Dans la pharma, l’IA doit relever le défi des essais cliniques, coûteux et risqués

Comme dans d'autres universités, le département de médecine numérique de l'Université de Berne recourt de plus en plus à l'intelligence artificielle pour analyser les échantillons de tissus prélevés sur des patients. Keystone / Gaetan Bally

L’intelligence artificielle a transformé la recherche dans le domaine des nouveaux médicaments. Dorénavant, les laboratoires pharmaceutiques placent beaucoup d’espoirs dans sa capacité à accélérer les essais cliniques sur l’humain et à en réduire le coût. Mais rien n’est simple.

Les essais cliniques? Un système défaillant et dysfonctionnel, tendent à se plaindre les entreprises pharmaceutiques interrogées à ce propos. Il faut en moyenne dix ans au moins et entre un et deux milliards de dollarsLien externe (790 millions à 1,6 milliard de francs) pour mettre au point un nouveau médicament. Les trois phases d’essais cliniques sur l’humain accaparent 60 à 70% de ce temps. Or, plus un essai clinique dure, plus il faut de temps pour que ce médicament parvienne aux patients.

Pour ne rien arranger, les entreprises perdent souvent temps et argent à tester des médicaments qui, en bout de course, ne sont pas autorisés par les autorités de régulation. Sur 100 médicaments passés au tamis des essais cliniques sur l’homme, 90 n’obtiennent pas le feu vert officiel. C’est-à-dire que les tests ne sont pas parvenus à en démontrer l’innocuité ou alors que leur efficacité n’est pas reconnue.

«L’industrie s’est faite à l’idée que le risque et l’échec font partie inhérente du développement des médicaments, puisqu’il n’y avait pas d’autre option, estime Kevin Buyens, cofondateur et directeur du développement des affaires de TwinEdge Bioscience, une firme biotechnologique romande spécialisée dans l’IA. Mais la situation en train de bouger. Les technologies numériques peuvent contribuer à changer la donne.»

L’intelligence artificielle, en particulier les systèmes d’apprentissage automatique, aide les scientifiques à identifier les candidats-médicaments prometteurs en passant au crible d’énormes volumes de données chimiques et biologiques. Et ce, plus rapidement que ne pourrait en rêver le plus lest des cerveaux humains.

Mais il en va tout autrement dans le cadre des essais cliniques. Les autorités de réglementation comme la Food and Drug Administration (FDA) et Swissmedic s’appuient sur les informations obtenues au cours de ces études pour décider si un médicament est suffisamment sûr et efficace pour être administré aux patients. Or, elles sont rétives à toute possibilité de raccourci qui pourrait compromettre la sécurité desdits patients.

Mais ces dernières années, les technologies d’IA ont considérablement progressé, alors que l’accès aux données du monde réel, notamment par le biais des dossiers médicaux électroniques, est facilité. Cette situation a dopé la confiance dans la capacité de l’IA à accélérer les essais cliniques et à améliorer les taux de réussite.

En avril, la FDA, premier régulateur pharmaceutique de la planète, a annoncé prévoir de lancer un programme piloteLien externe pour évaluer dans quelle mesure les technologies basées sur l’IA sont à même d’améliorer l’efficacité, la rapidité et la qualité de la prise de décision durant les essais cliniques de phase précoce.

Bien que de portée limitée, cette démarche est un des signaux les plus évidents à ce jour que les autorités de régulation se font à l’idée d’une utilisation de l’IA dans les essais cliniques. Ce qui pourrait permettre d’évacuer le «goulot d’étranglement critique» en matière de développement des médicaments, selon la FDA. Cette initiative intervient au moment où la Chine bombe le torse en matière d’essais cliniques de phase précoce du fait de sa capacité à les mener plus rapidement et à moindre coût.

Pourquoi les essais cliniques durent autant

De nombreuses raisons font que les essais cliniques ont toujours été un processus long et fastidieux. Parmi elles, l’ampleur des formalités administratives, largement réglées manuellement. L’internationalisation des essais, la complexification des médicaments et l’exigence des autorités à pouvoir disposer de plusLien externe d’informations pour évaluer les risques et les bénéfices d’un traitement compliquent cette situation.

