L’équipe Health & Tech Intelligence vous souhaite d’excellentes vacances d’été ! Le rythme quotidien de publication reprendra dès le lundi 26 août 2024.
À notre retour, vous retrouverez rapidement les faits marquants du numérique en santé de ces derniers mois, avec des rétrospectives et des bilans thématiques pour rattraper tout ce que vous aurez pu manquer pendant l’été.
D’ici là, la plateforme H&TI reste accessible pour que vous puissiez consulter vos articles enregistrés, vos archives et toutes nos bases de données.
Vous êtes de plus en plus nombreuses et nombreux à utiliser H&TI, et nous tenons à vous remercier chaleureusement pour votre fidélité. Ensemble, nous construisons l’avenir de la santé !
Si vous partez en vacances, nous vous souhaitons d’en profiter pleinement. Et un été des plus agréables à toutes et à tous !
À très bientôt,
L’équipe Health & Tech Intelligence, by Care Insight
🔴 H&TI reste ouvert pendant les vacances, l’occasion de (re)découvrir :
En plus de tous nos articles de la veille quotidienne (news, études scientifiques, mercatos, agenda, brèves…), toutes nos études hebdomadaires (analyses, baromètres, panoramas, benchmarks, états des lieux…) dans la rubrique « Data », ainsi que nos 3 études premium déjà publiées (en attendant la quatrième en septembre) cette année :
Quelle maturité de l’IA générative en santé ? Cas d’usages, publications, marché et solutions
La GenAI offre des perspectives variées en santé, de la découverte de médicaments à l’automatisation des tâches. Mais quel est son impact réel ? Quelles sont les tendances de ce marché ? Les géants de la tech comme les gouvernements s’y intéressent et y investissent, tandis que des cadres réglementaire et éthique se construisent progressivement. 👉 A consulter en suivant ce lien.
IA et excellence opérationnelle : quel impact sur l’organisation et l’évolution des personnels de santé ? (état des lieux, entretiens, panorama des cas d’usage et des solutions…)
Au moins 66 solutions d’IA sont mises au service de l’excellence opérationnelle au niveau des établissements de santé. Des technologies qui s’illustrent dans au moins 22 cas d’usage, entre gestion des flux, des ressources et des processus et gestion médico-économique, financières et des achats. Décryptage à travers des analyses, des entretiens et des cartographies. 👉 A consulter en suivant ce lien.
IA et découverte des médicaments : vers une nouvelle ère de la recherche biopharmaceutique ?
Au moins 8 cas d’usage de l’IA dans la découverte des médicaments et 22 solutions françaises peuvent être recensés, visant accélérer la phase de recherche préclinique qui est historiquement axée sur le criblage à haut débit de cibles associées à des pathologies connues. Quel rôle l’IA peut-elle jouer pour progresser plus rapidement vers la phase d’essais cliniques ? 👉 A consulter en suivant ce lien.
Vacances d’été – @ Health & Tech Intelligence, image générée par l’IA
84 % des personnes souffriront de lombalgie au moins une fois dans leur vie, selon un rapport la Haute autorité de santé (HAS) datant de 2019. Ces douleurs dorsales touchent particulièrement les 40-60 ans et les femmes, et plus de deux salariés sur trois en seront affectés selon l’Institut national de recherche et de sécurité (INRS). En raison des arrêts de travail fréquents qu’elles causent, les lombalgies représentent un enjeu de santé publique et un défi pour les employeurs.
L’étude réalisée par Kamedis Conseil a été présentée par le Pr Jérôme Allain, chirurgien orthopédiste, au congrès de la Société française de chirurgie rachidienne (SFCR), qui s’est tenu du 13 au 15 juin 2024 à Montpellier, a révélé que 31 % des avis médicaux obtenus via deuxiemeavis.fr, sur la prise en charge des pathologies lombaires, étaient divergents du premier avis. Ces avis divergents ont permis :
d’éviter 3 % des opérations ;
de réduire de 27 % les arrêts de travail ;
de baisser les coûts de prévoyance de 9 % ;
et d’économiser ainsi 1 750 euros en moyenne par patient réorienté.
Entretien avec Catherine France
Contactée par Health & Tech Intelligence, la directrice générale et cofondatrice de Carians, l’entreprise qui met la plateforme deuxiemeavis.fr à la disposition des patients et des médecins experts, Catherine Franc, revient sur ces résultats et nous explique l’importance de réaliser ce genre d’étude médico-économique et pourquoi il faudrait faire du droit à un deuxième avis une norme pour tous les patients qui le souhaitent.
Vers une banalisation du recours à un deuxième avis :
L’étude que vous avez relayée a été consacrée aux pathologies lombaires. Y a-t-il une raison spécifique pour le choix de ce champ thérapeutique ?
Tout à fait. Nous avions déjà réalisé une première étude médico-économique sur l’endométriose, la pathologie avec le plus grand nombre de patients actifs sur deuxiemeavis.fr. Les pathologies lombaires arrivent en deuxième position. Nous nous y intéressons depuis longtemps car nous avons remarqué des différences dans les réévaluations diagnostiques et les stratégies thérapeutiques. Cela touche beaucoup de monde et comporte des enjeux post-opératoires importants. Ces prises en charge sont souvent anxiogènes pour les patients, comme c’est le cas face à une hernie ou une technique chirurgicale complexe. Notre service est donc particulièrement adapté à ce type de pathologie. De plus, il arrive souvent que des chirurgiens suggèrent spontanément à leurs patients de prendre un deuxième avis avant la décision finale pour être sûrs qu’ils adhèrent pleinement à leurs décisions.
