Essais cliniques et IA générative (GenAI), une nouvelle donne qui ouvre des perspectives pour optimiser la recherche clinique. De la conception d’essais à l’analyse des données, comment cette technologie s’intègre-t-elle aujourd’hui ?
Essais cliniques et IA générative : un complément à l’expertise humaine
Dans son article dans Futurologie, Rémy Choquet (Roche France) met en avant les défis que représentent le développement clinique de nos jours avec la nécessité d’aller plus vite. Il montre notamment l’impact des technologies numériques et de l’intelligence artificielle et décortique les étapes clés des essais cliniques, en insistant sur l’apport potentiel de l’IA générative pour :
- Générer des scénarios de cohorte virtuelle ;
- Améliorer la rédaction des protocoles et documents réglementaires ;
- Simuler des groupes témoins pour les maladies rares.
Cohortes synthétiques
L’IA générative permet de créer des données cliniques simulées, complétant les cohortes de groupes témoins pour :
- Réduire le nombre de patients requis,
- Augmenter la représentativité statistique,
- Réduire les coûts et délais (phase III anticipée grâce à la modélisation) esante.tech
Recrutement et sélection : plus rapide, plus pertinent
85 % des études souffrent de retards d’inclusion, en effet, la part de patients participant à des études est estimée à moins de 10%. Et cette faible participation est un souci pour les entreprises concernées.
Des outils comme Muse (OpenAI – Sanofi) va analyser de vastes corpus de documents scientifiques, mais aussi des données sur les maladies et populations de patients pour favoriser une stratégie de recrutement de patients plus efficace. Ensuite, l’assistant interviendra dans l’identification “des profils de patients optimaux. ET enfin, Muse génère automatiquement des documents de recrutement et des questionnaires de présélection de haute qualité, adaptés à des sous-groupes de patients spécifiques et adaptables à différents canaux, langues et styles.
Essais « in silico » : la simulation comme alliée
Grâce au deep learning et aux modèles prédictifs, on peut espérer prévoir :
- Le succès des « outcomes »,
- Stratifier les patients,
- Les événements indésirables,
Des revues académiques soulignent l’usage croissant de ces technologies dans la médecine de précision et la personnalisation des traitements arxiv.org+2arxiv.org+2esante.tech+2.
Exemples d’applications
- Novartis : intègre l’IA dans sa recherche clinique via un investissement dans Yseop, spécialiste de l’IA générative pour la rédaction automatisée de rapports d’essais cliniques
- Owkin : Start-up française qui collabore avec de nombreux centres hospitaliers, dont l’AP-HP, avec pour objectif d’introduire l’intelligence artificielle dans le domaine de la médecine afin de découvrir de nouveaux médicaments et meilleurs traitements pour les besoins médicaux non satisfaits, en particulier dans le secteur de la lutte contre le cancer, de l’immunologie et les maladies cardiovasculaires. https://fr.wikipedia.org/wiki/Owkin?
Réglementation, éthique et qualité : des freins bien réels
- La FDA encourage les modèles prédictifs, mais l’EMA reste plus prudente et en France la CNIL impose des contraintes fortes sur l’usage des données personnelles, ce qui freine les avancées dans le domaine esante.tech.
- La qualité des données d’entrée (standards FHIR) est cruciale
- La FDA surveille près de 1 000 dispositifs médicaux IA approuvés, exigeant transparence et surveillance post‑mise sur le marché medvasc.info+1lemonde.fr+1.
- En France, l’alliance SILICA promeut les patients virtuels, plaçant la France au cœur de l’innovation éthique et réglementaire thema-radiologie.fr.
Conclusion
L’avis BluePharm : l’IA générative est en train de transformer les essais cliniques par une optimisation concrète : réduction des coûts, gain de temps, inclusion plus juste. Toutefois, un cadre réglementaire robuste, des données fiables, et l’acceptation des autorités sont des prérequis indispensables.
