Mes recherches actuelles se concentrent sur la création de patients artificiels destinés à compléter les cohortes de patients réels. Prenons l’exemple d’un essai clinique de phase 3 qui nécessiterait 300 patients par bras, soit 600 patients au total, avec des critères d’inclusion et d’exclusion très stricts, ceci peut représenter un recrutement conséquent. L’idée est d’étudier la possibilité, dans les cas où le recrutement mettrait l’essai en péril, de déséquilibrer ce recrutement. Concrètement, cela signifierait maintenir 300 patients dans le bras traité, mais n’en recruter qu’une centaine dans le bras de contrôle. Ces 100 patients réels seraient ensuite augmentés par 200 patients virtuels, générés par l’intelligence artificielle. Ces 200 patients virtuels viendraient compléter la base de données afin de permettre la finalisation de l’essai clinique dans les conditions initialement prévues.
Le recrutement est un enjeu majeur : un tiers des essais cliniques sont soit menacés de s’arrêter, soit sont contraints d’assouplir leurs critères ou de s’allonger. De plus, il faut considérer qu’un patient participant à un essai a une chance sur deux de ne pas bénéficier de l’innovation.
L’objectif est donc de déséquilibrer le recrutement en faveur du bras traité (en conservant le même nombre de participants que précédemment) et en réduisant le nombre de participants dans le bras contrôle. En complétant ce déséquilibre par l’utilisation de l’IA générative pour augmenter les données, il devient possible de statuer sur l’essai clinique. Cette approche permet de minimiser les pertes d’informations dues aux essais avec des données faiblement informatives, interrompus ou aux patients perdus de vue.
Nous sommes en mesure d’accomplir ce type de tâche. Cependant, le problème réside dans le fait que les autorités de réglementation n’ont, jusqu’à présent, jamais validé un essai clinique de cette nature. Elles exigent sans cesse davantage de preuves.
Cheffe de rubrique “Parcours de soins” de mind Health