L’IA dans la sécurité pharmaceutique : améliorer la pharmacovigilance avec l’intelligence artificielle

Dans Pharma Now’s articles précédents sur l'intelligence artificielle (IA) dans l'industrie pharmaceutique, nous avons abordé les avantages, les défis et les cas d'utilisation de l'IA dans différents secteurs de l'industrie pharmaceutique, notamment la fabrication, la chaîne d'approvisionnement, les affaires réglementaires, les essais cliniques et la découverte de médicaments. Poursuivant ce fil, cet article traite d'un autre secteur crucial de l'industrie pharmaceutique : la pharmacovigilance.

La pharmacovigilance est le processus de surveillance de la sécurité des médicaments après leur autorisation d'utilisation. Du point de vue d'une entreprise pharmaceutique, la pharmacovigilance est un processus nécessaire, chronophage, consommateur de ressources et coûteux. Il implique la collecte de données auprès des patients et des volontaires d'essais cliniques, l'analyse des données recueillies, la gestion des risques, l'évaluation de la causalité et de nombreuses autres activités. Cependant, comme les études de pharmacovigilance sont nécessaires pour maintenir la conformité réglementaire, les entreprises pharmaceutiques n'ont d'autre choix que de les mener à bien.

Par conséquent, de nombreuses entreprises pharmaceutiques cherchent à simplifier ou à automatiser leurs activités de pharmacovigilance en mettant en œuvre l'IA en pharmacovigilance. 

Comment l'IA peut-elle être mise en œuvre en pharmacovigilance ?

Détection et notification des événements indésirables

Les algorithmes d'IA peuvent analyser rapidement de larges bases de données pour identifier d'éventuelles réactions indésirables aux médicaments. Par exemple, les systèmes d'IA peuvent repérer des anomalies dans les dossiers électroniques plus efficacement que les humains, facilitant ainsi l'identification des effets secondaires.

Les systèmes d'IA peuvent surveiller plusieurs sources de données simultanément et signaler les problèmes, ce qui est difficile à réaliser manuellement. Cela permettra aux équipes responsables de résoudre rapidement l'événement.

Surveillance

Les systèmes d'IA présentent un excellent potentiel pour la surveillance. Ils peuvent être utilisés pour surveiller les réseaux sociaux afin d'identifier les effets secondaires rapportés par les patients. Ils peuvent également traiter des données provenant d'autres sources telles que les réclamations médicales, les réclamations d'assurance ou les registres de patients.

Ces détections peuvent servir d'alertes précoces concernant des problèmes de sécurité, permettant aux équipes responsables de suivre de manière ciblée ces cas spécifiques plutôt que l'ensemble du lot.Pour comprendre tout le potentiel de l'IA à travers les flux de travail pharmaceutiques, y compris la surveillance de la sécurité, découvrez comment l'IA transforme la conformité dans des environnements réglementés à haut risque.

Détection et analyse des signaux

Les algorithmes d'apprentissage automatique (ML) peuvent identifier des schémas dans les données de sécurité et signaler des risques potentiels plus tôt. Comme ces modèles présentent une précision supérieure à la détection humaine, le nombre de faux positifs diminue également, réduisant les alertes inutiles et permettant aux équipes responsables de réagir rapidement aux urgences, améliorant ainsi l'allocation et l'utilisation des ressources.

Revue de la littérature

Le dépistage manuel de la littérature existante pour trouver des références à des cas ou des effets secondaires spécifiques peut prendre des jours ou des semaines. En revanche, les outils d'IA peuvent automatiser ce processus.

Ils peuvent parcourir la littérature existante pour identifier les informations pertinentes et même générer des résumés concis des articles pertinents, évitant aux chercheurs de lire plusieurs articles.

Traitement des cas

Les systèmes d'IA peuvent également aider aux tâches de traitement des cas. Par exemple, des tâches répétitives telles que la saisie des informations des patients peuvent être automatisées pour réduire le travail manuel. De plus, ils peuvent aider à créer des rapports réglementaires.

Par exemple, les systèmes d'IA peuvent générer le rapport individuel d'sécurité des cas (ICSR) et le rapport périodique de mise à jour de sécurité (PSUR) pour la soumission réglementaire.