Comment expliquez-vous les 31 % d’avis divergents observés dans l’étude, et quelles implications ces divergences ont-elles pour les patients et le système de santé ?
Nous n’avons pas d’objectif précis pour cet indicateur, c’est une constatation. Après que chaque médecin référent traite un dossier pour un deuxième avis, nous lui demandons si son intervention a confirmé, complété ou modifié le diagnostic ou la stratégie thérapeutique précédente. En moyenne, environ 25 à 30 % des diagnostics ou des stratégies thérapeutiques sont réévalués. Dans le domaine de l’orthopédie du rachis, ce taux est un peu plus élevé en raison de la diversité des approches chirurgicales. Cela montre que, pour un patient sur trois, il vaut la peine de prendre un deuxième avis ou, au moins, qu’il y a matière à avoir un vrai débat avec son chirurgien pour comprendre les différences de point de vue.
Cela ne risque-t-il pas de créer des disparités entre les patients qui savent qu’ils peuvent demander un deuxième avis et ceux qui ne le savent même pas ?
D’abord, il faut voir ce deuxième avis comme étant légitime, car rendu par un médecin référent de la pathologie. C’est un avis de confiance. Le but n’est surtout pas que le patient change de chirurgien mais plutôt qu’il puisse rediscuter avec lui pour comprendre les différences de point de vue entre son choix et celui du deuxième avis.
Nous militons pour que le droit au deuxième avis soit inscrit dans la loi, comme en Allemagne, qu’il soit largement répandu et ainsi intégré dans le parcours de soins. Nous insistons pour que cet avis spécialisé nourrisse la discussion avec le chirurgien. Dans deux cas sur trois, le diagnostic ou la stratégie est conforté. Cette pratique est courante chez les patients. Le problème concerne effectivement ceux d’entre eux qui ne savent pas qu’ils peuvent demander un deuxième avis. Mais se pose alors la question capitale de l’accès des patients à leurs dossiers médicaux : les patients doivent pouvoir demander leurs images sans problème.
La médecine n’est jamais blanche ou noire. Dans des situations justifiées, un médecin propose naturellement un deuxième avis. Si le patient ne ressent pas le besoin ou que son médecin traitant ne le propose pas, c’est qu’il n’y a pas d’enjeu. Nous militons pour que le droit au deuxième avis soit inscrit dans la loi car cela faciliterait l’accès aux avis spécialisés, et nous insistons pour faciliter l’accès au dossier médical.
Une économie moyenne de 1 750 € par patient réorienté :
Comment cette étude a-t-elle mesuré l’impact médico-économique du deuxième avis ?
Les économies réalisées sont rendues possibles par la réorientation des patients. Une partie des dépenses vient du fait que les patients sont orientés trop vite vers la chirurgie, contrairement aux recommandations. Nous avons chiffré l’impact médico-économique de la réorientation à la suite d’un deuxième avis sur un tiers des des 309 patients existant. Ce sont des patients qui ont accepté que leurs données soient regardées dans le cadre d’études scientifiques.
Cette étude a été acceptée au congrès de la SFCR, et également au prochain congrès de la Sofcot (Société française de chirurgie orthopédique et traumatologique). Nous attendons par ailleurs une réponse pour le Congrès français de rhumatologie. Nous essayons d’extrapoler, mais les parcours de prise en charge sont très différents. Nous pouvons refaire ce type d’étude avec des cohortes intéressantes sur d’autres pathologies.
Montrer un bénéfice médico-économique est important pour nous. Cela pourrait permettre un jour que le deuxième avis soit remboursé par l’Assurance maladie. Les complémentaires santé y voient un intérêt, et ce sont elles qui financent notre modèle économique. Les médecins aussi sont intéressés par l’approche médico-économique. Pour autant, le soutien au deuxième avis n’est pas motivé principalement par la recherche d’économies. La première motivation reste l’amélioration de la prise en charge des patients.
Pouvez-vous nous parler des perspectives d’évolution de Deuxiemeavis.fr, notamment en termes d’extension des services offerts ou de développement à l’international ?
A ce stade, on est focalisé sur notre croissance organique, puisqu’on a fini l’année dernière à plus 65 % de croissance d’activité. Nous souhaitons donc accompagner cette croissance avec plus de médecins référents et plus de pathologies proposées pour être capable de répondre à toutes les demandes qu’on reçoit. Nous couvrons aujourd’hui 30 millions d’adhérents de mutuelles qui ont accès au service. Nous devons faire plus d’efforts de communication : d’une part, pour faire connaître le service aux adhérents de nos clients, et d’autre part pour toucher plus de médecins de ville, généralistes et spécialistes, qui sont vraiment en situation d’aider leurs patients, de les orienter et de leur suggérer de prendre un autre avis ou de les aider à le prendre. Il faudrait qu’ils sachent que notre outil est à leur service afin d’améliorer le dialogue avec leurs patients et de les aider dans leurs pratiques quotidiennes.
Sous le thème “Next generation of clinical research. AI, in silico and external arm: time to make them real“, ce colloque, organisé au CHU Lille, a réuni des professionnels de santé, des agences d’évaluation et des patients avec l’ambition de discuter du cadre d’utilisation des nouvelles méthodologies d’essais cliniques, dans l’objectif de mettre à disposition de véritables innovations pour les patients.
Inaugurée par les interventions de Frédéric Boiron, directeur du CHU Lille, et de Lise Alter, directrice générale de l’Agence de l’innovation en santé. Frédéric Boiron a mis en avant les initiatives en cours telles que Tecsanté, Arianes et Resist Omics, et les collaborations avec des unités de recherche comme Oncolille. “Des projets structurants”, qui sont essentiels pour faire avancer la recherche clinique, notamment sur les territoires de la région, grâce au soutien du Groupement interrégional de recherche clinique et d’innovation (Girci) et du Groupement de recherche clinique en Nord et Pas-de-Calais (G2RC).
