Intelligence artificielle : relever les plus grands défis des essais cliniques

La médecine moderne est une merveille, avec des remèdes et des traitements jusque-là inimaginables désormais largement disponibles. Pensez aux dispositifs médicaux avancés tels que les défibrillateurs implantables qui aident à réguler le rythme cardiaque et à réduire le risque d'arrêt cardiaque.

De telles avancées n’auraient pas été possibles sans les essais cliniques – des recherches rigoureuses qui évaluent les effets des interventions médicales sur des participants humains.

Malheureusement, le processus d'essais cliniques est devenu plus lent et plus coûteux au fil du temps. En effet, seul un médicament sur sept entrant en phase I – la première étape des tests d'innocuité – est finalement approuvé. Il faut actuellement, en moyenne, près d'un milliard de dollars de financement et une décennie de travail pour mettre sur le marché un nouveau médicament.

La moitié de ce temps et de cet argent est consacré aux essais cliniques, confrontés à des obstacles croissants, notamment des difficultés de recrutement, une diversité limitée et l'inaccessibilité des patients. Par conséquent, la découverte de médicaments ralentit et les coûts continuent d'augmenter. Heureusement, les progrès récents de l'intelligence artificielle ont le potentiel de renverser la tendance et de transformer positivement le développement des médicaments.

Des modèles prédisant des interactions protéiques complexes avec une précision remarquable aux assistants de laboratoire dotés d'IA simplifiant les tâches de routine, l'innovation induite par l'IA transforme déjà le paysage pharmaceutique. Adopter de nouvelles capacités d'IA pour surmonter les obstacles aux essais cliniques peut améliorer le processus d'essai pour les patients, les médecins et les entreprises biopharmaceutiques, ouvrant la voie à de nouveaux médicaments efficaces et potentiellement à de meilleurs résultats pour la santé des patients.

Obstacles au développement de médicaments

Les médicaments en développement sont confrontés à de nombreux défis tout au long du processus d'essai clinique, ce qui entraîne des taux d'approbation extrêmement faibles auprès d'organismes de réglementation comme la Food and Drug Administration (FDA) américaine. De ce fait, de nombreux médicaments expérimentaux n'arrivent jamais sur le marché. Parmi les principaux défis figurent les difficultés liées à la conception des essais, le faible recrutement des patients, ainsi que l'accessibilité et la diversité limitées des patients – des problèmes qui s'aggravent mutuellement et entravent les progrès et l'équité dans le développement des médicaments.

1. Défis liés à la sélection du site d'essai

Le succès d'un essai clinique dépend en grande partie de la capacité des centres d'essai – généralement des hôpitaux ou des centres de recherche – à recruter et à inclure une population d'étude éligible suffisante. La sélection des centres repose traditionnellement sur plusieurs facteurs communs, notamment les performances historiques des essais précédents, la population locale de patients et les données démographiques, les capacités et infrastructures de recherche, le personnel de recherche disponible, la durée de la période de recrutement, etc.

Pris isolément, chaque critère est assez simple, mais la collecte de données pour chacun d'eux est semée d'embûches et les résultats peuvent ne pas indiquer de manière fiable si le site est adapté à l'essai. Dans certains cas, les données peuvent simplement être obsolètes ou incomplètes, surtout si elles ne sont validées que sur un petit échantillon d'études.

Les données qui aident à déterminer le choix du site proviennent également de différentes sources, tels que les bases de données internes, les services d'abonnement, les fournisseurs ou les organismes de recherche sous contrat (ORC), qui proposent des services de gestion d'essais cliniques. Face à une telle convergence de facteurs, l'agrégation et l'évaluation de ces informations peuvent s'avérer complexes et complexes, ce qui peut parfois conduire à des décisions sous-optimales concernant les sites d'essai. Par conséquent, les promoteurs (les organisations menant l'essai clinique) peuvent être amenés à surestimer ou sous-estimer leurs capacités pour recruter des patients dans les essais, ce qui entraîne un gaspillage de ressources, des retards et de faibles taux de rétention.

Alors, comment l’IA peut-elle aider à sélectionner les sites d’essai ?

En entraînant des modèles d'IA avec les données historiques et en temps réel des sites potentiels, les promoteurs d'essais peuvent prédire les taux de recrutement des patients et les performances d'un site, optimisant ainsi l'allocation des sites, réduisant les sur-recrutements ou les sous-recrutements, et améliorant l'efficacité et les coûts globaux. Ces modèles peuvent également classer les sites potentiels en identifiant la meilleure combinaison d'attributs et de facteurs, en adéquation avec les objectifs de l'étude et les stratégies de recrutement.

Les modèles d'IA entraînés à partir d'un mélange de métadonnées d'essais cliniques, de données de demandes de remboursement de médicaments et de médicaments, ainsi que de données patients issues des services de soins primaires (médecine générale) peuvent également aider à identifier les sites d'essais cliniques offrant un accès à des populations de patients diversifiées et pertinentes. Ces sites peuvent être situés en centre-ville pour les groupes sous-représentés ou même dans des lieux populaires de la communauté, comme des salons de coiffure ou des centres religieux et communautaires, contribuant ainsi à surmonter les obstacles à l'accessibilité des patients et au manque de diversité.

