-
Pierre Fabre
Données de santé, Essais cliniques, Innovation, Oncologie, Recherche et développement
-
Ipsen
Oncologie, Recherche et développement
Avec l’essor des biotechnologies, de la médecine de précision, etc. les coûts pour la recherche et le développement de nouvelles molécules thérapeutiques ont augmenté ces dernières années. Suivant les analyses, les estimations s’échelonnent à des montants d’environ un milliard d’euros pour le Leem, à plus de 2,6 milliards de dollars pour le centre d’étude sur le développement de médicament Tufts. Fin 2017, le cabinet McKinsey estimait que la mise en place du digital dans la R&D pourrait engendrer entre 50 et 150 Mds $ d’économies en Ebitda pour l’industrie. Parmi les perspectives, le cabinet cite l’analyse avancée de grands ensembles de données ainsi que le machine learning pour comprendre et visualiser l’interaction des cibles et prédire in silico la probabilité de réussite d’une molécule sur le marché. Or, pour alimenter les bases de données et les technologies de machine learning, les données sont indispensables. Une première étape consiste à cartographier celles disponibles en interne mais également en externe.
Première étape : définir la finalité
En interne, une première source de données repose sur les essais cliniques menés par les laboratoires depuis de nombreuses années. “Quand on a réalisé beaucoup d’essais cliniques, ce qui est le cas pour la plupart des laboratoires, on peut avoir des tendances, faire des analyses statistiques. Pour le remboursement, les laboratoires mettent également en place des études comparatives d’efficacité. Toutes les données collectées dans le cadre des analyses pour obtenir le remboursement sont une richesse”, observe Virginie Lefebvre Dutilleul, associée EY et avocat au barreau des Hauts de Seine.