Un nécessaire changement de mentalité :
La plupart des méthodologies “agiles” pour la recherche clinique existent depuis des décennies et sont encore rarement utilisées. Parmi les principaux freins à leur généralisation, des obstacles culturels et techniques sont identifiés par les experts comme empêchant actuellement leur mise en œuvre. Pour y remédier, une meilleure collaboration avec les agences de régulation doit se mettre en place, notamment pour “continuer l’évaluation des médicaments” après l’autorisation de mise sur le marché (AMM). Les méthodologies agiles pour la recherche clinique existent depuis des décennies mais restent sous-utilisées”. Par ailleurs, un autre levier serait de travailler à “changer les mentalités pouor adopter plus largement ces pratiques innovantes” dans la recherche.
Le besoin d’impliquer les patients précocement :
Concernant la place des patients dans la réflexion et les processus de la recherche, au-delà de l’importance d’impliquer les régulateurs très tôt dans le processus, Gérard Raymond, président de France Assos Santé, a déclaré : “Nous sommes à la croisée des chemins. Le numérique révolutionne notre système, et les patients doivent être intégrés dès les premiers stades de la recherche”.
Ainsi, les besoins, les attentes et les priorités du patient doivent être intégrés, notamment à travers trois axes principaux :
participer à la construction, dès les premiers stades, de la réponse qu’apporte la recherche à des problématiques de santé, et à tous les stades de son évolution :
doter le patient d’outils pour pouvoir recueillir ses besoins ;
les associations de patient peuvent jouer un rôle d’intermédiaire pour accélérer la recherche ;
améliorer sa qualité de vie pour continuer à mener un quotidien de citoyen normal ;
et développer des études non pas seulement par le promoteur mais pas les structures associatives également.
Vers une réglementation plus adaptée ?
Lors d’une keynote sur l’adaptation de la réglmentation aux nouvelles technologies, Alexandre de la Volpilière de l’Agence nationale de sécurité du médicament et des produits de santé (ANSM) a insisté sur la notion d’accélération, notamment avec “la numérisation et le changement de paradigme induit par l’IA”. Pour lui, la personnalisation de la médecine nécessitera des cohortes plus petites, avec des données spécifiques à chaque groupe, voire à chaque patient. Les jumeaux numériques et les bras externes, intégrant des données de vie réelle, seront ainsi essentiels pour pallier l’impossibilité de réaliser des études en double aveugle. Il a également souligné que les patients pourront contribuer à l’agrégation de ces données grâce aux thérapies numériques (DTx) et autres objets et dispositifs médicaux connectés.
L’IA ayant un impact significatif sur les essais cliniques, permettant de réduire le nombre d’essais et d’accélérer les modifications d’information aux prescripteurs et aux patients, Alexandre de la Volpilière a également expliqué que les régulateurs devraient pouvoir critiquer et actualiser rapidement les modèles d’IA choisis : “Une régulation ambitieuse combine la précision et la fiabilité des données tout en s’adaptant à l’évolution de l’écosystème, en simplifiant l’accès aux innovations et en rapprochant chercheurs et régulateurs dès le début du processus de développement des produits de santé”, a-t-il conclu. Selon lui, les nouvelles procédures, comme les AMM conditionnelles et les bacs à sable réglementaires, visent à accélérer l’autorisation des innovations.
Faire évoluer les profils des profesionnels :
Les simulations étant devenues un standard dans de nombreux domaines, y compris la médecine, Vincent Diebolt, directeur du réseau F-crin, a tenu à rappeler la nécessité de massifier les données et d’évoluer vers des méthodologies plus innovantes. L’IA prend une place de plus en plus grande en médecine, où la relation médecin-patient est essentielle. La création des entrepôts de données de santé met en lumière la nécessité de faire évoluer les profils des médecins, mathématiciens et informaticiens pour une meilleure collaboration, soulignant l’importance de la formation interdisciplinaire. Ainsi, les jumeaux numériques, allant de l’humain générique au patient spécifique et jusqu’à des modèles prédictifs d’évolution et d’organes, sont de plus en plus utilisés. L’exemple du Boston Children Hospital a été cité lors du colloque : l’établissement américain utilise depuis six ans cette technologie en créant 1 500 jumeaux numériques d’enfants traités pour améliorer la prise de décision clinique. En diagnostic aussi, la combinaison de l’imagerie avec des modèles prédictifs se répand, notamment en oncologie.
L’adoption des solutions par les utilisateurs est un autre enjeu. Les cadres européens émergents, comme l’IA Act et l’espace des données de santé (EHDS), créent un environnement nécessaire pour les industriels et utilisateurs, avec des évaluations visant le remboursement par les assurances maladie. Aux Etats-Unis, la Food and drug administration (FDA), ayant autorisé 1 800 solutions basées sur l’IA depuis 2016, continue d’acquérir de l’expérience dans la recherche clinique et la surveillance post-AMM.
Les différents intervenants concluent que les principales attentes de l’IA concernent son intégration dans le processus décisionnel médical sans remplacer le médecin, et la définition du degré de confiance des outils. L’IA doit également préserver l’expertise clinique et fournir des outils intelligents utilisables par les cliniciens non experts.
Elargir le périmètre de l’évaluation des DMN :
Lors de la table ronde modérée par Line Farah, directrice des grands défis numériques “santé mentale” et “bien-vieillir” à la Délégation du numérique en santé, Corinne Collignon, cheffe de la mission du numérique en santé de la Haute autorité de santé (HAS), a abordé la question de l’évaluation des dispositifs médicaux numériques (DMN) : “L’évaluation doit prendre en compte la qualité de vie des patients et l’impact organisationnel des nouvelles technologies”, a-t-elle déclaré.
