La recherche clinique est un enjeu majeur pour les entreprises du médicament et du dispositif médical, et elles doivent trouver de nouveaux moyens pour accélérer le développement d’innovations en santé.
Ainsi l’intelligence artificielle en recherche clinique devrait contribuer à cette accélération, et va surement transformer en profondeur la manière dont les essais sont conçus, menés et analysés. Automatisation des tâches, prédiction des trajectoires cliniques, optimisation du recrutement et exploitation des données massives : l’IA ouvre des perspectives inédites pour les acteurs des sciences de la vie.
Mais à côté de cette promesse, de nombreuses voix critiques rappellent que l’IA générative ou « agentique » ne peut pas remplacer l’expertise humaine, ni contourner les exigences réglementaires strictes propres aux essais cliniques comme dans beaucoup d’autres domaines.
Cet article propose une analyse équilibrée entre les ambitions technologiques relayées par des acteurs comme McKinsey, et les réserves essentielles soulevées dans d’autres analyses sectorielles — notamment concernant la rigueur scientifique, les biais et la responsabilité.
Intelligence artificielle en recherche clinique : l’essor de l’agentic AI
Selon McKinsey, l’essor des systèmes d’IA « autonomes » (agentic AI) pourrait transformer jusqu’à 75 à 85 % des workflows des entreprises de la santé, en automatisant ou en augmentant des tâches aujourd’hui chronophages.
👉 Article complet :
https://www.mckinsey.com/industries/life-sciences/our-insights/reimagining-life-science-enterprises-with-agentic-ai
Cette vision met en avant :
- l’automatisation du screening scientifique,
- la génération assistée de protocoles,
- la suggestion de critères d’éligibilité basés sur l’historique des données,
- la coordination entre différents modules IA pour accélérer le développement clinique.
Pour McKinsey, il s’agit moins de remplacer l’humain que d’introduire de « nouveaux coéquipiers artificiels » capables de gérer les tâches répétitives et documentaires.
Les limites et critiques : IA générative ≠ essais cliniques
Pour autant, de nombreuses analyses rappellent que les essais cliniques répondent à un niveau d’exigence méthodologique et réglementaire qui dépasse largement ce que l’IA peut automatiser pour le moment.
Un article récent souligne que, si l’IA générative peut aider à préparer des documents ou explorer des scenarii, elle ne peut pas concevoir seule un protocole valide. En fait, ces systèmes sont basés sur des données existantes donc si une information manque ou est fausse, cela introduit un biais. Une IA peut générer des millions de possibilités mais ne peut garantir la pertinence de celles-ci dans un contexte clinique, notamment pour les maladies rares.
👉 Article Futurologie – IA générative et essais cliniques :
https://futurologie-lemag.com/explorer/existe-t-il-une-place-pour-l-ia-generative-dans-les-essais-cliniques/
Les critiques majeures portent sur :
- la qualité des données d’entraînement, souvent biaisée ou non représentative,
- le manque de transparence des modèles, incompatible avec les exigences d’auditabilité,
- la difficulté à valider cliniquement un système adaptatif,
- la responsabilité scientifique : un modèle ne peut expliquer des relations causales.
En somme, l’IA générative « assiste », mais ne remplace ni l’investigateur, ni la méthodologie scientifique.
Des cas d’usage concrets et réalistes en recherche clinique
Loin des scénarios futuristes, plusieurs usages actuels sont déjà décrits dans la littérature scientifique et technologique.
- IA pour optimiser le design des essais
L’IA peut réduire certaines étapes administratives, identifier plus rapidement les critères d’inclusion, ou encore suggérer des adaptations de protocole.
- IA pour exploiter les données massives (EHR)
L’IA, en particulier le deep learning, est déjà utilisée pour analyser des millions d’enregistrements cliniques, détecter des signaux faibles ou prédire des complications.
https://www.nature.com/articles/s41746-018-0029-1
- IA pour soutenir la pharmacovigilance
L’IA permet de détecter des signaux précoces d’effets indésirables à partir de bases de données massives, avec une sensibilité supérieure aux approches classiques.
PLOS One – Stratégies d’intégration de l’IA en santé
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0305949
Le cadre réglementaire : un impératif de transparence et de robustesse
L’intégration de l’IA en recherche clinique implique une conformité stricte :
- FDA
La FDA propose une liste actualisée des dispositifs intégrant de l’IA ainsi qu’un cadre préliminaire pour les logiciels médicaux (SaMD).
- EMA
L’Agence européenne du médicament insiste sur la transparence, la traçabilité des modèles et l’évaluation continue de la performance.
https://www.ema.europa.eu/en/about-us/how-we-work/data-regulation-big-data-other-sources/artificial-intelligence
Ces agences rappellent que :
- un modèle IA doit être documenté et justifiable,
- les jeux de données doivent être tracés, propres et représentatifs,
- les processus de validation doivent être rigoureux,
- toute automatisation doit rester sous contrôle humain.
Entre promesse et pragmatisme : quel avenir pour l’IA en recherche clinique ?
Le potentiel est immense : réduction des délais, meilleure qualité de preuve, essais plus personnalisés et plus efficaces.
Mais sa mise en œuvre demande :
- une stratégie claire,
- une gouvernance robuste,
- des données fiables,
- une maîtrise réglementaire,
- et surtout une compréhension précise des limites.
Les analyses concordent : l’IA sera un accélérateur, mais pas un substitut au raisonnement scientifique.
Conclusion
L’intelligence artificielle en recherche clinique est aujourd’hui à un moment charnière : son potentiel est considérable mais sa maturité reste variable selon les cas d’usage.
Les organisations qui réussiront seront celles qui sauront faire cohabiter innovation technologique, conformité réglementaire et expertise humaine.
Voir l’article sur ce sujet : Intelligence artificielle en recherche clinique et en santé : une révolution à maîtriser
