Stratégies pilotées par l'IA en pratique pharmaceutique : plaidoyer en action

Pharma Now plaide pour un accès plus large et plus équitable aux applications d'IA au sein de l'industrie pharmaceutique. S'appuyant sur les enseignements d'articles précédents, ce texte vise à intéresser un lectorat diversifié en explorant le potentiel de l'IA, en particulier pour prédire, prévenir et gérer les interactions médicamenteuses (DDI) dans la pratique pharmaceutique réelle. En prenant le cas des agonistes des récepteurs du peptide-1 de type glucagon (GLP-1) (GLP-1RAs), nous abordons les considérations clés sur l'utilité de l'IA pour traiter efficacement ces défis complexes.

Les agonistes des récepteurs GLP-1, tels que semaglutide (Ozempic®, Wegovy®, Rybelsus), ont révolutionné le traitement du diabète de type 2 et de l'obésité. Auparavant, Pharma Now a souligné l'utilisation croissante de ces médicaments—exacerbée par des pénuries d'approvisionnement et les pratiques des pharmacies préparatrices—qui ont introduit des défis importants en matière de réglementation, de soins cliniques et de logistique. Dans cet article, nous approfondissons ces préoccupations en examinant comment les GLP-1RAs affectent la vidange gastrique, pouvant modifier l'absorption d'autres médicaments. Alors que patients, professionnels de santé et régulateurs font face à des demandes croissantes et à des ressources limitées, les outils d'IA peuvent être cruciaux pour prédire, prévenir et atténuer ces interactions médicamenteuses (DDI), en particulier dans un environnement de soins multilingue et diversifié.

L'un des plus grands défis pour utiliser l'IA efficacement dans le domaine pharmaceutique est que de nombreux professionnels ne comprennent toujours pas pleinement la puissance des outils d'IA. La technologie évolue si rapidement que beaucoup de personnes du secteur, surtout celles qui ne sont pas très familiarisées avec la technologie, ne réalisent pas tout le potentiel de l'IA. Combler cette lacune de connaissances est crucial pour intégrer avec succès l'IA en pharmacie. Cela implique de la formation, des changements de mentalité et l'apprentissage à partir d'exemples concrets où l'IA a déjà réussi. Cet article s'appuie sur les enseignements d'une récente publication de Pharma Now pour explorer comment l'IA — via l'analytique prédictive, le traitement automatique du langage naturel et la traduction multilingue — pourrait transformer la pratique pharmaceutique en un centre proactif d'identification et de résolution des DDI avant qu'ils ne nuisent aux patients.

Une autre lacune qui doit être abordée est référencée dans un précédent article de Pharma Now «Agonistes du GLP-1 : de la prise en charge du diabète aux solutions de perte de poids – le rôle de la FDA et la controverse autour de la préparation magistrale» qui indique que « The challenge for regulators is that compounded medications are not subject to the same rigorous approval process as their commercially manufactured counterparts, which means the FDA must ensure the safety and efficacy of these alternative treatments. »

Compte tenu de cette anomalie concernant la supervision réglementaire des pharmacies préparatrices etabsente d'exigences strictes de données typiques d'une soumission ANDA pour les considérations de sécurité et d'efficacité, comment une réponse générative IA/ML pourrait-elle combler ce vide lié à cette incohérence ?

Pouvons-nous vraiment nous fier entièrement à une introspection assistée uniquement par IA/ML pour identifier les lacunes ou les différences avec les réglementations de la US FDA concernant les médicaments préparés versus les médicaments soumis via une ANDA ? Les réglementations de la FDA ne sont pas négociables, sont complexes et indéniablement difficiles à appréhender.

Une orientation récente publiée par la FDA Considérations pour l’utilisation de l’intelligence artificielle afin de soutenir la prise de décision réglementaire pour les médicaments et les produits biologiques indique que si le COU ou contexte d'utilisation implique un « human in the loop », il faut s'assurer que les méthodes d'évaluation du modèle d'IA/ML déployé prennent en compte la performance de l'équipe humain-IA, , plutôt que seulement la performance du modèle isolément.

Une solution pourrait être la mise en paire d'un modèle IA/ML LLM avec une plateforme de recherche human-in-the-loop pouvant fonctionner comme des « duels de banjos ». Cependant, les handicaps humains apparaissent rapidement quand quelqu'un souffre de fatigue due aux recherches Google en scrutant et en sondant les liens de résultats de recherche, étant donné que le « bruit » et les publicités sur les plateformes de recherche web encombrent les résultats de nos jours. Le moteur de recherche du site FDA.Gov, quant à lui, échoue à sa manière avec ses abominables algorithmes de recherche encore basés sur des métadonnées, coincés au Moyen Âge face à l'environnement actuel de big data et d'IA/ML.