2. Faible recrutement de patients

Le recrutement des patients demeure l'un des principaux obstacles aux essais cliniques, occupant jusqu'à un tiers de la durée d'une étude. En effet, un essai sur cinq ne parviennent pas à recruter le nombre requis de participants. À mesure que les essais deviennent plus complexes – avec des points de contact supplémentaires avec les patients, des critères d'inclusion et d'exclusion plus stricts et des protocoles d'étude de plus en plus sophistiqués – les difficultés de recrutement ne cessent de croître. Sans surprise, Une étude établit un lien entre l’augmentation de la complexité des protocoles et la baisse des taux d’inscription et de rétention des patients.

En plus de cela, strict et souvent complexe Les critères d'éligibilité, conçus pour garantir la sécurité des participants et l'intégrité de l'étude, limitent souvent l'accès au traitement et excluent de manière disproportionnée certaines populations de patients, y compris les personnes âgées et les minorités raciales, ethniques et de genre. Dans les seuls essais en oncologie, on estime 17 à 21 % des patients ne peuvent pas s'inscrire en raison de conditions d'éligibilité restrictives.

L'IA est en passe d'optimiser les critères d'éligibilité et le recrutement des patients. Alors que le recrutement exigeait traditionnellement que les médecins sélectionnent manuellement les patients – ce qui est extrêmement chronophage – l'IA permet de comparer efficacement les profils des patients aux essais cliniques appropriés.

Par exemple, les algorithmes d'apprentissage automatique peuvent identifier automatiquement des tendances significatives dans de vastes ensembles de données, tels que les dossiers médicaux électroniques et la littérature médicale, afin d'améliorer l'efficacité du recrutement des patients. Des chercheurs ont même développé un outil utilisant de grands modèles linguistiques pour évaluer rapidement les candidats à grande échelle et contribuer à prédire l'éligibilité des patients, réduisant ainsi le temps de sélection de 1 %. plus de 40 %.

Les entreprises de technologies de la santé qui adoptent l'IA développent également des outils permettant aux médecins de déterminer rapidement et précisément les essais cliniques éligibles pour les patients. Cela favorise l'accélération du recrutement, permettant potentiellement de démarrer les essais plus tôt et, par conséquent, d'offrir aux patients un accès plus rapide aux nouveaux traitements expérimentaux.

3. Accessibilité des patients et diversité limitée

L'IA peut jouer un rôle essentiel pour améliorer l'accès aux essais cliniques, notamment pour les patients issus de groupes démographiques sous-représentés. C'est important, car l'inaccessibilité et la diversité limitée contribuent non seulement à de faibles taux de recrutement et de rétention des patients, mais aussi à un développement inéquitable des médicaments.

Il faut tenir compte du fait que les sites d'essais cliniques sont généralement regroupés dans les zones urbaines et les grands centres universitaires. De ce fait, les communautés des zones rurales ou mal desservies sont souvent incapables d'y accéder. Les contraintes financières, telles que les coûts des traitements, le transport, la garde d'enfants et le coût de l'absentéisme au travail, aggravent les obstacles à la participation aux essais et sont plus prononcées chez les minorités ethniques et raciales et les groupes dont le statut socio-économique est inférieur à la moyenne.

En conséquence, les groupes minoritaires raciaux et ethniques représentent seulement 2 % des patients dans les essais cliniques américains, bien qu'ils représentent 39 % de la population nationale. Ce manque de diversité présente un risque important lié à la génétique, qui varie selon les populations raciales et ethniques et peut influencer les réactions indésirables aux médicaments. Par exemple, les Asiatiques, les Latino-Américains et les Afro-Américains atteints de fibrillation auriculaire (troubles du rythme cardiaque liés à des complications cardiaques) qui prennent de la warfarine, un médicament qui prévient la formation de caillots sanguins, présentent un risque accru de complications. risque accru d'hémorragies cérébrales par rapport à ceux d’ascendance européenne.

Une plus grande représentation dans les essais cliniques est donc essentielle pour aider les chercheurs à développer des traitements à la fois efficaces et sûrs pour diverses populations, garantissant que les avancées médicales profitent à tous, et pas seulement à certains groupes démographiques.

L’IA peut aider les promoteurs d’essais cliniques à relever ces défis en facilitant les essais décentralisés – en déplaçant les activités d’essai vers des emplacements éloignés et alternatifs, plutôt que de collecter des données sur un site d’essai clinique traditionnel.

Les essais décentralisés utilisent souvent des dispositifs portables, qui collectent des données numériquement et exploitent des analyses basées sur l'IA pour synthétiser les informations anonymisées pertinentes concernant les participants. Associée à l'enregistrement électronique, cette approche hybride de mise en œuvre des essais cliniques permet d'éliminer les barrières géographiques et les contraintes de transport, rendant ainsi les essais accessibles à un plus large éventail de patients.

Des essais plus intelligents permettent des traitements plus intelligents

Les essais cliniques sont un autre secteur susceptible d'être transformé par l'IA. Grâce à sa capacité à analyser de vastes ensembles de données, à identifier des tendances et à automatiser les processus, l'IA peut apporter des solutions globales et robustes aux obstacles actuels : optimisation de la conception des essais, amélioration de la diversité des patients, simplification du recrutement et de la fidélisation, et suppression des obstacles à l'accessibilité.

Si le secteur de la santé continue d'adopter des solutions basées sur l'IA, l'avenir des essais cliniques pourrait devenir plus inclusif, centré sur le patient et innovant. Adopter ces technologies ne consiste pas seulement à suivre les tendances actuelles : il s'agit de créer un écosystème de recherche clinique qui accélère le développement de médicaments et offre des résultats de santé plus équitables pour tous.