Jumeaux numériques : remodeler le secteur pharmaceutique

Nous examinons souvent de près les nouvelles technologies qui vont améliorer notre façon de travailler dans le secteur pharmaceutique — l’intelligence artificielle (AI), le machine learning et la technologie blockchain. Vous avez probablement déjà lu une douzaine d’articles sur l’AI et sa potentielle révolution dans l’industrie pharmaceutique. Mais, ce faisant, nous négligeons souvent des technologies plus anciennes qui sont toujours pertinentes et sous-utilisées. L’une des plus importantes est jumeaux numériques.

Qu’est-ce que les digital twins ?

Un digital twin est un ensemble de modèles adaptatifs d’un produit, d’un système ou d’un processus réel. Le digital twin émule le comportement de cet objet réel et est utilisé pour la simulation, l’analyse et l’optimisation. Ces modèles adaptatifs sont continuellement alimentés par des données récentes afin de rendre la simulation générée aussi fidèle que possible au pendant réel.

Le premier digital twin a été développé par la National Aeronautics and Space Administration (NASA) dans les années 1960, mais il ne portait pas ce nom à l’époque. Ce digital twin a été utilisé pour modéliser les missions Apollo et pour simuler et étudier la défaillance du réservoir d’oxygène d’Apollo 13. Depuis, les digital twins ont été progressivement intégrés dans plusieurs industries, y compris le secteur pharmaceutique.

L’intégration des digital twins n’a pas suscité autant d’attention que l’AI. Pourquoi ? Votre hypothèse vaut la nôtre ! Toutefois, les digital twins présentent un bon potentiel d’application dans l’industrie pharmaceutique.

Comment utiliser un digital twin ?

Essentiellement, un digital twin est une simulation d’un objet ou d’un système réel. Par conséquent, il peut être utilisé dans presque tous les processus pharmaceutiques. Voici quelques-unes des principales zones où les digital twins peuvent être utilisés :

Fabrication pharmaceutique

Les digital twins ont le plus de potentiel dans la fabrication pharmaceutique —particulièrement pour aider les entreprises pharmaceutiques à passer à l’échelle.

Considérez le scénario : Vos scientifiques ont réussi à développer le procédé de fabrication d’un nouveau médicament, et vous avez obtenu les autorisations nécessaires. Il ne reste alors qu’à lancer la production. Mais, pour ce faire, vous avez besoin de schémas et de paramètres précis pour une usine à grande échelle. L’obtention de ces éléments nécessite des essais-erreurs et du temps, mettant en péril l’exclusivité de votre produit.

À la place, vous pouvez créer une simulation (ou un digital twin !) du procédé en utilisant les paramètres d’équipement réels et l’optimiser. Cela permet d’éliminer tous les problèmes du système afin que l’installation soit simple et rapide !

Ceci est l’application la plus bénéfique des digital twins. Ils peuvent également être utilisés pour l’optimisation en temps réel des procédés existants et la maintenance prédictive, permettant aux entreprises pharmaceutiques d’optimiser leurs procédés de fabrication à l’avance.

Essais cliniques

Les essais cliniques sont un processus nécessaire et coûteux, et les entreprises pharmaceutiques doivent gérer l’incertitude liée au désistement inattendu des volontaires. À la place, on peut utiliser des digital twins. Les digital twins ont deux applications distinctes dans ce domaine :

• En tant qu’essais virtuels : Un essai clinique virtuel peut être réalisé en utilisant des digital twins au lieu d’essais cliniques physiques. Bien que réalisables seulement à certains stades des essais cliniques, les essais virtuels peuvent accélérer le processus et réduire les tests sur l’humain.
• En tant que jumeaux de patients : Des digital twins de patients peuvent également être créés à partir des profils des volontaires. Les entreprises peuvent utiliser ces personas pour les essais cliniques au lieu de réaliser des tests sur des personnes.

Du point de vue d’une entreprise pharmaceutique, ces applications des digital twins peuvent réduire la dépendance et l’incertitude des essais cliniques, lui permettant d’utiliser ses ressources plus efficacement.

Médecine personnalisée et surveillance à distance des patients

Comme pour les essais cliniques, les jumeaux de patients peuvent aussi être utilisés pour étudier la progression d’une maladie chez les patients et développer des médicaments personnalisés. Ces jumeaux de patients peuvent également servir à étudier la réponse d’un patient à un médicament et à déterminer d’éventuels effets secondaires. Par exemple, des jumeaux de patients peuvent être utilisés pour optimiser la posologie d’un patient atteint de cancer.

