Le rôle de l’IA dans la recherche clinique et la découverte de médicaments

L’intelligence artificielle (AI) transforme la recherche clinique en améliorant le recrutement des patients et en accélérant le développement des médicaments. Dans cet article, nous examinons son impact sur les essais cliniques grâce à l’analyse avancée des données et à la modélisation prédictive.

L’IA transforme les soins de santé grâce à de meilleurs diagnostics, à des traitements personnalisés et à une plus grande efficacité opérationnelle. La place grandissante de l’apprentissage automatique dans les essais cliniques est moins connue, alors qu’il y favorise les progrès grâce à l’analyse des données, à la modélisation prédictive et à l’optimisation du recrutement des patients.

L’AI accélère la découverte de médicaments, améliore la précision des essais et réduit les coûts, tout en accélérant la mise au point des traitements. Par exemple, les algorithmes d’AI analysent efficacement de vastes volumes de données pour repérer des médicaments candidats, prédire avec précision les résultats des traitements et optimiser la conception des essais cliniques afin de les rendre plus rapides et plus concluants. Les modèles de vision par ordinateur comme Ultralytics YOLOv8 contribuent également aux applications dans les domaines de la santé et de l’industrie pharmaceutique, grâce à des tâches comme la détection d’objets, la segmentation d’instances, l’estimation de pose et la classification, entraînées sur des données annotées de haute qualité.

Par ailleurs, des plateformes reposant sur l’AI, comme AlphaFold de DeepMind, ont démontré leur capacité à prédire la structure tridimensionnelle des molécules, transformant ainsi les processus de conception et de découverte de médicaments.

Fig. 1 Double hélice d’ADN, la structure moléculaire porteuse de l’information génétique des organismes vivants.

En outre, le laboratoire de Jimeng Sun à l’Université de l’Illinois à Urbana-Champaign a présenté HINT (réseau d’interactions hiérarchiques) pour prévoir le succès des essais en fonction des molécules médicamenteuses, des maladies ciblées et de l’admissibilité des patients. Leur système SPOT (modélisation prédictive séquentielle des résultats des essais cliniques) accorde la priorité aux données récentes, influençant ainsi la conception des essais pharmaceutiques et le choix d’autres médicaments potentiels.

Pourtant, seule une poignée d’entreprises bien établies déploient l’IA dans leur développement clinique.

L’utilisation de l’IA dans les essais cliniques#

L’IA est appliquée dans divers domaines de la recherche clinique pour améliorer l’efficacité, la précision et les résultats. Voici un aperçu des principaux domaines où l’IA a un impact considérable sur les essais cliniques :

• Analyse des données et reconnaissance des tendances. L’AI peut analyser de vastes volumes de données provenant d’essais cliniques, de dossiers médicaux électroniques et d’autres sources, afin de mettre au jour des tendances et des corrélations qui dépassent les capacités humaines. Cela permet de cerner avec davantage de précision les effets des traitements et les réactions des patients.
• Recrutement et fidélisation des patients. Les algorithmes d’IA peuvent rationaliser la sélection des participants aux essais cliniques en analysant de vastes jeux de données pour repérer rapidement et avec précision les patients admissibles. Cela accélère le recrutement et améliore les taux de fidélisation en faisant mieux correspondre les participants aux critères des essais.
• Analyse prédictive des résultats des traitements. En analysant les données historiques et actuelles des patients, les algorithmes prédictifs prévoient avec précision les résultats des traitements. Cela aide à concevoir des essais efficaces et à personnaliser les traitements, ce qui pourrait améliorer les résultats et réduire les effets secondaires pour chaque patient.
• Collecte et gestion automatisées des données. L’IA peut automatiser la collecte, l’organisation et l’analyse des données, réduire au minimum les erreurs humaines et fournir des informations en temps réel. Cela rationalise les processus, accélère la recherche et favorise la mise au point de nouveaux traitements.

