ActualitésGrand angleInnovations technologiquesIntelligence artificielle

L’IA insuffle un nouveau souffle aux essais cliniques : Perspectives et enjeux

L'intelligence artificielle bouleverse le monde des essais cliniques, promettant de réduire de moitié les délais de développement des médicaments. Un récent livre blanc d'Artefact explore cette révolution en marche, mettant en lumière les innovations qui transforment chaque étape du processus, de la conception des essais au recrutement des patients. Plongée dans un écosystème en pleine effervescence où startups, géants de la tech et laboratoires pharmaceutiques redéfinissent l'avenir de la recherche médicale.

Comment l’IA remodèle le paysage des essais cliniques : Analyse d’Artefact

L’industrie pharmaceutique est à l’aube d’une révolution majeure dans la conduite des essais cliniques, grâce à l’essor de l’intelligence artificielle (IA). Un récent livre blanc publié par Artefact, en partenariat avec AI for Health, examine en détail comment l’IA transforme chaque étape du processus des essais cliniques, de la conception à l’analyse des résultats.

Une opportunité sans précédent pour accélérer le développement de médicaments

Dans un secteur où l’échec est la norme – avec 9 molécules sur 10 qui échouent en phase d’essai clinique – l’IA représente une opportunité révolutionnaire. En réduisant les délais de développement de plusieurs semaines, l’IA a le potentiel de faire économiser des millions aux entreprises pharmaceutiques, d’accélérer les percées scientifiques et d’apporter plus rapidement que jamais des thérapies vitales aux patients.

Le taux d’échec actuel des études cliniques pour les nouveaux médicaments, de la phase I à l’autorisation clinique finale, est supérieur à 90%. Les raisons principales de ces échecs sont le manque d’efficacité clinique (40-50%), une toxicité ingérable (30%), des propriétés médicamenteuses médiocres (10-15%), et l‘absence de besoins commerciaux ou une mauvaise planification stratégique (10%).

Thomas Filaire, superviseur du livre blanc chez Artefact, explique les motivations derrière cette étude : « Nous avons choisi cette thématique de l’utilisation de l’IA, de l’IA générative en pharma dans le domaine de la R&D pour plusieurs raisons. Premièrement, c’est un sujet qui prend de l’importance en termes d’intérêt et de volonté d’accélérer de la part de nombreux acteurs. Deuxièmement, l’IA et la R&D sont des sujets d’une importance stratégique majeure aujourd’hui, avec le potentiel de réduire les durées des essais cliniques quasiment par deux. Enfin, c’est un sujet très actuel, avec de nombreux laboratoires déjà en train de déployer ou de planifier l’activation de ces cas d’usage. »

Vue d’ensemble des cas d’usage de l’IA dans les essais cliniques, organisée selon les trois phases principales.

L’IA redéfinit chaque étape du cycle de vie des essais cliniques

Le livre blanc d’Artefact explore en détail comment l’IA révolutionne les trois phases clés des essais cliniques :

Vue d’ensemble de la méthodologie d’exploration des cas d’usage de l’IA dans les essais cliniques.

1. Conception des essais cliniques

L’IA permet d’optimiser la conception des protocoles d’essais cliniques, un processus traditionnellement long et complexe. Parmi les cas d’usage innovants, on trouve :

– L’utilisation de modèles de langage (LLM) pour extraire rapidement des informations sur la sécurité et l’efficacité à partir de résumés d’essais cliniques.
– La prédiction algorithmique du succès des essais, permettant d’ajuster la conception ou de réorienter les efforts vers d’autres molécules plus prometteuses.
– La génération de critères d’éligibilité des patients grâce à des modèles comme TrialGPT ou AutoTrial.

Citation de Brice Miranda (Servier) extrait du livre blanc

Ces avancées réduisent considérablement le temps de conception des essais, passant parfois de plusieurs mois à quelques semaines. Par exemple :

  • L’utilisation de l’IA pour optimiser la conception des protocoles d’essais cliniques peut réduire les délais de développement de 30% en moyenne (1).
  • Une étude utilisant un algorithme génétique (une forme d’IA) pour concevoir un essai de bioéquivalence pédiatrique a permis de réduire le nombre de points de prélèvement sanguin de 15 à 7, tout en maintenant la précision et l’exactitude de l’estimation pharmacocinétique (2).
  • L’IA peut réduire le temps nécessaire à l’analyse des résumés d’essais cliniques antérieurs de plusieurs mois à quelques semaines.

2. Recrutement et inclusion des patients

Le recrutement des patients reste l’un des principaux défis des essais cliniques. L’IA apporte des solutions innovantes pour :

– Prédire la propension des patients à abandonner l’essai.
– Optimiser la sélection des sites d’essais cliniques.
– Améliorer les formulaires de consentement des patients.