L’évaluation des DMN par la HAS, dite secondaire, est une étape essentielle pour la prise de décision sur le remboursement. Cette évaluation, fondée sur une analyse scientifique rigoureuse, peut mener à différentes formes de prise en charge, telles que la voie dérogatoire ou la prise en charge anticipée numérique (Pecan), chacune répondant à des critères spécifiques. Sa priorité reste toujours le patient, avec une comparaison par rapport à l’arsenal thérapeutique existant, à travers les dimensions d’évaluation que sont le service attendu, la qualité de vie, l’impact organisationnel et la santé publique. Pour la HAS, il est essentiel d’évaluer les DMN sur des données probantes, en objectivant leur impact organisationnel de manière globale. D’ailleurs, une modélisation de cet impact est désormais accepté par l’Autorité, permettant une évaluation plus complète et intégrée des nouvelles technologies.
… Et une collaboration renforcée ?
Le colloque a été également l’occasion pour évoquer la création de confiance dans l’innovation médicale. Lionel Collet, président de la HAS, a souligné l’importance de la collaboration continue entre chercheurs, régulateurs et patients. Un cadrage réglementaire bien fait dès le départ permet d’aller plus vite et plus efficacement vers la décision.
Les appels à renforcer les collaborations entre les différents acteurs de l’écosystème de la recherche ont été multiples lors de cette journée, qu’ils soient chercheurs, régulateurs, industriels ou représentants des patients. Des perspectives prometteuses pour une adaptation rapide du contexte actuel aux nouvelles technologies à l’amélioration de l’accessibilité de ces dernières à l’avenir.
L’étude s’est concentrée sur les EI signalés par les anesthésistes, pionniers de ces approches, concernant la période périopératoire. Les 9 559 EI (parmi les 135 000 rapports d’EI uniques et anonymisés de la HAS) signalés par les anesthésistes entre le 1er janvier 2009 et le 1er juin 2020 ont été inclus dans l’étude. la labellisation a été validée par des experts, ainsi que les associations entre les causes profondes des différents EI et les conséquences pour les patients. Le modèle a été validé par des anesthésistes experts indépendants.
Méthode :
Un prétraitement des données a été réalisé dont l’objectif était d’identifier les mots ou séquences de mots significatifs (suffisamment utilisés pour être pertinents, mais sans être trop fréquents pour garder du sens).Les prétraitements appliqués sur les déclarations d’EI après l’identification des éléments pertinents ont permis de retenir 7799 (81,6%) rapports parmi les 9559 rapports initiaux.
Deux étapes ont ensuite été réalisées dans le traitement des données :
1️⃣ La classification des EI : un algorithme LDA (L’allocation de Dirichlet latente) a été utilisé pour développer un modèle de classification automatique des libellés d’EI. Ce traitement non supervisé permet de définir des thèmes (par exemple difficulté d’intubation, erreurs médicamenteuses, hémorragie…) et ainsi classer les évènements par causes principales.
2️⃣ Puis une recherche de causes profondes : en réalisant des regroupements en cluster par Kmeans (par thèmes proches secondaires)
Résultats :
Le modèle d’apprentissage automatique (ML) et d’intelligence artificielle (IA), utilisé sur 9 559 ensembles de données d’EI, a catégorisé avec précision 8 800 (88 %) des EI signalés. Les trois types d’EI les plus fréquents étaient :
intubation orotrachéale difficile (16,9 % des rapports d’EI) ;
erreur médicamenteuse (10,5 %) ;
et hypotension post-induction (6,9 %).
La précision du modèle d’IA a atteint une sensibilité de 70,9 %, une spécificité de 96,6 % pour « intubation difficile », une sensibilité de 43,2 % et une spécificité de 98,9 % pour « erreur médicamenteuse »
Concernant les causes profondes et les associations, l’étude a montré des corrélations réalistes et validées par les experts anesthésistes.
Vers une collaboration hybride Homme-IA
Malgré quelques limites à l’étude (non exhaustivité de la base HAS, biais d’information, …), cette méthode d’apprentissage automatique non supervisée fournit un premier algorithme de travail qui montre l’opportunité de traiter plus rapidement les EI (aujourd’hui il faut 3 mois à 3 experts pour analyser 150 EI) et de mieux mobiliser les experts sur l’analyse des EI en prétraitant les évènements et en faisant émerger des associations. Il convient évidemment de le superviser pour améliorer ses performances sur certaines thématiques.
Grâce à l’utilisation plus fine du texte libre (NLP), l’approche permet d’obtenir des informations plus approfondies sur les causes multidisciplinaires des événements indésirables, et de mieux comprendre pourquoi les EI continuent de se produire. Cette approche permet aussi de mettre en évidence et d’amplifier l’émergence de signaux faibles et d’identifier de nouvelles situations à risque, impossibles à identifier en méthode classique.
Ce modèle devrait être utilisé dans d’autres spécialités médicales, et aussi doit permettre ainsi une optimisation du temps des experts, et aller vers un fonctionnement hybride, homme et IA.
Exemple pratique :
Pour illustrer la valeur et l’impact de l’utilisation d’une analyse hybride, des cliniciens experts ont distingué 2 situations pour une erreur de latéralité de chirurgie du mauvais côté.
Pour la chirurgie de la cataracte l’analyse de la description des EIs met en évidence un résultat clé dans la mesure où la check list chirurgicale de l’OMS, réalisée avant l’incision chirurgicale et obligatoire en France, était une barrière efficace pour détecter les erreurs de côté avant qu’un quelconque dommage ne soit causé au patient.