L’IA dans la recherche clinique : relever les défis#

À mesure que l’IA continue de transformer la recherche clinique, il est essentiel de reconnaître les écueils potentiels en parallèle des promesses. L’IA offre des avantages attrayants, comme une meilleure efficacité et une plus grande précision, la rationalisation du recrutement des patients et la réduction des coûts, mais sa mise en œuvre comporte aussi des défis. Voici quelques points importants à prendre en compte :

• Biais potentiels dans les algorithmes d’AI. Les systèmes d’AI sont entraînés sur des données historiques, qui peuvent comporter des biais inhérents, notamment des biais de sélection, d’échantillonnage ou de mesure. Par exemple, les modèles peuvent être moins performants chez les patientes en raison de données d’entraînement provenant majoritairement d’hommes (biais de sélection), mal généraliser aux patients vivant en zone rurale s’ils sont entraînés sur des données urbaines (biais d’échantillonnage), ou perpétuer des inexactitudes dues à des erreurs systématiques de collecte de données (biais de mesure). Si ces biais ne sont pas contrôlés, ils risquent de fausser les résultats et de nuire aux soins prodigués aux patients ainsi qu’aux conclusions de la recherche.
• Préoccupations relatives à la confidentialité et à la sécurité des données. Comme la recherche clinique implique d’énormes quantités de données sensibles sur les patients, il est essentiel d’en garantir la confidentialité et la sécurité. Les systèmes d’AI sont vulnérables aux cyberattaques et aux violations de données, ce qui soulève des inquiétudes quant à la confidentialité et à l’intégrité des informations sur les patients.
• Défis réglementaires et éthiques. Les progrès rapides des technologies d’AI dépassent souvent le rythme d’évolution des cadres réglementaires et des lignes directrices éthiques. Des questions se posent quant à l’utilisation appropriée de l’AI dans la recherche clinique, notamment en ce qui concerne le consentement éclairé, la transparence et la responsabilisation.
• Dépendance à l’égard de données de haute qualité. Si l’AI s’appuie sur les données, son efficacité dépend de la qualité, de la diversité et du volume des jeux de données. Des données inadéquates, biaisées ou insuffisantes peuvent compromettre la fiabilité et la validité des informations obtenues grâce à l’AI, freinant ainsi les progrès de la recherche clinique.

En répondant à ces préoccupations, les parties prenantes peuvent ouvrir la voie à une intégration responsable de l’intelligence artificielle dans la recherche clinique afin d’améliorer les résultats des soins de santé.

Réglementation de la FDA : le rôle de l’IA dans la recherche clinique#

La Food and Drug Administration (FDA) des États-Unis a constaté une hausse notable du nombre de demandes d’autorisation de médicaments et de produits biologiques intégrant des éléments d’AI ou de machine learning ces dernières années, avec plus de 100 demandes enregistrées en 2021. Ces dossiers couvrent différentes étapes du développement des médicaments, de leur exploration à la recherche clinique, en passant par la surveillance de la sécurité après commercialisation et la fabrication pharmaceutique de pointe.

Pour soutenir l’innovation dans le développement des médicaments, la FDA a approuvé plusieurs outils et technologies d’AI destinés à la recherche clinique. Ceux-ci vont de l’analyse prédictive ciblant le recrutement des patients à l’analyse d’images médicales à des fins diagnostiques.

En publiant des directives de la FDA pour les essais cliniques, l’agence reconnaît que l’IA et l’apprentissage automatique offrent des possibilités, mais posent aussi des défis pour le développement des médicaments. Pour y répondre, la FDA renforce son agilité réglementaire afin de favoriser l’innovation tout en donnant la priorité à la protection de la santé publique.

L’AI et le machine learning devraient jouer un rôle essentiel dans le développement des médicaments, et la FDA prévoit d’élaborer et d’adopter un cadre réglementaire souple fondé sur les risques, qui favorise l’innovation tout en protégeant la sécurité des patients.

Innovations de l’IA dans les soins de santé : principaux acteurs#

Partout dans le monde, les entreprises tirent de plus en plus parti de l’AI pour accélérer la découverte de médicaments et la planification de traitements personnalisés. Voici quelques grandes entreprises qui utilisent l’AI :

• Pfizer : En exploitant l’IA pour la découverte et le développement de médicaments, Pfizer accélère la recherche et la mise au point de nouveaux traitements et rationalise le processus, de la recherche à la commercialisation.
• Medidata Solutions : Cette entreprise de solutions logicielles infonuagiques utilise l’IA pour optimiser les essais cliniques en rationalisant l’analyse des données, en améliorant la participation des patients et en prédisant les résultats en temps réel. Il en résulte une recherche accélérée et de meilleurs taux de réussite des essais.

