Devia sort de l’ombre avec des agents d’IA pour les investigations qualité dans l’industrie pharmaceutique

Une investigation qualité dans l’industrie pharmaceutique ne peut pas se limiter à clôturer un ticket. Elle doit expliquer ce qui s’est mal passé, en établir la cause, documenter les mesures prises et montrer si le même problème s’est déjà produit. Devia, une entreprise issue de Visium, basée à Zurich et qui sort de sa phase de développement confidentielle, applique des agents d’IA à cette chaîne de travail, tout en laissant aux professionnels de la qualité la responsabilité des décisions.

L’entreprise indique avoir consacré un an à tester le système avec des équipes qualité dans des environnements GxP réels, notamment en collaboration avec un grand organisme de développement et de fabrication sous contrat. GxP est un terme générique qui désigne les exigences réglementaires en matière de bonnes pratiques dans des domaines tels que la fabrication, les laboratoires et la recherche clinique.

Au lancement, Devia cible les fabricants biopharmaceutiques, les organismes de développement et de fabrication sous contrat (CDMO) et les organismes de recherche sous contrat (CRO). Son principe est qu’un agent peut rassembler les éléments de preuve et préparer les documents d’investigation sans remplacer les personnes responsables de l’approbation d’une investigation.

Du rapport initial à une cause racine étayée

Dans les activités pharmaceutiques, une déviation est un écart par rapport à une procédure, un processus ou une exigence attendus. Son investigation peut obliger le personnel à reconstituer les événements à partir des dossiers de production, des procédures opératoires normalisées, des pièces jointes et de cas antérieurs dispersés dans différents systèmes.

Devia décrit un agent qui structure le rapport initial, rassemble les éléments de preuve pertinents, suggère des causes racines possibles et prépare des actions correctives et préventives, ou CAPA. Les opérateurs, les enquêteurs et le personnel de l’assurance qualité examinent et approuvent les travaux au fur et à mesure de leur avancement.

La documentation de la plateforme de l’entreprise apporte des précisions sur ce processus. Les questions posées lors de la collecte initiale suivent les procédures propres à l’organisation, et le système peut lire les photographies et les PDF joints. Pour l’analyse des causes racines, il prépare des diagrammes d’Ishikawa et des analyses selon la méthode des 5 pourquoi à partir du rapport d’événement, des procédures et des déviations antérieures pertinentes.

Ces méthodes apportent une structure, mais ne constituent pas à elles seules une preuve. Une analyse d’Ishikawa organise les facteurs potentiellement contributifs ; une analyse selon la méthode des 5 pourquoi suit une chaîne d’explications pour remonter à une cause sous-jacente. La question essentielle est de savoir si chaque explication proposée est étayée par des éléments qu’un enquêteur qualifié peut examiner.

« Les équipes qualité n’ont pas besoin d’un système d’enregistrement supplémentaire. Elles ont besoin d’un agent qui prépare le terrain, afin que leurs experts puissent se concentrer sur les causes racines qui comptent », a déclaré Pascal Rodriguez, directeur technique de Devia.

Tirer des enseignements des cas passés sans automatiser le verdict

Les investigations antérieures sont utiles lorsqu’elles aident le personnel à reconnaître une cause commune, plutôt qu’à simplement trouver un rapport formulé de façon similaire. Devia indique comparer les propositions de causes racines pour les nouveaux cas avec les cas antérieurs et conserver les décisions examinées par ses propres experts afin qu’elles puissent servir aux investigations futures.

Le site Web distingue une cause qui continue d’apparaître en l’absence d’intervention efficace d’une cause qui réapparaît après qu’une action corrective a été vérifiée comme efficace. Cette distinction peut modifier l’investigation : une organisation peut devoir traiter un problème systémique auquel elle ne s’était pas attaquée auparavant, ou expliquer pourquoi une solution supposée efficace a échoué.