Concernant l’anesthésie régionale, « erreur de côté » et « performance du bloc » ont conduit les experts à revoir en détail le texte des EIs car dans ce cas, la détection de l’erreur de latéralité a souvent lieu après avoir effectué l’anesthésie régionale, donc que la liste de contrôle de sécurité chirurgicale de l’OMS n’a pas été mise en œuvre correctement. Cela fournit des informations importantes sur la meilleure façon d’améliorer la mise en œuvre des listes de contrôle chirurgicales.
Le centre national de ressources probantes, intégré à la CNSA depuis la loi “bien vieillir”, est chargé de recenser et de promouvoir les actions de prévention de la perte d’autonomie et d’élaborer des référentiels d’actions et de bonnes pratiques. Cette mission doit trouver des terrains d’application, afin de tester et de diffuser les résultats de ces travaux. Par ailleurs, en mars 2023, les neuf gérontopôles se sont réunis en une Union des gérontopôles de France (UGF) pour coordonner et diffuser plus largement leur expertise auprès des différents acteurs du vieillissement et du bien-vieillir.
Comme l’indique Françoise Tenenbaum, sa présidente, également à la tête du Pôle de gérontologie et d’innovation (PGI) Bourgogne-Franche-Comté, « grâce à notre composante scientifique, nous sommes en mesure d’évaluer en amont la pertinence ou la faisabilité d’un projet ou d’un dispositif ». Les gérontopôles sont donc appelés pour mener une action de conseil ou d’expertise auprès des collectivités, mais aussi auprès des instances nationales traitant ou ayant à connaître des problématiques des populations en perte d’autonomie.
Focus sur la dénutrition des seniors :
A ce titre, L’UGF vient de passer convention avec la CNSA pour accompagner « le développement d’une politique territorialisée de prévention de la perte d’autonomie ». Cette collaboration a donné lieu à un première production conjointe dans un rapport « sur l’analyse scientifique des critères d’efficience d’une action de prévention de la dénutrition des seniors. »
Selon ce rapport, « à partir des analyses exhaustives de la littérature et de l’extraction des travaux les plus solides, les experts ont pu mettre en évidence les éléments essentiels permettant de garantir la qualité d’un programme de prévention. Ces éléments devraient être présents lorsque des actions de prévention sur la nutrition sont financées dans le cadre de la politique de prévention ». La convention avec la CNSA s’inscrit dans cette démarche.
La formation pour diffuser les bonnes pratiques
Le travail scientifique analysé par le centre de preuves donne des références pour des actions de prévention de la perte d’autonomie efficaces qui doivent être prises en compte par les acteurs de terrain. Cet objectif passe notamment par l’organisation de journées thématiques, afin que financeurs et porteurs de projets partagent des repères clés avant de mener des actions collectives de prévention.
C’est pourquoi la CNSA engage un large programme de formation des professionnels impliqués dans la conception et la mise en œuvre de telles actions. Il peut s’agir de porteurs de projets, bénéficiant d’ores et déjà de financements de la conférence des financeurs de la prévention de la perte d’autonomie (CFPPA) ou ayant l’intention de proposer un projet pour les prochaines années.
Organisées avec l’appui de l’UGF, ces journées, décentralisées, portent sur trois thématiques différentes entre 2024 et fin 2026 :
prévention et promotion de la santé des personnes de 60 ans et plus : en 2024 ;
méthodes et repères pour suivre et évaluer l’impact d’actions collectives de prévention de la perte d’autonomie : en 2025 ;
marketing social : stratégies favorisant l’adoption de comportements favorables à la santé : en 2026.
Les membres de droit des conférences des financeurs départementales (élus, ARS, caisses de sécurité sociale…) bénéficient également de journées d’information sur ces mêmes thématiques, selon un calendrier distinct.
Les solutions basées sur l’IA transforment la recherche sur les mécanismes d’action des maladies et la compréhension des interactions médicaments-cibles, augmentant leur spécificité. Elles recoupent la littérature scientifique avec d’autres sources d’information, facilitant la proposition de nouveaux candidats thérapeutiques en quelques mois au lieu de plusieurs années. Adoptées dès la phase de découverte, elles peuvent dynamiser la productivité de la R&D. Ces technologies peuvent ainsi :
accélérer la découverte de médicaments et les phases précliniques ;
augmenter la précision des prédictions sur l’efficacité et la sécurité des médicaments, économisant potentiellement des milliards de dollars en réduisant les échecs ;
mais aussi diversifier les pipelines de médicaments, ouvrant de nouvelles lignes de recherche et améliorant la compétitivité en trouvant des niches de valeur ajoutée.
Dans cet indicateur premium, une analyse du contexte de la recherche médicale, avec un focus sur les processus de la phase pré-clinique, un état des lieux du marché et des cartographies des cas d’usage et des solutions d’IA disponibles en France.
🔎 Analyses
Recherche médicale : dynamique, plan de rénovation et apports de l’IA…
Alors qu’il faut au moins 15 ans pour passer de la découverte d’une molécule à sa mise sur le marché, l’IA apparaît comme une solution à la lenteur des processus de la recherche médicale, qui s’essouffle depuis plusieurs années. L’IA n’est cependant pas une panacée et des actions concrètes doivent être menées pour relancer une dynamique autour de la recherche.
👉 Un état des lieux de la recherche médicale en France peut être consulté ici.
Une évolution exponentielle des études sur l’usage de l’IA dans la découverte des médicaments :
Levier majeur pour rationaliser et accélérer les processus de découverte de médicaments, l’IA transforme ce domaine qui fait face à de multiples défis (coûts élevés, délais prolongés…).