L’impact de l’IA sur le recrutement est significatif :

  • Le temps d’analyse des dossiers médicaux électroniques pour identifier les patients éligibles est réduit de 30 à 4 heures par patient.
  • Une étude en oncologie pédiatrique a montré une réduction de 90% de la charge de travail liée au recrutement.
  • Un outil d’IA a réduit le temps de sélection de 90 patients à un cinquième du temps nécessaire pour une sélection manuelle.
  • Une étude sur des patients atteints de cancer du poumon a démontré qu’un système d’IA a examiné 102 patients en 15,5 secondes avec une précision de 91,6% pour l’éligibilité (4).

3. Exécution et gestion des essais

L’IA transforme également la conduite et l’analyse des essais cliniques à travers :

– La surveillance et gestion de la qualité basées sur les risques (RBQM) : l’utilisation de l’IA peut améliorer la détection des anomalies et des tendances en temps réel, permettant une intervention plus rapide et une meilleure intégrité des données
– Les essais cliniques décentralisés (DCT) pour améliorer l’engagement des participants.
– La découverte d’insights grâce à l’analyse automatisée des données.

Ces innovations ont un impact considérable :

  • Réduction des coûts des essais cliniques jusqu’à 25%.
  • Accélération du développement des médicaments de 1 à 2 ans.
  • Réduction du temps de rédaction des conclusions des essais cliniques de 100 à 48 jours dans certains cas.

Un écosystème d’innovation en pleine expansion

Le livre blanc met en lumière le rôle crucial des différents acteurs dans le développement de solutions d’IA pour les essais cliniques, en se concentrant particulièrement sur les startups innovantes et les géants technologiques.

Les géants technologiques à la pointe de l’innovation

Les grandes entreprises technologiques comme Google, Microsoft, IBM et Apple jouent un rôle de plus en plus important dans l’avancement des essais cliniques basés sur l’IA :

Microsoft collabore avec Novartis pour identifier les conceptions optimales d’essais et prédire les résultats grâce à son initiative AI for Health. Cette collaboration vise à utiliser l’IA générative pour optimiser la conception des essais cliniques et améliorer la prédiction des résultats en temps réel.

IBM Watson Health analyse la littérature médicale et les données d’essais pour améliorer la conception des protocoles et le recrutement des patients. Leurs modèles d’IA générative se concentrent sur l’analyse de vastes ensembles de littérature médicale et de données d’essais, permettant d’identifier des modèles dans les données cliniques et d’améliorer la conception des protocoles

Verily (filiale d’Alphabet) se concentre sur le recrutement des patients et la gestion des essais avec sa plateforme Baseline. Cette plateforme utilise l’IA pour collecter et analyser les données de santé des volontaires afin de concevoir des essais cliniques plus intelligents et personnalisés.

Apple a obtenu l’approbation de la FDA pour utiliser l’outil de surveillance de la fibrillation auriculaire de l’Apple Watch dans les essais cliniques. C’est le premier outil numérique qualifié dans le cadre du programme Medical Device Development Tools (MDDT), ouvrant la voie à une nouvelle ère de recherche en réduisant potentiellement les coûts et en améliorant l’engagement des patients.

Shweta Maniar, Directrice Mondiale Santé et Sciences de la Vie chez Google Cloud, souligne : « Nous passons d’un écosystème de santé réactif à un écosystème proactif, presque prédictif. » Cette transition reflète l’impact transformateur de l’IA sur l’ensemble du processus des essais cliniques.

Les startups, moteurs de l’innovation dans la recherche clinique

De nombreuses startups émergent dans ce domaine, proposant des solutions innovantes pour la conception des essais, le recrutement des patients et la gestion des données. Le livre blanc présente une cartographie de ces acteurs innovants, organisée selon les trois phases clés des essais cliniques :

1. Conception des essais cliniques :

– Florence Healthcare, Protocols.io, Protrials.ai : automatisation des protocoles
– Perceiv AI, Seq’one : optimisation des cibles des essais
– Owkin, Insilico Medicine : prédiction des résultats des essais
– Unlearn.ai : création de « jumeaux numériques » de patients pour prédire les résultats des essais, réduisant généralement le nombre de patients de contrôle nécessaires de 20% à 50%

Mapping non exhaustif des startups impliquées dans la conception des essais cliniques grâce à l’IA

2. Recrutement et inclusion des patients :

– Klineo, SubjectWell : inscription aux essais cliniques
– Deep 6 AI, TrialSpark : recrutement des patients. Ces startups utilisent l’IA pour analyser les dossiers médicaux électroniques et identifier rapidement les patients éligibles pour les essais cliniques.

