Dans une revue publiée le 17 juillet dans la revue Tendances en sciences pharmacologiques , les chercheurs ont examiné comment l'intelligence artificielle (IA) pourrait affecter le développement de médicaments au cours de la prochaine décennie.

Les grandes sociétés pharmaceutiques et autres développeurs de médicaments sont aux prises avec un dilemme :l'ère des médicaments à succès touche à sa fin. À la fois, l'ajout de nouveaux médicaments à leurs portefeuilles est lent et coûteux. Il faut en moyenne 10 à 15 ans et 1,5 à 2 milliards de dollars pour mettre un nouveau médicament sur le marché; environ la moitié de ce temps et de cet investissement est consacré aux essais cliniques.

Bien que l'IA n'ait pas encore eu d'impact significatif sur les essais cliniques, Les modèles basés sur l'IA aident à la conception d'essais, Des techniques basées sur l'IA sont utilisées pour le recrutement de patients, et les systèmes de surveillance basés sur l'IA visent à stimuler l'adhésion à l'étude et à réduire les taux d'abandon.

"L'IA n'est pas une solution miracle et est en grande partie un travail en cours, pourtant, il est très prometteur pour l'avenir des soins de santé et du développement de médicaments, " déclare l'auteur principal et informaticien Stefan Harrer, chercheur à IBM Research-Australie.

Dans le cadre de l'examen et sur la base de leurs recherches, Harrer et ses collègues ont rapporté que l'IA peut potentiellement augmenter le taux de réussite des essais cliniques en :

• Mesurer efficacement les biomarqueurs qui reflètent l'efficacité du médicament testé
• Identifier et caractériser les sous-populations de patients les mieux adaptées à des médicaments spécifiques. Moins d'un tiers de tous les composés de phase II passent en phase III, et un essai de phase III sur trois échoue - non pas parce que le médicament est inefficace ou dangereux, mais parce que l'essai manque d'assez de patients ou des bons types de patients.
• Les start-up, grandes entreprises, organismes de réglementation, et les gouvernements explorent et encouragent tous l'utilisation de l'IA pour améliorer la conception des essais cliniques, dit Harrer. "Ce que nous voyons à ce stade, ce sont principalement des stades précoces, preuve de concept, et des études pilotes de faisabilité démontrant le fort potentiel de nombreuses techniques d'IA pour améliorer la performance des essais cliniques, " dit Harrer.

Les auteurs identifient également plusieurs domaines montrant la promesse la plus réelle de l'IA pour les patients. Par exemple:

• Les systèmes compatibles avec l'IA pourraient permettre aux patients d'accéder plus facilement à leurs données personnelles et de les contrôler.
• Le coaching via des applications basées sur l'IA peut avoir lieu avant et pendant les essais.
• L'IA pourrait surveiller l'adhésion de chaque patient aux protocoles en continu et en temps réel.
• Les techniques d'IA pourraient aider à guider les patients vers des essais dont ils n'étaient peut-être pas au courant
• En particulier, Harrer dit, l'utilisation de l'IA dans les approches de médecine de précision, telles que l'application de la technologie pour faire progresser l'efficacité et la précision des diagnostics professionnels, traiter et gérer les maladies neurologiques, est prometteur. "L'IA peut avoir un impact profond sur l'amélioration du suivi des patients avant et pendant les essais neurologiques, " il dit.

L'examen a également évalué les implications potentielles pour l'industrie pharmaceutique, qui comprenait:

• Des algorithmes de vision par ordinateur qui pourraient potentiellement identifier des populations de patients pertinentes grâce à une gamme d'entrées allant des formulaires manuscrits à l'imagerie médicale numérique.
• Applications de l'analyse de l'IA aux données d'essais cliniques ayant échoué pour découvrir des idées pour la conception d'essais futurs.
• L'utilisation de capacités d'IA telles que le Machine Learning (ML), Apprentissage profond (DL), et Natural Language Processing (NLP) pour corréler des ensembles de données volumineux et divers tels que les dossiers de santé électroniques, littérature médicale, et des bases de données d'essais pour aider la pharma à améliorer la conception des essais, appariement patient-essai, et le recrutement, ainsi que pour le suivi des patients pendant les essais.

Les auteurs ont également identifié plusieurs points importants à retenir pour les chercheurs :

• "Health AI" est un domaine en pleine croissance reliant la médecine, pharmaceutique, science et ingénierie des données.
• La prochaine génération d'experts en IA liés à la santé aura besoin d'un large éventail de connaissances en analytique, codage d'algorithmes et intégration de technologies.
• Des travaux en cours sont nécessaires pour évaluer la confidentialité des données, sécurité et accessibilité, ainsi que l'éthique de l'application des techniques d'IA aux informations médicales sensibles.

Parce que les méthodes d'IA n'ont commencé à être appliquées aux essais cliniques qu'au cours des 5 à 8 dernières années, il faudra probablement encore plusieurs années dans un cycle de développement de médicaments typique de 10 à 15 ans avant que l'impact de l'IA puisse être évalué avec précision.

En attendant, une recherche et un développement rigoureux sont nécessaires pour assurer la viabilité de ces innovations, dit Harrer. "D'importants travaux supplémentaires sont nécessaires avant que l'IA démontrée dans les études pilotes puisse être intégrée dans la conception des essais cliniques, ", dit-il. "Toute violation du protocole de recherche ou la définition prématurée d'attentes déraisonnables peut conduire à une atteinte à la confiance - et finalement au succès - de l'IA dans le secteur clinique."