Conformité réglementaire

Les systèmes d'IA peuvent également analyser et résumer les directives réglementaires existantes en matière de pharmacovigilance et identifier d'éventuels problèmes de non-conformité. L'IA peut vérifier que les procédures élaborées sont conformes aux processus approuvés par les autorités ou développer des stratégies de pharmacovigilance pour un médicament particulier selon les exigences réglementaires.

Des algorithmes avancés sont également déployés pour renforcer les cadres de conformité réglementaire et réduire le risque d'échecs d'audit sur les marchés mondiaux. La mise en œuvre de ces cas d'utilisation de l'IA en pharmacovigilance présentera plusieurs avantages.

Avantages de l'IA en pharmacovigilance

Voici quelques avantages de l'IA en pharmacovigilance :

• Vitesse : La mise en œuvre de l'IA en pharmacovigilance peut améliorer la rapidité de détection et de réaction aux problèmes de sécurité. Cela aidera à prévenir ou à résoudre les événements indésirables avant qu'ils ne deviennent graves.
• Précision : En réduisant l'intervention humaine, l'IA peut améliorer la précision des activités de pharmacovigilance. Cela sera principalement réalisé en réduisant les erreurs humaines dans la détection de signaux et la documentation.
• Évolutivité : L'un des avantages les plus importants de l'IA en pharmacovigilance est que les applications sont évolutives. L'application exemple peut surveiller plusieurs médicaments et ensembles de données comptant des milliers — voire des millions — de personnes.
• Réduction des coûts : En augmentant la rapidité et la précision des activités de pharmacovigilance, le coût total engagé peut être réduit. De plus, l'automatisation peut réduire la charge de travail manuelle et les besoins en ressources, réduisant ainsi davantage les coûts.

Plusieurs entreprises ont déjà constaté ces avantages.

Technologies d'IA en pharmacovigilance : principales technologies alimentées par l'IA utilisées en pharmacovigilance

Traitement du langage naturel (NLP)

Le NLP peut être utilisé pour extraire des informations médicales à partir de données non structurées. Par exemple, des outils comme Amazon Web Services Comprehend Medical utilisent le NLP pour extraire des informations telles que les symptômes et les diagnostics à partir de textes non structurés. D'autres outils commeGoogle Healthcare Natural Language API analysent des données non structurées comme les dossiers médicaux ou les demandes d'indemnisation pour générer des informations structurées.

Apprentissage automatique (ML)

Le ML peut être utilisé pour identifier des modèles et des tendances dans de grands ensembles de données afin de repérer les premiers signes de problèmes de sécurité. Des outils commeOracle Empirica peuvent être utilisés pour détecter, analyser et gérer les signaux de sécurité. Empirica, en particulier, est un outil de premier plan utilisé par de nombreuses entreprises pharmaceutiques.

L'application de l'apprentissage automatique à la surveillance de la sécurité complète son rôle croissant dans la découverte et le développement de médicaments, en particulier pour prédire le comportement des composés et les résultats cliniques.

Automatisation et optimisation des flux de travail

L'automatisation et l'optimisation des flux de travail peuvent être utilisées pour automatiser les tâches répétitives de pharmacovigilance telles que la réception des dossiers et la saisie des données. Des outils comme UiPath peuvent automatiser le transfert des données cliniques et accélérer la création de procédures opérationnelles normalisées.

D'autres outils comme Blue Prism ont également été utilisés. Par exemple, Pfizer a utilisé le RPA à grande échelle de Blue Prism pour traiter de grands volumes de données d'essais cliniques pendant COVID-19.

Pour explorer comment les entreprises déploient les outils d'automatisation IA dans les opérations de PV, lisez notre analyse sur UiPath, Blue Prism et autres plateformes émergentes.

Outils de traitement des cas d'effets indésirables

Les outils de détection des effets indésirables propulsés par l'IA peuvent automatiser la réception, la classification et la notification des cas. Des outils tels que Veeva Vault Safety peuvent être utilisés pour gérer les informations de sécurité. Cet outil a été utilisé par de nombreuses sociétés pharmaceutiques, dont Merck.

