L’intelligence artificielle au service de la recherche médicale et pharmaceutique
L’intelligence artificielle se déploie de plus en plus dans le monde de la santé pour aider les soignants dans la pratique ou optimiser la prise en charge des patients. Un autre domaine est fortement impacté par l’IA : la recherche médicale et pharmaceutique. Décryptage.
Dans le domaine de la santé, les équipes de R&D, que cela soit dans la recherche fondamentale ou la recherche pharmaceutique, se sont vite emparées de solutions à base d’intelligence artificielle pour accélérer la découverte de nouveaux traitements, optimiser les essais cliniques, personnaliser les traitements ou réduire les phases de développement.
Plus globalement, l'IA peut gérer et analyser de grandes quantités de données médicales, ce qui permet aux équipes de chercheurs de gagner du temps ou de prendre des décisions éclairées. Il faut bien avoir en tête que les solutions à base d’IA développées pour la recherche ne sont que des outils pour simplifier la mission des équipes de recherche et n’ont pas vocation à prendre leur place.
Le machine learning pour accélérer les phases cliniques
Une des composantes de l’intelligence artificielle est le machine learning, appelé également apprentissage automatique, qui vise à donner aux machines la capacité d’« apprendre » à partir de données, via des modèles mathématiques.(1) Il permet d’accélérer des processus et de traiter un volume massif de données et d’informations permettant de développer l’analyse prédictive. Cette technologie est aujourd’hui au cœur des stratégies R&D.
Les modèles d’intelligence artificielle permettent d’accélérer les phases de développement et de réduire les délais et évidemment les coûts associés.
Au niveau de la recherche de nouveaux médicaments, l’une des grandes difficultés rencontrées par les scientifiques dans la conception de principes actifs est la multitude de données disponibles à analyser (2) Pour répondre à cette problématique, le drug design faisant appel à la chimie combinatoire est aujourd’hui omniprésent. L’intelligence artificielle apporte de nouvelles perspectives car elle peut analyser de vastes ensembles de données biologiques, génétiques et moléculaires pour identifier de nouvelles cibles potentielles pour le développement de médicaments. Cela accélère le processus de recherche de médicaments, qui peut prendre des années.
Les systèmes d'IA peuvent générer de manière automatisée des molécules candidates pour de nouveaux médicaments en tenant compte des propriétés chimiques, de la bioactivité et des propriétés ADME (Absorption, Distribution, Métabolisme, Élimination). Cela accélère le processus de découverte de médicaments.
L'utilisation de l’IA peut prédire l'activité pharmacologique potentielle des composés chimiques en fonction de leur structure moléculaire, ce qui permet d'identifier plus rapidement les candidats les plus prometteurs. A titre d’exemple, on peut citer les sociétés Iktos ou Aqemia qui proposent des solutions concrètes pour accompagner les équipes de R&D. Elles collaborent notamment avec de nombreux laboratoires pharmaceutiques pour les aider à accélérer et optimiser les phases de drug design (Janssen, Merck, Servier…).
Autre aspect intéressant de l’intelligence artificielle : la possibilité d’élaborer des plans de traitement personnalisés en fonction des caractéristiques génétiques et médicales individuelles des patients, maximisant ainsi l'efficacité et minimisant les effets secondaires.
Enfin, en automatisant certaines étapes du processus de drug design, l'IA peut réduire les coûts de développement de médicaments et accélérer le délai nécessaire pour mettre un médicament sur le marché.
Essor du in silico et des jumeaux numériques
Depuis de très nombreuses années, la recherche et le développement autour de nouvelles molécules repose essentiellement sur des expériences menées en laboratoire ("in vitro"), puis sur des êtres vivants ("in vivo") via des essais cliniques.
L’intelligence artificielle offre de nouvelles possibilités avec le déploiement du "in silico". Cela désigne l'utilisation de simulations et de modèles informatiques pour par exemple identifier et concevoir de nouveaux médicaments, étudier des interactions moléculaires, simuler des essais cliniques ou analyser d'énormes ensembles de données médicales, notamment des données d'imagerie médicale, de séquençage génomique et de dossiers médicaux électroniques, afin d'identifier des tendances et des corrélations qui pourraient échapper à une analyse manuelle.