Devia soumet ces comparaisons à l’examen de personnes. Le personnel accepte ou rejette les relations suggérées, et les décisions qui en résultent sont consignées au dossier. Le processus d’examen est donc essentiel à l’utilité du produit : une suggestion de l’IA non étayée ne devrait pas devenir tacitement le précédent pour le cas suivant.

Selon le communiqué de lancement, les utilisateurs participant aux projets pilotes chez les clients ont consacré deux fois moins de temps à l’investigation des déviations. Devia n’a communiqué ni la taille de l’échantillon du projet pilote ni la méthodologie d’évaluation ; ce chiffre correspond donc à un résultat rapporté par l’entreprise, et non à une mesure de performance établie de manière indépendante.

Aux côtés des systèmes qualité existants

Le communiqué de lancement cite des plateformes qualité établies, notamment TrackWise, Veeva Vault QMS et MasterControl, parmi les systèmes déjà utilisés par les clients. La documentation sur l’intégration de Devia décrit plus précisément la mise en œuvre actuelle : les déviations antérieures et les CAPA sont importées à partir d’exports du système de gestion de la qualité (QMS), les procédures sont ajoutées sous forme de documents et les investigations terminées donnent lieu à des rapports de clôture conformes au format du QMS du client.

Cela ne correspond pas à une connexion entièrement synchronisée avec chacun des systèmes opérationnels. Des connecteurs directs pour la gestion de la qualité, l’exécution de la fabrication, la gestion des informations de laboratoire et la planification des ressources de l’entreprise figurent parmi les fonctionnalités à venir. La surveillance plus large des tendances et les fonctionnalités d’évaluation de l’efficacité des CAPA figurent également sur la feuille de route de la plateforme, aux côtés d’outils d’aide aux inspections.

Pour le déploiement, Devia indique que la plateforme peut fonctionner dans le compte Azure ou AWS du client, dans la région de son choix, avec Azure OpenAI ou Amazon Bedrock. Sa documentation précise que les dossiers des clients ne servent pas à entraîner des modèles destinés à d’autres organisations. L’entreprise ne mentionne aucun modèle de fondation propriétaire ; la valeur décrite du produit réside dans l’application de l’IA aux procédures de l’entreprise, aux cas antérieurs et aux processus d’examen contrôlés.

La traçabilité fait partie du produit, ce n’est pas une réflexion après coup

La nécessité de mener des enquêtes rigoureuses est bien établie. L’examen par la FDA des observations issues des inspections de médicaments relève, parmi les problèmes récurrents de qualité de fabrication, le défaut d’enquête sur les écarts et les défaillances de produits. À elle seule, une rédaction plus rapide ne résout pas le problème si les éléments probants et les conclusions restent fragiles.

La documentation de sécurité de Devia décrit des utilisateurs identifiés individuellement, un accès fondé sur les rôles, l’authentification unique, le chiffrement ainsi que des registres horodatés des modifications et des approbations. Elle indique également que l’entreprise fournit une documentation de validation pour aider ses clients dans leurs activités de validation ou d’assurance des systèmes informatisés. Ces fonctionnalités visent à favoriser une utilisation dans un cadre réglementé ; elles ne remplacent pas les responsabilités propres du client en matière de validation et de qualité.

L’annonce fait également référence à la norme EN 18286:2026. La Commission européenne confirme que cette norme harmonisée couvre les exigences de gestion de la qualité applicables aux fournisseurs de systèmes d’IA à haut risque au titre de l’article 17 du règlement sur l’IA. Devia indique que son approche suit ces principes ; l’annonce n’établit pas que le produit a été certifié de manière indépendante au regard de cette norme.

Devia entend réduire le temps que les enquêteurs consacrent à la collecte et à l’organisation des informations, tout en facilitant l’examen de leur raisonnement. Le véritable enjeu sera de déterminer si les équipes qualité peuvent systématiquement transformer cette aide en enquêtes plus solides — et en mesures correctives qui empêchent la réapparition du même problème de fabrication.