Logiciels de déclaration réglementaire

Les outils de déclaration réglementaire propulsés par l'IA peuvent être utilisés pour automatiser les soumissions réglementaires et satisfaire aux exigences de conformité. Des outils comme Oracle Argus peuvent automatiser le traitement des cas et réduire la charge de travail jusqu'à 50 %. D'autres outils comme ArisGlobal’s LifeSphere ont été mis en œuvre par de nombreuses grandes entreprises pharmaceutiques, notamment Roche, Novartis, AstraZeneca, and Johnson and Johnson, pour automatiser et rationaliser les flux de travail réglementaires.

Les exemples ci‑dessus ne sont que la partie émergée de l'iceberg. L'IA a un excellent potentiel en pharmacovigilance. Cependant, la majorité des entreprises pharmaceutiques ne l'ont pas encore mise en œuvre.

Défis rencontrés par l'IA en pharmacovigilance

La mise en œuvre d'outils et de technologies propulsés par l'IA en pharmacovigilance est limitée par plusieurs défis qui restent à résoudre :

Qualité et quantité des données

La réussite de l'IA dans toute application dépend de données de haute qualité. Cependant, en pharmacovigilance, les données proviennent de diverses sources (dispositifs de surveillance électroniques, patients et rapports), et garantir l'exhaustivité et l'exactitude de toutes ces données est un défi. De plus, il n'y a pas toujours suffisamment de données correctes pour construire un modèle.

Biais et équité

En pharmacovigilance, le biais de déclaration peut entraîner une faible précision des prédictions. Les modèles d'IA peuvent involontairement reproduire les mêmes biais que l'industrie. Par conséquent, l'équité des modèles d'IA doit être soigneusement examinée et garantie avant leur mise en œuvre afin d'éviter des préoccupations éthiques ultérieures.

Conformité réglementaire

Les lignes directrices réglementaires n'encouragent ni ne découragent l'utilisation de l'IA parce que il n'existe pas de directives réglementaires claires sur la mise en œuvre de l'IA. Le règlement européen sur l'IA (EU AI Act) est le premier effort visant à créer un cadre quelque peu clair pour la mise en œuvre de l'IA. Actuellement, la plupart des entreprises s'abstiennent de tenter une implémentation de l'IA simplement parce qu'elles ne veulent pas prendre le risque de non-conformité. Par conséquent, des efforts supplémentaires doivent être fournis pour développer un cadre clair pour la mise en œuvre de l'IA.

Contraintes de ressources

Le développement et la mise en œuvre d'algorithmes d'IA est une tâche difficile nécessitant des experts. Trouver ces experts n'est pas facile. De plus, même si l'on trouve les bons experts, ils auront besoin de données suffisantes et de temps pour développer le modèle. En outre, s'ils disposent de ces sources, ils nécessiteront un financement adéquat. Tous ces nombreux « si » compliquent la mise en œuvre de l'IA.

Conclusion

Comme beaucoup l'ont assez justement supposé, l'IA est là pour rester. Elle a de nombreux cas d'utilisation et a démontré des avantages exceptionnels dans chacun d'eux. Cependant, dans le domaine de la pharmacovigilance, la mise en œuvre de l'IA en est encore à ses débuts. Bien que de nombreux outils comme Oracle Argus et UiPath aient été développés, testés et mis en œuvre par de nombreuses entreprises pharmaceutiques, leur application généralisée reste confrontée à de nombreux défis. Toutefois, nous restons optimistes quant aux perspectives positives de l'IA en pharmacovigilance.

FAQ

1. Pourquoi l'IA est-elle mise en œuvre dans tant de processus pharmaceutiques ?

L'IA est mise en œuvre dans de nombreux processus pharmaceutiques parce qu'elle peut réduire le temps, la charge de travail et les besoins en ressources des processus tout en améliorant la précision, ce qui se traduira finalement par une réduction des coûts pour le projet global.

2. Les grandes entreprises pharmaceutiques croient-elles à la mise en œuvre de l'IA ?

Oui, de nombreuses grandes entreprises pharmaceutiques ont déjà mis en œuvre l'IA dans divers secteurs. Cependant, à grande échelle, la mise en œuvre de l'IA en est encore à ses débuts.

3. Qu'est-ce qui empêche les entreprises pharmaceutiques de mettre l'IA en œuvre dans tous les processus ?

La mise en œuvre de l'IA est coûteuse et soumise à la conformité réglementaire. Par conséquent, son déploiement est plutôt lent. Toutefois, à mesure que des directives plus claires seront élaborées, nous devrions voir l'adoption par la plupart des entreprises.