Graphique: Kai Reusser, Swissinfo

Cette dernière décennie, un nombre croissant d’entreprises et de start-ups ont cherché à approfondir l’apport de l’IA dans la résolution de certains de ces problèmes. Son utilisation pour la rédaction des protocoles s’est répandue. Les protocoles sont ces plans de recherche détaillés que les chercheurs utilisent pour concevoir et mener leurs essais cliniques. Il faut en général entre six et douze mois pour les rédiger.

La start-up suisse RisklickLien externe a développé Protocol AI, un logiciel qui utilise l’IA générative pour concevoir de multiples scénarios en vue d’échafauder une étude. L’outil a été testé par la biotech suisse Debiopharm, occupée désormais à l’intégrer partout chez elle. Risklick assure que son produit permet de réduire jusqu’à 35% du temps et des coûts investis dans l’élaboration des protocoles d’essais cliniques.

L’IA commence également à être utilisée pour améliorer le recrutement des patients. La start-up américaine Paradigm Health a développé une plateforme fondée sur l’IA pour aider les firmes pharmaceutiques à identifier les participants éligibles aux essais cliniques. Elle s’appuie sur les dossiers médicaux électroniques issus d’un vaste réseau de centres d’oncologie.

D’autres plateformes utilisant l’IA, comme Ancora.ai, basée en Suisse, et TrialGPT, développée par les Instituts nationaux de la santé des États-Unis, permettent aux patients d’identifier les essais cliniques concordant avec leur pathologie et leur ville. Des étudesLien externe ont montré que TrialGPT est capable de mettre en relation patients et essais cliniques presque aussi pertinemment que les experts humains, en 40% moins de temps. Depuis 2022, plus de 23’000 personnes de 101 pays ont utilisé Ancora en quête d’essais cliniques en oncologie.

Spécialisée dans l’IA appliquée à la biologie, la société Owkin est présente à Genève. Elle a développé des modèles d’apprentissage profond utilisés pour prédire les probabilités de réussite d’un traitement chez le patient, mais aussi identifier les facteurs qui influencent le résultat. Elle a signé des partenariats avec plusieurs grandes firmes pharmaceutiques afin de formater ces modèles d’IA aux décisions relatives aux essais cliniques.

Le géant pharmaceutique suisse Novartis, qui mène des études impliquant des milliers de personnes, a mis au point ce qu’il appelle l’«Intelligent Decision System». Il s’agit schématiquement du double informatique d’un processus global d’essai clinique. Ce système permet de simuler certaines phases de l’essai pour comparer les résultats probables sur plusieurs sites et d’anticiper les problèmes potentiels. Par exemple l’abandon d’un site dans le cadre d’un essai en cours.

«Chaque jour gagné dans un essai clinique est un jour de moins que le patient doit attendre pour obtenir un médicament. En clair, il faut accélérer les essais autant que possible, explique Robert McGregor, responsable du «Intelligent Decision System» de Novartis. Si je modifie une hypothèse dans mon modèle d’essai, cela peut bouleverser le calendrier.»

Les laboratoires pharmaceutiques font preuve de prudence face à une utilisation de l’IA risquant d’influer directement sur les décisions réglementaires. Cela vaut pour les modèles informatiques qui simulent la manière dont des groupes virtuels de patients pourraient réagir à un médicament. Une approche qui pourrait contribuer à la prévision des résultats avant même le début des essais sur l’humain, voire, pour certaines études cliniques, de permettre une réduction du nombre de patients nécessaires.

À un niveau plus personnalisé, l’IA permet la création de jumeaux numériques. Autrement dit de répliques virtuelles et dynamiques d’humains, à partir d’un modèle mathématique et d’une combinaison de données génomiques, cliniques et d’imagerie issue de patients réels. Les chercheurs espèrent que ces modèles permettront de prévoir la réponse de chaque patient à un médicament, voire de simuler le résultat en cas de prescription d’un placebo.

