assurer que les mod\u00e8les se g\u00e9n\u00e9ralisent \u00e0 diverses populations, am\u00e9liorer la capacit\u00e9 d'explication et trouver un \u00e9quilibre entre une protection solide des data et la n\u00e9cessit\u00e9 d'un acc\u00e8s suffisant aux data dans des cadres r\u00e9glementaires stricts tels que la loi sur l'IA et le GDPR de l'UE.<\/p>\n
\u201cLa difficult\u00e9 de comprendre et d'expliquer les d\u00e9cisions prises par les algorithmes d'IA, ainsi que les biais potentiels, constituent un obstacle important \u00e0 leur utilisation dans les essais cliniques.\u201d<\/em><\/p>\nNathalie Beslay, avocate et cofondatrice et directrice g\u00e9n\u00e9rale de Naaia<\/span><\/p><\/blockquote>\nMalgr\u00e9 ces obstacles, l'IA \u00e9tablit une nouvelle norme pour la recherche clinique : elle ne se contente pas d'am\u00e9liorer les essais, elle les red\u00e9finit, ouvrant la voie \u00e0 un d\u00e9veloppement de m\u00e9dicaments plus rapide, plus s\u00fbr et plus ax\u00e9 sur le patient, ce qui pourrait am\u00e9liorer consid\u00e9rablement les r\u00e9sultats pour les patients et faire progresser les soins de sant\u00e9.<\/p>\n
Regardez la conf\u00e9rence avec Luca Mollo, Vice-pr\u00e9sident, Directeur M\u00e9dical France, M.D. chez Pfizer et nos experts Artefact, Thomas Filaire, Partner, et L\u00e9a Giroulet, Senior Data Consultant, sur les principaux enseignements de ce rapport :<\/p>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/06\/Ebook-Drug-dev.png\" "\\"Ebook")
<\/p>\n