Pourquoi la thérapie par GLP-1 met-elle la lumière sur les DDI

Les agonistes des récepteurs GLP-1 agissent en ralentissant la vidange gastrique jusqu'à 70%. Ce changement prolonge le temps pendant lequel les médicaments restent dans l'estomac, ce qui peut affecter leur absorption. Pour les médicaments à fenêtre thérapeutique étroite (c.-à-d. des médicaments pouvant entraîner des effets indésirables graves s'ils ne sont pas pris à la bonne dose), c'est une grande source d'inquiétude. Pour les pharmaciens, les enjeux sont élevés : si un patient sous traitement GLP-1 voit l'absorption d'autres médicaments essentiels (tels que les anticoagulants, les contraceptifs ou les immunosuppresseurs) altérée, la différence entre efficacité et toxicité peut être minime.

De plus, les agonistes du GLP-1 sont de plus en plus utilisés pour la perte de poids, pas seulement pour le diabète, ce qui augmente la probabilité que les patients prennent plusieurs médicaments (polymédication). Cela complique d'autant plus le risque de DDI. Les pharmacies préparatrices, qui élaborent des médicaments personnalisés pour les patients, introduisent également plus de complexité, car leurs pratiques peuvent ne pas toujours respecter les mêmes normes de qualité.

L'opportunité de l'IA : révolutionner la prédiction et l'atténuation des DDI

L'IA a le potentiel de transformer la sécurité des médicaments en améliorant la prédiction, la prévention et la gestion des interactions médicamenteuses (DDI), en particulier dans des environnements multilingues. Les systèmes d'IA peuvent analyser des données patient étendues — telles que les dossiers de santé électroniques, les historiques médicamenteux et les résultats de laboratoire en temps réel — pour identifier les patients à risque. Les plateformes de pharmacovigilance alimentées par l'IA, comme leExtraction de médicaments et chatbot d’interactions médicamenteuses (MEDIC), sont explorées pour améliorer la sécurité et la surveillance des médicaments en tirant parti des connaissances antérieures, de la reconnaissance de schémas et de la modélisation prédictive.

Cependant, au-delà de la gestion de la qualité des données et des préoccupations relatives à la confidentialité, la démocratisation de ces efforts via des modèles de large taille comme ChatGPT exige une réflexion soigneuse. Les discussions de Pharma Now sur «Outils SMART», «Pratiques SMART», et «Bonnes pratiques linguistiques" mettre en évidence la diligence nécessaire pour garantir que l'IA et l'apprentissage automatique sont appliqués de manière responsable dans des environnements complexes. Ces considérations sont cruciales dans les milieux pharmaceutiques réels, où elles peuvent aider à combler l'écart entre les défis de reconstitution, les préférences des prescripteurs et la sécurité des patients.

Alors, existe-t-il un meilleur moyen de combler ces deux lacunes : démocratiser l'utilisation et la compréhension de l'IA/ML pour les parties prenantes en pharmacie d'une part, et pallier l'absence de surveillance réglementaire FDA sur les pharmacies préparatrices des médicaments GLP-1 d'autre part ?

SmartSearch+ avec sa capacité de recherche en texte intégral (contenu réel) rendue par un humain dans la boucle côte à côte avec un copilote FDA IA/ML LLM pour FDA.gov pourrait être la réponse. Cette stratégie unique de « duels de banjos » peut améliorer ou renforcer la découverte d'écarts au maximum lorsque vous — le pharmacien humain — effectuez une recherche en texte intégral des réglementations réelles de FDA.gov concernant la préparation extemporanée de médicaments par rapport au dépôt réglementaire ANDA d'un laboratoire. Déployer les deux « banjos » sur une même plateforme cloud et interface utilisateur (ordinateurs portables, mobiles ou tablettes) peut encore accroître ces nouvelles efficacités.

Au fur et à mesure de l'évolution des outils d'IA, les pharmaciens doivent se tenir à jour sur les analyses pilotées par l'IA, les pratiques de communication et les tendances émergentes. La combinaison d'outils d'IA avancés et de l'expertise des pharmaciens peut contribuer à créer un système de gestion de la qualité proactif — ce que nous appelons "SMART Shepherding" — tout au long du processus médicamenteux. Les lecteurs de Pharma Now peuvent mieux comprendre comment tirer parti du potentiel de l'IA et l'appliquer concrètement dans leurs flux de travail en pharmacie en examinant des exemples concrets et des directives réglementaires complètes.

Conclusion

L'IA n'est pas un avenir lointain pour la prédiction et l'atténuation des DDI ; elle est déjà en action. La clé du succès réside dans une collaboration étroite entre les pharmaciens, les prestataires de soins, les développeurs d'IA,

et les régulateurs. Plutôt que de se concentrer uniquement sur les défis de la thérapie par GLP-1, l'industrie peut saisir cette opportunité pour repenser la gestion des schémas posologiques complexes.

En tirant parti d'outils d'IA avancés — allant de l'analyse prédictive au support multilingue — les pharmaciens peuvent passer d'une réaction passive à une prévention proactive. Avec une utilisation responsable et un accent sur de bonnes pratiques linguistiques, ces innovations peuvent être démocratisées pour améliorer les soins aux patients à travers des populations et des systèmes de santé variés dans le monde.

En résumé, les défis posés par les GLP-1RA et les DDI sont des portes d'entrée ou des tremplins vers une pratique pharmaceutique plus agile, axée sur les données et guidée par l'éthique, qui privilégie le bien-être des patients tout en favorisant l'amélioration continue dans l'ensemble de l'industrie.