👉 Dans une revue* publiée le 7 juin 2024 dans le journal Molecules, une équipe de chercheurs français analyse les défis rencontrés dans les applications de l’IA.
Un cadre réglementaire qui se construit :
La réglementation de l’usage de l’IA dans la recherche médicale vise à garantir la sécurité, l’éthique et la performance d’un programme de recherche (RGPD, Cnil, loi relative à la bioéthique et bientôt l’AI Act). En Europe et en France, l’arsenal règlementaire, complété par les institutions de santé référentes, offre un solide cadre règlementaire.
👉 Accéder à notre analyse du cadre réglementaire de l’IA dans la recherche médicale et de ses évolution en suivant ce lien.
Colloque sur la recherche médicale : vers un encadrement des nouvelles méthodologies (Lille, le 24 juin 2024)
Adopter des méthodologies agiles et innovantes pour améliorer l’efficacité des essais cliniques, renforcer la collaboration avec les agences de régulation et intégrer les patients dès les premiers stades de la recherche… Autant de problématiques discutées lors du colloque “Next generation of clinical research. AI, in silico and external arm: time to make them real“, dédié à la recherche médicale, organisé le 24 juin par l’AIS, en partenariat avec F-crin, l’Ariis et le CHU de Lille.
👉 Dans cet article, un retour sur cet événement organisé au CHU Lille qui a réuni des professionnels de santé, des agences d’évaluation et des patients avec l’ambition de discuter du cadre d’utilisation des nouvelles méthodologies d’essais cliniques, dans l’objectif de mettre à disposition de véritables innovations pour les patients.
🗺️ Cartographies
22 solutions françaises d’IA pour la découverte des nouvelles molécules :
De la découverte de nouvelles molécules à l’identification de candidats-médicaments, 22 solutions numériques facilitent la recherche pharmaceutique en France grâce à l’IA. Elles se répartissent en quatre catégories : identification de biomarqueurs, découverte de candidats-médicaments, et l’identification de cibles et découverte de nouvelles molécules.
👉 Accéder à la cartographie interactive des solutions via ce lien.
Marché quelles opérations (partenariats, fusacq) réalisées en 2023 ?
Le marché de la découverte de médicaments est en pleine expansion grâce à l’IA, cette avancée permet d’accélérer et d’optimiser des processus coûteux et complexe. En 2023, il atteint 1,38 milliards de dollars, avec des prévisions allant jusqu’à 3,74 milliards de dollars d’ici 2027. L’Amérique du Nord représente actuellement plus de 56 % du marché.
👉 Plus de détails sur les dynamiques de ce marché ici.
Quels cas d’usage de l’IA dans la découverte des médicaments ?
Génération de nouvelles molécules, prédiction de la toxicité d’un médicament en phase pré-clinique, conception de novo : au moins 8 cas d’usage de l’IA peuvent être recensés dans le domaine de la découverte de médicaments.
👉 Dans cet article, une analyse de ces applications de l’IA et une cartographie synthétique.
📢 Webinaire H&TI
Pour présenter les points clés de cette étude et échanger avec notre communauté, Health & Tech Intelligence organise un webinaire le 16 juillet 2024 à 9h00. Rejoignez-nous et prenez part à cette discussion autour d’une tendance technologique qui redéfinit les limites de la recherche biopharmaceutique !
En plus d’être sujet à de nombreux échecs, la découverte de médicaments est un processus coûteux et chronophage. Avec un nombre estimé entre 1023 et 1066 de composants de type médicament à explorer, l’utilisation de l’IA se présente comme prometteuse, voire comme nécessaire. Les auteurs de cette revue de la littérature concluent ainsi qu’une nouvelle ère d’innovation médicale a déjà commencé, “bien qu’il reste encore beaucoup de chemin à parcourir”. Sans avoir l’ambition d’être une liste exhaustive de toutes les méthodes utilisées en IA, la revue porte plus spécifiquement sur l’utilisation de l’IA pour aider à découvrir de nouveaux candidats médicaments. Elle décrit ses défis et se concentre sur des articles qui sont passés de l’in silico à l’expérience en laboratoire, “afin de mettre en lumière des travaux viables (ou validés), à la fois théoriquement et expérimentalement”.
L’implication de l’IA dans les processus de découverte de médicaments a commencé au début du 21e siècle. L’engouement qu’elle suscite se voit à travers l’évolution du nombre de publications : “une évolution exponentielle, un véritable big bang”. Sur la bibliothèque scientifique Pubmed, une recherche avec les mots-clés “apprentissage automatique”, “découverte” ou “développement” et “médicament” montre une évolution exponentielle :
dès 2018, le nombre de publications atteint le seuil de 500 ;
en 2023, près de 2 000 articles sont publiés ;
et rien qu’au premier trimestre de 2024, Pubmed recense près de 800 articles.
En suivant un modèle exponentiel, les auteurs de cette revue estiment que la recherche produira encore plus de 3 000 études en 2025.
Evolution et prédiction du nombre de publications sur l’usage du machine learning dans la découverte des médicaments – @ Crouzet, A. (2024)
Des défis encore à surmonter
🚩 La disponibilité des données : l’un des principaux défis de l’IA pour la découverte des médicaments est la disponibilité de données cohérentes et adaptées en grande quantité. Outre la nécessité d’un “cadre approprié pour gérer et guider la qualité des données de santé selon des normes”, les données exploitées par la recherche “doivent être représentatives et cohérentes afin de fournir au modèle des caractéristiques explicatives cohérentes”. Par ailleurs, les “données synthétiques” se présentent comme une solution d’avenir au problème de la quantité de données.