Mapping non exhaustif des startups impliquées dans le recrutement des patients dans les essais cliniques grâce à l’IA

Thomas Peyresblanques, co-fondateur et PDG de Klineo, met en lumière un problème crucial : « Moins de 5% des patients bénéficient des essais cliniques en oncologie, alors que 70% disent qu’ils seraient prêts à participer s’ils en avaient l’opportunité. Il y a donc un besoin évident d’un meilleur appariement entre les patients et les essais, et les récentes avancées en IA rendent cela possible. »

3. Exécution et gestion des essais :

– Lynxcare : gestion des données
– AiCure, Castor : essais décentralisés et suivi des patients. AiCure utilise l’IA pour surveiller l’adhésion des patients au traitement et fournir des informations en temps réel aux sites d’essai

Mapping non exhaustif des startups impliquées dans l’execution et le data management des essais cliniques grâce à l’IA

Kourosh Davarpanah, co-fondateur et PDG d’Inato, souligne l’impact de leur solution : « Avec seulement 4% des essais incluant une population représentative, Inato aide les sponsors à recruter des patients deux fois plus rapidement, augmentant la diversité à 67% de participants non-blancs contre une moyenne précédente de 15%. »

Défis à relever

Malgré les avancées prometteuses, des défis subsistent concernant l’adoption de l’IA dans les essais cliniques :

1. Réglementation et protection des données

Les autorités de santé doivent adapter leurs cadres réglementaires pour intégrer ces nouvelles technologies tout en garantissant la sécurité des patients. Charlotte Pouchy, PDG de DEEMEA, note : « La réglementation européenne est stricte, mais elle peut représenter un avantage en tant que barrière à l’entrée pour les entreprises non conformes. » L’Europe se positionne comme un régulateur clé, mettant l’accent sur la sécurité des citoyens dans l’utilisation de l’IA.

2. Accès aux données et interopérabilité :

Brice Miranda, Group Chief Data Officer de Servier, souligne : « Le partage global des données est crucial pour faire avancer la recherche, mais il est souvent entravé par des barrières juridiques, de confidentialité et de concurrence, ainsi que par le manque d’adhésion à des normes et formats de données communs. » Ce défi est particulièrement important pour les maladies rares, où les données limitées rendent la collaboration encore plus vitale.

3. Biais et généralisation :

Les modèles d’IA doivent être entraînés sur des ensembles de données représentatifs pour éviter les biais et assurer la généralisation des résultats à diverses populations. C’est un défi éthique majeur, car les biais dans les données d’entraînement peuvent conduire à des résultats faussés et non reproductibles.

4. Transparence et explicabilité :

La nature « boîte noire » de nombreux modèles d’IA soulève des questions éthiques et de confiance, en particulier dans le contexte des essais cliniques où la précision des prédictions est cruciale. Il est essentiel de pouvoir expliquer comment les décisions sont prises par les modèles d’IA pour gagner la confiance des parties prenantes.

5. Cybersécurité et confidentialité des données :

La protection des données sensibles des patients reste une préoccupation majeure dans l’utilisation de l’IA pour les essais cliniques. Des mesures de cybersécurité robustes et une authentification multifactorielle sont nécessaires pour garantir la sécurité des données des patients

En conclusion, l’IA offre des opportunités sans précédent pour révolutionner les essais cliniques, mais son adoption généralisée nécessite de relever ces défis complexes. La collaboration entre les acteurs de l’écosystème – startups, géants technologiques, laboratoires pharmaceutiques et régulateurs – sera essentielle pour exploiter pleinement le potentiel de l’IA tout en garantissant la sécurité et l’éthique des essais cliniques.

 

(1) : Zhang, B., Zhang, L., Chen, Q. et al. Harnessing artificial intelligence to improve clinical trial design. Commun Med 3, 191 (2023). https://doi.org/10.1038/s43856-023-00425-3

(2) : Tsuchiwata S, Tsuji Y. Computational design of clinical trials using a combination of simulation and the genetic algorithm. CPT Pharmacometrics Syst Pharmacol. 2023 Apr;12(4):522-531. doi: 10.1002/psp4.12944. Epub 2023 Mar 5. PMID: 36793239; PMCID: PMC10088085.

(4) : Ismail A, Al-Zoubi T, El Naqa I, Saeed H. The role of artificial intelligence in hastening time to recruitment in clinical trials. BJR Open. 2023 May 16;5(1):20220023. doi: 10.1259/bjro.20220023. PMID: 37953865; PMCID: PMC10636341.

A propos de l'auteur de l'article

Yasmine Achour
Rédactrice en chef | Website

Yasmine Achour est la rédactrice en chef de Medtech France, où elle met à profit son expertise en communication et sa passion pour la santé mentale, la santé de la femme, et la technologie. Elle transforme les idées innovantes des entrepreneurs en santé en messages percutants, visant à amplifier leur impact dans le domaine de la santé.

Articles connexes

Bouton retour en haut de la page