On observe dans les équipes de recherche publiques ou privées une utilisation croissante des jumeaux numériques pour travailler sur ces simulations. Il s’agit de modèles informatiques intégrant de l’intelligence artificielle qui reproduisent de manière précise les caractéristiques et les comportements d'un patient ou d'un individu spécifique. Les chercheurs utilisent les jumeaux numériques pour tester des scénarios de manière sécurisée et économique avant de les essayer dans des environnements ou des situations réelles (3).
On retrouve différents usages :
Optimisation des essais cliniques
Au niveau des essais cliniques, l’intelligence artificielle est utilisée à différents niveaux : la conception des essais cliniques, l’identification des bons patients ou le suivi en temps réel.
Pour l’identification des patients éligibles, l'IA peut aider à identifier rapidement les patients éligibles pour un essai clinique en analysant de grandes quantités de données médicales, telles que les dossiers médicaux électroniques, les images médicales et les données génomiques. Cela permet également de simplifier la sélection et le recrutement de candidats.
Les équipes de recherche utilisent l’IA pour concevoir des protocoles d'essais cliniques plus efficaces en optimisant la randomisation, la taille de l'échantillon, la durée de l'essai, etc. Cela apporte différents avantages comme la réduction des coûts et l’accélération du processus.
Au cours des essais cliniques, des solutions d’IA favorisent l’analyse des données recueillies pour prédire et comprendre les résultats. On utilise par exemple la saisie électronique des données (EDC), une technologie qui rationalise la collecte des données tout en minimisant les erreurs humaines et en assurant la sécurité des données (4).
Il est alors possible de surveiller en temps réel les données, détecter les tendances anormales et identifier les problèmes potentiels, ce qui peut conduire à des ajustements plus rapides dans le protocole ou l'interruption de l'essai si nécessaire. On peut également identifier plus rapidement les effets secondaires potentiels des médicaments testés en analysant les données des participants à l'essai.
Mais au-delà de cette optimisation, l’intelligence artificielle pourrait à terme complètement remplacer certains essais cliniques. Exemple récent avec une intelligence artificielle développé par Novasdiscovery qui fait aussi bien qu'un essai clinique de 3 ans : « le 11 septembre dernier, le groupe pharmaceutique AstraZeneca publie les résultats de son essai clinique sur un traitement pour le cancer du poumon. Trois jours avant, grâce à l'intelligence artificielle, une prédiction des résultats de cet essai est publiée par le vice-directeur de l'Institut de cancérologie aux Hospices Civils de Lyon. Une prédiction qui s'est révélée juste » (5).
Des défis à relever
Dans cette transformation digitale de la santé et de ce secteur de la recherche, l’intelligence artificielle soulève de nombreux enjeux et défis :
La nouvelle réglementation de l’usage de l’intelligence artificielle dans l'Union Européenne, baptisée AI Act, qui entrera en vigueur en janvier 2024 donnera un nouveau cadre réglementaire pour la mise au marché de solutions avec le triptyque sécurité, santé et droits fondamentaux.
Aujourd’hui, la recherche, qu’elle soit fondamentale ou pharmaceutique, est le domaine de la santé qui a le plus intégré l’intelligence artificielle dans son fonctionnement. Cette technologie apporte de nombreux avantages dans les phases cliniques, la découverte de nouveaux traitements ou l’optimisation des essais cliniques. Elle est également porteuse d’espoir dans la lutte contre le cancer ou les maladies rares. Mais comme nous l’avons vu, il reste des enjeux et défis à relever pour une utilisation optimale et éthique de cette technologie.
Ça va vite, très vite, trop vite penseront certains ?
Chez Digital Pharma Lab, nous sommes des révolutionnAIres enthousIAstes et nous aimons la vitesse !
La mutation actuelle s’explique par la conjonction de plusieurs facteurs : la maîtrise de la technologie concomitante d’une large utilisation mondiale des objets connectés, favorisant ainsi la croissance exponentielle de la collecte de données (+ 40% annuellement). C’est ainsi que les programmes traditionnels disparaissent au profit de programmes d’IA bien plus puissants utilisant ces vastes volumes de données.
Bien sûr, nous devons collectivement veiller à garantir une collecte de données éthique et sécurisée et la régulation devra s’adapter en temps réel pour ne pas être prise de vitesse…
Ce n’est donc que le début. Face aux craintes et controverses que cette révolution numérique suscite, soyons confiants pour que technologie rime avec espoir (de nouveaux traitements) et que la Recherche donne à l’IA ses lettres de noblesse !
Rémy Teston
Consultant digital / Expert e-santé – Buzz E-santé
.png)
.png)
.jpeg)
