L'IA dans les essais cliniques : améliorer l'efficacité et réduire les coûts

Essais cliniques sont la phase la plus importante du processus de développement des médicaments. Ils sont utilisés pour évaluer l'efficacité et la sécurité d'un médicament, d'une approche clinique ou d'une thérapie.

Actuellement, les essais cliniques sont des processus coûteux, exigeants en main-d'œuvre et complexes, susceptibles d'erreurs et de biais. Les entreprises pharmaceutiques doivent sélectionner et recruter individuellement des volontaires pour les essais cliniques, ce qui prend du temps et coûte cher. 

Cependant, intelligence artificielle (IA) transforme la façon dont les entreprises pharmaceutiques mènent les essais cliniques, tout comme elle révolutionne l'IA dans la découverte de médicaments.

L'IA peut être utilisée pour sélectionner les critères d'éligibilité clinique, identifier les candidats idéaux pour les essais et réduire la taille d'échantillon nécessaire. Cet article explique comment les essais cliniques assistés par l'IA peuvent réduire les coûts et améliorer l'efficacité.

Comment l'IA transforme-t-elle les processus des essais cliniques ?

L'IA peut transformer divers aspects des essais cliniques. Ses objectifs incluent l'amélioration de l'efficacité et la réduction des coûts des essais. Voici quelques étapes où l'IA peut être utilisée dans les essais cliniques :

Sélection et recrutement des patients

Des algorithmes d'IA peuvent être utilisés pour trier de grandes bases de données de dossiers patients. Les critères souhaités peuvent être saisis dans l'algorithme, qui peut alors fournir une liste de patients correspondant aux critères d'éligibilité. Cela accélère le recrutement et garantit que le patient convient à l'étude.

Recrutement prédictif des patients

Les entreprises pharmaceutiques peuvent utiliser des algorithmes d'IA pour analyser les dossiers patients et identifier des volontaires potentiels pour des essais cliniques en se basant sur des données pré-définies. Une telle intégration accélérera le processus de recrutement des patients, réduisant le calendrier des essais cliniques.

De plus, l'IA peut également automatiser la phase initiale du recrutement des patients, telle que la rédaction des lettres de permission initiales et la création de présentations d'essais cliniques pour les HCP qui interagissent avec des volontaires potentiels.

Rétention des patients

Les patients abandonnent souvent les essais cliniques, ce qui pose des difficultés aux chercheurs car cela peut créer des problèmes dans l'analyse des données. L'IA dans les essais cliniques peut être utilisée pour déterminer quels candidats sont susceptibles d'abandonner.

En fournissant aux patients des sondages réguliers et en alimentant ces informations dans l'algorithme, l'IA peut prédire quel candidat pourrait être à risque d'abandon. L'IA peut également proposer des solutions et des stratégies pour améliorer la rétention des patients.

Gestion et analyse des données

Pendant les essais cliniques, des données sont collectées à partir de diverses sources telles que les dossiers de santé électroniques, les appareils portables et les dispositifs médicaux. La collecte, l'intégration et l'analyse de telles bases de données volumineuses prennent du temps. L'IA dans les essais cliniques peut gérer des bases de données complexes et effectuer des analyses sophistiquées, ce qui fait gagner du temps et de l'argent.

Optimiser la conception des essais

Des simulations basées sur l'IA peuvent être utilisées pour prédire divers scénarios et résultats des essais cliniques. En se basant sur ces résultats, la conception des essais peut être optimisée. De plus, les défis potentiels susceptibles de survenir pendant les essais peuvent être anticipés et des solutions peuvent être conçues à l'avance.

Automatisation de la surveillance des essais

Les essais cliniques doivent être surveillés de manière approfondie pendant toute la durée afin de garantir l'absence d'anomalies. Cela implique une collecte, une analyse et une surveillance constantes et détaillées des données, nécessitant du personnel, ce qui rend les essais coûteux.