🚩 La complexité biologique : un autre défi concerne l’exploration de l’espace chimique et la complexité biologique à laquelle font face les algorithmes d’IA. Ces derniers doivent naviguer dans un espace chimique complexe pour réaliser la modélisation des interactions biologiques qui sont multifactorielles.
🚩 L’optimisation des hyperparamètres : un des enjeux de la découverte des médicaments est de trouver les meilleurs paramètres pour optimiser les modèles d’IA, tels que la structure d’un réseau de neurones convolutif (CNN). Ce processus “nécessite des ressources appropriées et dépend largement de la tâche à accomplir”.
🚩 La validation et l’interprétabilité des modèles : les modèles doivent être validés expérimentalement, ce qui peut être coûteux et chronophage. Perçus comme des “boîtes noires”, leur opacité rend leur interprétation difficile.
🚩 La gestion des erreurs et de l’incertitude : travailler avec des modèles d’IA comporte des risques d’erreur et d’incertitude, particulièrement critiques dans le domaine de la santé. Des méthodes sont développées pour quantifier et gérer ces incertitudes (méthodes bayésiennes, dropout de Monte Carlo et approximations laplaciennes).
Une polyvalence d’usages de l’IA
Les recherches se concentrent sur la prédiction des interactions biologiques et moléculaires, y compris la toxicité des composés et la synthèse de nouveaux composés organiques. Les chercheurs combinent plusieurs approches, notamment les réseaux neuronaux, le traitement du langage naturel (NLP), et diverses architectures d’apprentissage profond comme les réseaux de propagation de messages moléculaires (MPNN) et les CNN.
Ainsi, les auteurs de la revue recommandent de faire le choix judicieux du modèle à utiliser en fonction des besoins spécifiques de chaque problème rencontré dans la découverte des médicaments, plutôt que de suivre une tendance générale. Pour illustrer les avantages et les limites de l’IA dans les différents domaines de la découverte des médicaments, ils proposent une “roue” qui les comparent aux méthodes conventionnelles. Les avantages sont écrits en vert et limites en rouge.
Roue de l’usage de l’IA dans la découverte des médicaments (AI4DD) – @ Crouzet, A. (2024)
7 usages spécifiques étudiés :
➡️ Identification des cibles biologiques :
L’identification des cibles biologiques est une étape importante mais complexe, souvent basée sur des processus d’essais et erreurs. Les interactions protéine-protéine (PPI) représentent des cibles pertinentes mais difficiles à étudier en raison de leurs grandes interfaces hydrophobes. L’IA peut améliorer cette tâche en utilisant des modèles comme les modèles de réseaux de neurones convolutifs sous forme de graphe (GCN) pour analyser et prédire les interactions complexes.
➡️ Voies métaboliques et biosynthèse :
La maîtrise des voies métaboliques est essentielle, notamment pour la dégradation des protéines pathogènes via des technologies comme les Protacs (proteolysis-targeting chimeras). L’IA facilite ce processus en créant des modèles capables de prédire l’efficacité des Protacs et d’autres composés similaires. Des études récentes ont utilisé des approches d’IA pour optimiser les liaisons chimiques et créer de nouvelles voies biosynthétiques, rendant le processus plus rapide et plus précis.
➡️ Études des interactions moléculaires :
L’IA est utilisée pour identifier les sites de liaison des protéines et pour prédire les interactions moléculaires via des méthodes comme le deep docking. Le QSAR conventionnel et le deep QSAR, qui incorporent des représentations complètes des molécules, sont utilisés pour maximiser l’efficacité des modèles. L’IA améliore également le criblage virtuel et le criblage à haut débit en augmentant la vitesse et en réduisant les coûts.
➡️ Toxicité des composés :
La prédiction de la toxicité permet d’éviter les échecs des candidats médicaments, représentant 30 % des cas. Des modèles de deep learning sont développés pour améliorer la précision et l’interprétabilité des prédictions de toxicité. L’IA aide également à prédire des toxicités spécifiques comme l’inhibition du gène hERG (human ether-à-go-go-related gene), réduisant ainsi les effets secondaires potentiels.
➡️ Synthèse des composés :
La synthèse organique est souvent limitée par des processus laborieux d’optimisation des réactions. L’IA automatise et optimise la rétrosynthèse, maximisant ainsi le rendement et la sélectivité des réactions. Des modèles basés sur des algorithmes comme Monte Carlo tree search améliorent les processus d’extraction des transformations, rendant la synthèse plus efficace.
➡️ Livraison (intracellulaire) de médicaments :
L’IA joue un rôle important dans l’optimisation des stratégies de livraison de médicaments, comme la conception de peptides de pénétration cellulaire (CPP). La combinaison de la nanotechnologie et de l’IA permet de cibler précisément les zones à traiter, améliorant ainsi l’efficacité des traitements. Des modèles d’IA sont également utilisés pour développer des antibiotiques spécialisés, augmentant la spécificité et l’efficacité des médicaments.
➡️ Repositionnement des médicaments (repurposing) :
L’IA facilite le repositionnement des médicaments en utilisant des techniques comme les auto-encodeurs variationnels (VAE) pour identifier de nouveaux usages pour des médicaments existants. Aux Etats-Unis, par exemple, des modèles d’IA permettent de cribler efficacement les bibliothèques de médicaments approuvés par la Food & drug administration, et aident à trouver de nouveaux inhibiteurs potentiels parmi eux.