Fondée en 2025, TwinEdge Bioscience développe des jumeaux numériques de tumeurs à partir de données moléculaires de patients atteints de cancer. L’entreprise collabore avec des firmes pharmaceutiques pour tester les hypothèses concernant les cibles thérapeutiques et les patients réceptifs aux traitements, ce qui permet d’orienter la conception des essais cliniques.

Start-up issue de l’École polytechnique fédérale de Lausanne (EPFL), fondée en 2011 et introduite en bourse dix ans plus tard, SOPHiA GENETICS a sorti en octobre dernier une technologie de jumeau numérique. La plateforme utilise les données cliniques, biologiques, génomiques et d’imagerie propres à chaque patient, recueillies auprès de centaines d’hôpitaux, afin de simuler les réponses aux traitements. Elle est actuellement utilisée à des fins de recherche.

«À l’échelle du secteur, nous devons nous appuyer sur les données issues du monde réel, estime Jurgi Camblong, fondateur de l’entreprise. Cela nous permettra de mieux comprendre comment prescrire ou associer les médicaments, d’identifier les sous-populations susceptibles de bénéficier d’un médicament et, potentiellement, de valider ces résultats dans le cadre d’un essai clinique.»

La société américaine Unlearn s’est associée à des firmes pharmaceutiques comme RocheLien externe, basée à Bâle, pour créer des jumeaux numériques qui modélisent les réactions de patients réels à des médicaments-candidats contre la maladie d’Alzheimer. Et cela à partir de données réelles. Les résultats suggèrent que les jumeaux numériques pourraient permettre de réduire de 35% la taille des groupes témoins.

Obstacles à l’adoption de l’IA dans les essais cliniques

En dépit de ses avantages potentiels, l’IA et sa capacité à transformer les essais cliniques se heurtent encore à certaines limites. L’une d’elles est que les scientifiques ne saisissent pas suffisamment les tenants et aboutissants de la biologie humaine.

«Si nous comprenons la biologie, nous pouvons mener des essais cliniques plus efficaces, connaissant la population et la maladie ciblées, explique Thomas Clozel, fondateur et CEO d’Owkin. «Mais nous ne savons toujours pas précisément pourquoi certains patients développent la maladie d’Alzheimer ni pourquoi certains cancers récidivent».

Les goulots d’étranglement concernant les données sont un autre problème. Ces informations sont générées en quantités accrues, mais elles ne sont pas nécessairement accessibles à la recherche clinique du fait des lois sur la protection de la sphère privée. Qui plus est, une bonne partie de ces données ne sont pas «AI-ready». En clair, elles ne sont pas formatées de manière à pouvoir être utilisées par un modèle d’IA.

Si les modèles d’IA fonctionnent bien, les autorités de régulation n’en doivent pas moins comprendre ce qui les conduit à leurs conclusions. C’est une vraie difficulté, alors que beaucoup de systèmes d’IA sont de véritables «boîtes noires», générant des informations de manière opaque ou difficilement lisible.

Cela étant, les autorités de régulation sont de plus en plus favorables à l’expérimentation de nouvelles idées, comme en témoigne la récente annonce de la FDA. L’Agence européenne des médicaments vient elle aussi de se déclarer ouverte à l’utilisation de jumeaux numériques dans le cadre d’essais cliniques sur les maladies rares. De son côté, Swissmedic participe activementLien externe à l’élaboration de principes internationaux en matière d’IA relative aux essais cliniques, indique un porte-parole de l’organisme suisse de régulation.

«Je suis optimiste, affirme Kevin Buyens (TwinEdge Bioscience). Notre manière de mener les essais cliniques changera ces prochaines années. Avec les études qui viendront valider ces technologies, il sera impossible pour les organismes de réglementation de les ignorer.»

Relu et vérifié par Nerys Avery, traduit de l’anglais par Pierre-François Besson/dbu