Cependant, nombre de ces tâches peuvent être effectuées par l'IA. Par exemple, l'IA peut analyser les données et détecter des anomalies, ce qui évite aux responsables de passer en revue toutes les données.

L'IA peut également automatiser des tâches répétitives de conformité telles que l'analyse des données, l'extraction des données, la génération de rapports, la soumission et les contrôles qualité, réduisant la charge de travail humaine. Cela s'aligne sur des efforts plus larges en matière de conformité réglementaire pharmaceutique liée à l'IA, aidant les entreprises à rester prêtes pour les audits tout en réduisant la supervision manuelle.

Modélisation prédictive

L'IA peut également être utilisée pour estimer le temps et le coût des essais cliniques. La conception de l'essai clinique peut être saisie dans les algorithmes ainsi que des paramètres supplémentaires comme le nombre de participants. Sur cette base, l'algorithme peut fournir une estimation du temps et du coût. La conception peut ensuite être adaptée pour optimiser les deux paramètres.

Bien que l’IA dans les essais cliniques en soit encore à ses débuts, elle a déjà été intégrée à certaines étapes des essais cliniques. Voici quelques technologies clés d’essais cliniques propulsées par l’IA.

Principales technologies propulsées par l’IA utilisées dans les essais cliniques

Derniers logiciels et technologies d’essais cliniques propulsés par l’IA :

Trial Pathfinder est un outil open-source d’IA qui utilise les dossiers médicaux électroniques (EHR) pour simuler des essais cliniques. Les données EHR sont intégrées afin de comprendre comment l’ajustement des critères d’inclusion de l’essai clinique peut modifier le rapport de risque de survie globale. 

TwinRCTs est un logiciel d’essai clinique qui combine l’IA, des méthodes statistiques nouvelles et des jumeaux numériques (un modèle virtuel capable de refléter fidèlement un objet physique) pour améliorer le taux de réussite des essais cliniques.

Le modèle peut prédire la progression de la maladie chez les patients d’un essai clinique en utilisant des cohortes externes. Les jumeaux numériques révolutionnent les simulations d’essais virtuels et la modélisation prédictive en pharma. En savoir plus dans notre analyse approfondie sur les jumeaux numériques en pharma.

Criteria2Query est un outil d’IA où les utilisateurs saisissent les critères d’inclusion et d’exclusion et l’outil utilise une interface web pour trouver des candidats correspondants dans des bases de données de patients.

TrialGPT peut être utilisé pour solliciter un large modèle de langage afin de trouver des essais cliniques appropriés pour un patient. Une description du patient est saisie, et le modèle détermine si le patient est admissible à des essais cliniques, en fournissant le raisonnement de ses résultats.

Deep6 AI : Deep6 utilise l’IA dans les essais cliniques pour mettre en correspondance des études en cours ou à venir avec des patients. Il analyse des données cliniques non structurées en temps réel pour connecter les patients intéressés aux études pertinentes.

Trials.ai : Trails.ai emploie un algorithme d’IA qui rationalise la conception et la gestion des essais cliniques. Les chercheurs peuvent analyser le coût et le temps associés à la conception et optimiser ceux-ci pour s’assurer qu’ils restent dans les limites souhaitées.

IBM Watson Health : IBM Watson Health utilise l’IA pour analyser de grandes bases de données d’essais cliniques afin d’accélérer la découverte de médicaments.

Voici quelques-unes des applications réelles de l’IA dans les essais cliniques, complétant la façon dont l’IA dans le marketing pharmaceutique améliore l’engagement des patients et les stratégies de sensibilisation. Cependant, malgré cette adoption, l’utilisation de l’IA dans les essais cliniques fait face à certains défis.

Défis auxquels l’IA dans les essais cliniques est confrontée

Défi : Les données sont soumises à des exigences réglementaires strictes. 