De plus, en combinant ces modèles avec des systèmes de suivi de santé réels tels que les montres connectées, les modèles peuvent prédire des événements indésirables. Par exemple, en obtenant des données en temps réel depuis la montre connectée d’un volontaire, le jumeau patient peut suivre les niveaux de glucose et alerter les autorités responsables avant qu’un événement indésirable ne se produise.

Un tel usage des digital twins peut aider les entreprises pharmaceutiques à réduire les dépenses et à mieux utiliser les ressources disponibles. De nombreuses grandes entreprises pharmaceutiques comme Pfizer et Sanofi ont mis en œuvre des digital twins. Cependant, compte tenu de l’ancienneté de la technologie, son application reste relativement en retard.

Qu’est-ce qui limite son utilisation ?

Limitations des données

Comme l’AI, les digital twins nécessitent également des données en temps réel de haute qualité pour simuler un objet avec précision. Toutefois, l’environnement de données dans l’industrie pharmaceutique est assez dispersé : les données proviennent d’ensembles divers et présentent des qualités, des fiabilités et des normes différentes. Ainsi, intégrer toutes ces données variées dans un format standard compatible avec l’infrastructure de données héritée de la plupart des entreprises pharmaceutiques est un défi.

Limitations financières

Pour faire simple, développer des modèles capables de simuler des objets du monde réel est coûteux. De plus, le retour sur cet investissement est assez incertain, ce qui rend de nombreuses entreprises pharmaceutiques hésitantes à mettre en œuvre des digital twins. Les petites et moyennes entreprises pharmaceutiques peuvent avoir du mal à justifier l’adoption de digital twins en raison des coûts initiaux élevés de mise en œuvre.

Limitations réglementaires

Il n’existe pas de lignes directrices standardisées pour les digital twins. Par conséquent, la mise en œuvre des digital twins est assez délicate pour les entreprises pharmaceutiques car elles ne peuvent pas simplement déterminer si une modification entraînera des problèmes de conformité. Beaucoup d’entreprises sont réticentes à adopter les digital twins pour ces raisons. Pour celles disposées à les adopter, les régulateurs peuvent exiger une validation rigoureuse des modèles de digital twin avant d’approuver leur utilisation, ce qui implique des coûts supplémentaires.

Menaces de cybersécurité

Dans le domaine pharmaceutique, les digital twins doivent utiliser des données patients pour fonctionner correctement. Toutefois, cela peut attirer l’attention des autorités de réglementation sur l’entreprise. En outre, cela peut aussi faire des modèles une cible d’attaques cybernétiques et de tentatives de piratage, qui sont des défis supplémentaires que les entreprises doivent relever avant de mettre en œuvre des digital twins.

Bien que cela puisse sembler être d’énormes défis, historiquement, l’industrie pharmaceutique a su surmonter des obstacles bien plus importants. Nous pouvons donc nous attendre à ce que, malgré son taux d’adoption lent, le digital twin soit un jour mis en œuvre dans la plupart des entreprises pharmaceutiques.

Conclusion

Nous pensons que les digital twins sont une technologie au potentiel exceptionnel pour transformer l’industrie pharmaceutique. Cependant, à l’heure actuelle, elle est fortement sous-implémentée et sous-utilisée. Leur mise en œuvre peut considérablement simplifier les processus pour les entreprises ; par exemple, au lieu de construire d’abord une installation et de rencontrer des problèmes, les entreprises peuvent créer une simulation parfaitement fonctionnelle puis la réaliser. Toutefois, pour ce faire, les entreprises devront remplacer les systèmes hérités et obtenir des données réelles de haute qualité — deux défis impliquant des investissements financiers importants.

FAQ

1. Les digital twins sont couramment utilisés dans quels secteurs ?

Les digital twins sont couramment utilisés dans les secteurs aérospatial et automobile. Cependant, ils ont un fort potentiel dans les secteurs de la fabrication, de l’énergie, de la construction et de la santé.

2. Combien de temps faut-il pour mettre en œuvre des digital twins ?

La mise en œuvre des digital twins dépend de la complexité des modèles et des objets. Les modèles simples peuvent prendre plusieurs semaines. En revanche, les modèles complexes peuvent prendre des mois, voire des années.

3. Combien coûte le développement de digital twins ?

Les coûts de développement et de mise en œuvre varient d’une entreprise à l’autre car ils comprennent le coût de développement du modèle + la mise en œuvre du modèle + la formation des employés + la mise à jour de l’infrastructure + l’obtention des licences nécessaires + la mise en place de mesures de sécurité des données.