Recherche clinique, comment l’optimiser ?

L’inclusion des patients est plus que jamais un enjeu pour la recherche clinique. Environ 80 % des essais cliniques ne parviendraient pas à recruter le nombre de patients nécessaires dans les délais attendus. Dans ce domaine, l’IA présente un réel apport notamment pour les maladies rares, en permettant de repérer des patients, peu nombreux, présentant des phénotypes similaires afin de trouver des facteurs génétiques causals. ″Sur de grandes bases de données, l’IA peut effectuer ce type d’analyse″, a expliqué Arnaud Sandrin, directeur opérationnel de la Banque nationale de données maladies rares à l’Assistance publique-hôpitaux de Paris (AP-HP). L’intérêt de l’IA est également manifeste sur les aspects opérationnels afin d’aider à la structuration des bases de données. ″Mais pour que l’IA soit un réel support dans les maladies rares, il faudrait une stratégie globale, une convergence car aujourd’hui, la démultiplication des outils numériques se fait au détriment de notre capacité à les améliorer″, a-t-il pointé.

Des données précises et de qualité  

Pour améliorer la recherche clinique et les soins, Skezi a décidé d’agir pour la constitution de données de qualité, en proposant via l’IA, l’analyse de celles apportées par les patients. ″Sans ces données, les individus sont enfermés dans du déterminisme biologique″, a soutenu Jean-Philippe Bertocchio, CEO de Skezi, qui assure cette collecte des données en vie réelle (PROMs, PREMs et satisfaction patients). Une analyse indispensable pour comprendre le bénéfice individuel d’un médicament pour chaque individu. Développer cet apport implique de réduire les contraintes liées au recueil de ses données, donc de ″convaincre les autorités que nos outils sont tout aussi robustes que des cohortes de plusieurs milliers de personnes, surtout dans le domaine des maladies rares″, a-t-il ajouté. 

Du côté de DEEMEA, ce sont les données de l’imagerie médicale qui sont exploitées dans le cadre du processus de recherche clinique et ce, de la collecte initiale des données à l’analyse statistique des résultats.  ″Nous avons développé une plateforme collaborative, qui se greffe sur les outils métiers des professionnels de santé, pour extraire l’information grâce à des modèles″, a expliqué Charlotte Pouchy, CEO. L’IA intervient ensuite pour la structuration des données, l’annotation des informations objectives issues de l’imagerie médicale afin de les standardiser pour faciliter leur interprétation et leur validation par les experts. 

Du côté des CRO, l’usage de l’IA est un enjeu ″de survie″ leur permettant ″d’être compétitifs″, a insisté Alexandre Malouvier, directeur scientifique de l’Innovation digitale et du développement de l’E-Clinique chez ICON. ICON a d’ailleurs développé un système d’IA (Cassandra), qui exploite les données sur les médicaments et celles obtenues à partir des bases de données des exigences post-commercialisation de la Food & Drug Administration (FDA) et de l’Agence européenne des médicaments (EMA) afin de prédire la probabilité qu’elles exigent des études post-commercialisation. ″Aujourd’hui, tous nos clients veulent de l’IA mais le développement et l’application prennent du temps, d’autant plus que nous manquons de data scientist″, a-t-il alerté.

Un accompagnement à l’usage

Pour répondre à toutes les questions liées aux données de santé, la Commission nationale de l’informatique et des libertés a participé à la rédaction d’un livre blanc ″Données de santé artificielles : analyse et pistes de réflexion″. Un outil utile ″car pour générer des données de santé artificielles, il faut bien souvent traiter des données à caractère personnel″, a rappelé Manon de Fallois, adjointe à la cheffe du service santé à la Cnil. Se pose alors la question du statut des données d’apprentissage, des données de sortie et des modèles. Des fiches pratiques sont diffusées par la Cnil pour accompagner les organismes souhaitant développer des systèmes d’IA.