Pour prédire les résultats des essais, sélectionner les patients appropriés et surveiller la santé des patients, les algorithmes d’IA ont besoin d’un accès à des données en temps réel, de haute qualité et en grande quantité.

Cependant, compte tenu des directives réglementaires strictes sur la protection des données et le consentement éclairé, ces données peuvent ne pas toujours être disponibles, ce qui entrave l’efficacité de l’algorithme.

Défi : L’intégration de l’IA dans le flux de travail des essais cliniques est coûteuse.

La mise en œuvre de l’IA dans les essais cliniques est onéreuse. Pour intégrer l’infrastructure robuste et les ressources de calcul (c.-à-d. la base de données), les entreprises doivent embaucher des experts.

C’est un processus coûteux en temps et en main-d’œuvre. De plus, les pratiques et systèmes existants doivent également être intégrés à l’IA pour garantir qu’elle soit plus efficace que le processus traditionnel.

Défi : Les modèles d’IA ne sont pas transparents ni interprétables.

La plupart des modèles d’IA fonctionnent comme des boîtes noires, ce qui signifie qu’ils ne fournissent aucune explication pour leurs recommandations ou décisions. Le manque de transparence et d’interprétabilité est problématique car, en milieu clinique, chaque décision doit avoir une raison logique.

De plus, les modèles d’IA qui ne fournissent pas de raisonnement ou qui ne sont pas transparents peuvent ne pas être adoptés car les chercheurs ne feront pas confiance au modèle.

Défi : L’IA peut perpétuer des biais présents dans les données d’entraînement.

Les algorithmes d’IA sont entraînés sur des données existantes, qui peuvent contenir des biais. Les systèmes d’IA peuvent involontairement perpétuer ces biais, qui peuvent ne pas s’appliquer à toutes les populations de patients, compromettant gravement leur fiabilité. 

Considérations éthiques liées à l’IA

Voici quelques considérations éthiques clés pour le développement de modèles d’IA destinés aux essais cliniques :

Le modèle doit se conformer à toutes les réglementations sur les données, y compris la HIPAA et le GDPR. Ces réglementations existent pour garantir la confidentialité et la sécurité des données, ce qui est une préoccupation majeure pour les modèles d’IA. De plus, des processus d’anonymisation doivent être mis en œuvre dans le modèle pour garantir la confidentialité une fois lancé.

Le consentement éclairé des patients doit toujours être obtenu. Les participants doivent recevoir des informations détaillées et faciles à comprendre sur la manière dont les données seront utilisées avant de donner leur consentement. Cela est également conforme à toutes les réglementations sur les données.

La responsabilité des décisions recommandées par l’IA doit être établie. La mise en œuvre des recommandations de l’IA peut entraîner des résultats négatifs pour les essais cliniques ou les patients. Dans de tels cas, il est nécessaire de déterminer qui en porte la responsabilité. Rejeter la faute d’une équipe à une autre ne fera qu’engendrer de la confusion sans apporter de solution. 

La validation doit être réalisée de manière approfondie. Alors qu’une grande variabilité et des marges d’erreur peuvent être acceptables dans d’autres cas d’usage de l’IA, elles ne le sont pas pour l’industrie pharmaceutique car de telles erreurs peuvent avoir des conséquences permanentes sur la vie des patients. Par conséquent, la fiabilité et l’équité du modèle doivent être démontrées de manière exhaustive sur des populations diverses et en conditions réelles.

La transparence doit être intégrée. Toutes les recommandations et décisions du modèle doivent être interprétables par les cliniciens et les parties prenantes. Cette transparence est souvent un défi pour la plupart des modèles d’IA, mais elle est cruciale car ce n’est qu’en comprenant le raisonnement derrière une décision qu’on peut déterminer si elle est juste ou erronée.