Fig. 2. L’AI est essentielle pour optimiser le choix des sites d’essais cliniques et respecter les délais de recrutement.

• BenevolentAI : En utilisant l’IA pour générer et valider des hypothèses, BenevolentAI transforme de vastes jeux de données en informations exploitables, favorisant l’innovation et la découverte en recherche biomédicale.
• Tempus : Grâce à sa collaboration avec GlaxoSmithKline, Tempus personnalise les traitements, en optimise l’efficacité et en réduit les effets secondaires au moyen de ses plateformes basées sur l’IA. Ensemble, les deux entreprises visent à accélérer la réussite de la R&D et à proposer plus rapidement aux patients des traitements adaptés.
• Exscientia : À l’avant-garde de l’IA pour la conception et l’optimisation des médicaments, Exscientia accélère les délais de développement des médicaments et améliore la précision des interventions thérapeutiques, pour aboutir à des traitements plus efficaces.

Axes prioritaires et perspectives d’avenir de l’IA dans la recherche clinique#

La cardiologie, l’oncologie, la neurologie et les maladies rares se sont imposées comme des domaines de prédilection pour l’application de l’IA à la recherche clinique, et ce pour plusieurs raisons. Tout d’abord, ces domaines impliquent souvent des jeux de données complexes, qui se prêtent particulièrement bien à l’analyse et à la prédiction par l’IA.

Deuxièmement, la gravité des maladies concernées dans ces domaines, comme les maladies cardiaques, le cancer, les troubles neurologiques et les maladies rares, exige des approches précises et personnalisées pour le diagnostic et le traitement, ce que l’AI sait particulièrement bien fournir.

En outre, les progrès des technologies d’IA ont permis aux chercheurs de concevoir des solutions novatrices adaptées aux défis propres à chacune de ces spécialités médicales. L’IA s’intègre donc de plus en plus à la recherche clinique dans ces domaines, ouvrant la voie à de meilleurs résultats pour les patients et à une prestation des soins de santé plus efficace.

Cependant, les applications potentielles de l’AI vont bien au-delà de ces domaines. Avec les progrès technologiques et l’augmentation de la disponibilité des données, l’AI pourrait considérablement améliorer d’autres spécialités médicales.

De la dermatologie à la radiologie et à la psychiatrie, l’AI offre des perspectives prometteuses pour améliorer le diagnostic, la planification des traitements et les soins aux patients dans diverses spécialités. À mesure que les chercheurs continuent d’explorer les capacités de l’AI, son rôle dans la recherche clinique devrait encore s’élargir, favorisant une nouvelle ère de médecine de précision et de meilleurs résultats en matière de santé.

IA et recherche clinique : principaux enseignements#

L’IA transforme les soins de santé en améliorant les diagnostics, en personnalisant les traitements et en renforçant l’efficacité opérationnelle. Dans les essais cliniques, l’apprentissage automatique joue un rôle déterminant en faisant progresser l’analyse des données, la modélisation prédictive et l’optimisation du recrutement des patients. Il accélère ainsi la découverte de médicaments, améliore la précision des essais et réduit efficacement les coûts.

Par exemple, les algorithmes d’AI analysent efficacement de vastes volumes de données pour repérer des médicaments candidats et prédire les résultats des traitements. En outre, des plateformes d’AI comme AlphaFold de DeepMind prédisent les structures moléculaires, transformant ainsi la conception des médicaments.

Pourtant, le potentiel de l’IA dépasse ces domaines et promet des progrès dans diverses spécialités. Malgré des défis comme les biais et les problèmes de confidentialité des données, l’intégration de l’IA dans la recherche clinique offre des possibilités de transformation et ouvre la voie à une nouvelle ère de médecine de précision et à de meilleurs résultats en matière de santé.

L’IA t’intéresse ? Rejoins notre communauté pour rester au courant des dernières nouvelles sur l’intelligence artificielle. Consulte notre dépôt GitHub et découvre les applications de la vision par ordinateur dans des domaines comme l’agriculture et la fabrication !