L’atténuation des risques doit être une priorité. Dans l’industrie pharmaceutique, le « risque » a une définition à la fois unique et significative : il implique des conséquences permanentes pour les patients, telles que la paralysie ou la mort. Par conséquent, le risque lié à la mise en œuvre de l’IA dans les essais cliniques doit être identifié et atténué de manière exhaustive avant une mise en œuvre à grande échelle afin de prévenir tout événement indésirable.

Ces considérations doivent être abordées par toutes les parties prenantes lors des phases de conception et d’entraînement du modèle d’IA car elles peuvent avoir une influence déterminante sur l’approbation du modèle par les autorités réglementaires et sur la capacité du modèle à fournir les bonnes réponses.

Conclusion

L’utilisation de l’IA dans les essais cliniques présente un fort potentiel, notamment pour améliorer l’efficacité et réduire les coûts. Les technologies alimentées par l’IA peuvent optimiser la gestion et l’analyse des données, améliorer la sélection et la rétention des patients, et optimiser les conceptions d’essais cliniques.

À cet égard, plusieurs technologies d’IA ont déjà été intégrées par des entreprises pharmaceutiques. Cependant, malgré cette intégration, l’IA fait face à certains défis, principalement en raison des lois strictes sur la confidentialité des données, des coûts d’intégration élevés et du manque de transparence.

À l’avenir, l’IA dans les essais cliniques devra surmonter ces défis et bien d’autres pour être largement adoptée. Toutefois, compte tenu de ses avantages, l’IA dans les essais cliniques a un potentiel énorme. 

FAQ

Comment l’IA accélère-t-elle les essais cliniques ?

L’IA peut accélérer les essais cliniques en automatisant les tâches répétitives, en identifiant des participants potentiels, en simplifiant la gestion des données, en optimisant la conception des essais et en favorisant la rétention des patients.

Exemples d’utilisation de l’IA dans la recherche clinique ?

L’IA peut être utilisée pour le développement de nouveaux médicaments, l’identification de candidats, l’automatisation des essais cliniques, la conception d’essais cliniques et la formulation de médicaments. Pharma Now a publié divers articles détaillant l’utilisation de l’IA dans différentes branches de la pharma. Lisez-les pour en savoir plus

Quelles sont les préoccupations éthiques liées à l’utilisation de l’IA dans les essais cliniques ?

Les préoccupations éthiques liées à l’utilisation de l’IA dans les essais cliniques portent sur le consentement éclairé, la sécurité des données et la confidentialité des patients. De plus, l’IA peut involontairement adopter des biais basés sur les données sur lesquelles elle est entraînée.

Existe-t-il des réglementations spécifiques sur l’IA dans les essais cliniques ?

Oui, il existe des réglementations spécifiques applicables à l’IA. Elle est également soumise à toutes les réglementations et lignes directrices en matière de sécurité des données, de confidentialité des données et d’éthique applicables à toutes les entreprises pharmaceutiques.

L’IA peut-elle être utilisée pour prédire les résultats des essais cliniques ?

Oui, l’IA peut être utilisée pour prédire les résultats. Cela permet aux chercheurs de prendre des décisions éclairées pendant les essais. 

Références

https://www.nature.com/articles/d41586-024-00753-x

https://www.mckinsey.com/industries/life-sciences/our-insights/how-artificial-intelligence-can-power-clinical-development

https://www.nature.com/articles/s43856-023-00425-3

https://www.starmind.ai/blog/how-using-ai-in-clinical-trials-accelerates-drug-development

https://www.fda.gov/science-research/science-and-research-special-topics/artificial-intelligence-and-machine-learning-aiml-drug-development

https://www.linkedin.com/pulse/trial-pathfinder-ai-framework-systematically-evaluate-rahul-shirale/

https://www.linkedin.com/pulse/top-three-aiml-use-cases-largest-potential-clinical-trials-herax-fswqf/

https://www.nature.com/articles/d41586-024-00753-x#:~:text=Xiaoyan%20Wang%20notes%20that%20there,privacy%20or%20create%20security%20risks.

https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1426-2