3 études de cas :
La revue fait un focus sur des outils d’IA ayant fait l’objet d’études, en guise de modèles réussis d’usage de l’IA dans la découverte des médicaments, y compris la découverte d’une nouvelle classe d’antibiotiques et d’un inhibiteur de petites molécules qui a progressé jusqu’aux essais cliniques de phase II. Ces cas soulignent le potentiel de l’IA à identifier de nouveaux candidats médicaments et à optimiser le processus de développement :
Article
Li, Y. et al., 2022 [1]
Ren F. et al., 2024 [2]
Wong F. et al., 2024 [3]
Contexte
Receptor-interacting protein kinase 1 (RIPK1), une sérine/thréonine-protéine kinase impliquée dans la survie cellulaire, notamment dans l’apoptose et la nécroptose.
Fibrose pulmonaire idiopathique (FPI) : maladie à haut taux de mortalité avec des traitements FDA approuvés limités.
Crise de résistance aux antibiotiques : nécessité de découvrir de nouvelles classes de structures antibiotiques contre S. aureus, un pathogène à Gram positif, pour le traitement difficile des infections nosocomiales et sanguines.
Objectif(s)
Générer un inhibiteur de petite molécule contre RIPK1 avec un nouveau squelette grâce à l’IA.
⇾ Identifier une cible antifibrotique.
⇾ Identifier de nouvelles classes de structures antibiotiques.
Modèle(s)
Création d’un modèle génératif Deep learning basé sur :
⇾ RNN conditionnel.
⇾ Apprentissage par transfert.
⇾ Amélioration de la régularisation.
⇾ Approche prédictive : une plateforme IA commercialement disponible basée sur des transformateurs pré-entraînés.
⇾ Approche générative : une plateforme IA de conception de médicaments basée sur la structure, commercialement disponible, utilisant les structures cristallines disponibles du domaine kinase cible.
⇾ Deep learning explicable utilisant Chemprop, plateforme GNN + algorithme de recherche basé sur les graphes pour l’explicabilité.
⇾ Modèle orthogonal pour prédire la cytotoxicité.
Résultats
Sélection du dernier inhibiteur prometteur : RI-962
⇾ in vitro : inhibition de l’activité kinase de RIPK1 (inhibition de la phosphorylation de RIPK1 et du signal en aval)
⇾ in vivo : taux de survie augmenté de 90 % chez les souris traitées par RI-962, taux de phosphorylation de RIPK1 diminué.
Après sélection du dernier inhibiteur : INS018_055 :
⇾ in vitro : sélection pour inhiber TNIK.
⇾ in vivo : phénotype anti-fibrotique prononcé chez les souris traitées avec une thérapie mixte incluant INS018_055.
⇾ préclinique : dose de 100 μg bien tolérée par les humains.
⇾ phase I : bonne tolérance de la biodisponibilité orale chez les volontaires sains.
⇾ in vitro : sélectivité favorable des deux composés, non génotoxiques.
⇾ ex vivo : non toxique lorsqu’appliqué localement ; diminution de la charge bactérienne moyenne.
Temps nécessaire
Inconnu
18 mois (de la découverte à la phase préclinique incluse)
Inconnu
[1] Li, Y.; Zhang, L.; Wang, Y.; Zou, J.; Yang, R.; Luo, X.; Wu, C.; Yang, W.; Tian, C.; Xu, H.; et al. Generative deep learning enables the discovery of a potent and selective RIPK1 inhibitor. Nat. Commun. 2022, 13, 6891
[2] Ren, F.; Aliper, A.; Chen, J. A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models. Nat. Biotechnol. 2024.
[3] Wong, F.; Zheng, E.J.; Valeri, J.A. Discovery of a structural class of antibiotics with explainable deep learning. Nature 2024, 626, 177–185.
Enjeux éthiques et de transparence
Les questions éthiques posent un défi majeur pour l’utilisation de l’IA dans la découverte de médicaments, nécessitant l’anonymisation des données et le respect des lois sur la vie privée et les droits humains. Des initiatives ont déjà vu le jour en Europe et en Amérique du nord, pour garantir des pratiques éthiques en IA, telles que l’AI Act de l’Union européenne, la Déclaration de Montréal pour une IA responsable et le Consortium de l’Institut de sécurité de l’IA (AISIC) aux États-Unis.
Malgré les préoccupations éthiques, l’IA peut améliorer les pratiques actuelles en réduisant l’utilisation d’animaux dans les tests grâce à des “organes-sur-puce” et des expériences in vitro. Les chercheurs ont montré que les résultats des modèles d’IA n’étaient pas améliorés par les résultats in vivo, suggérant que, souvent, les expériences in vitro suffisent.
Un autre problème majeur est la transparence des algorithmes d’IA, qui peuvent être perçus comme des “boîtes noires”. Pour pallier cela, des efforts sont déployés pour développer des modèles explicatifs, comme la “méthode d’explications contrastives” qui clarifie les décisions des réseaux neuronaux en identifiant des caractéristiques pertinentes positives et négatives.
Quelle perspectives d’avenir ?
Les modèles d’IA avancés, comme ChatGPT, ont révolutionné diverses opérations, notamment dans la découverte de médicaments. Ils sont utilisés pour générer des échafaudages d’inhibiteurs, prédire des cibles médicamenteuses et repositionner des médicaments. Les découvertes récentes, telles que celle d’une nouvelle classe d’antibiotiques en 2024, illustrent le potentiel d’innovation de l’IA dans la découverte de médicaments. Cela pourrait marquer le début d’une ère nouvelle et prometteuse pour la médecine, avec des thérapies inattendues pour diverses maladies. Cependant, l’IA génère aussi de nombreuses molécules dont peu sont prometteuses. La prédiction des structures protéiques ne se traduit pas encore pleinement dans la génération de candidats moléculaires, la complexité de moduler des interactions protéine-protéine ou de découvrir des inhibiteurs efficaces demeurant toujours un obstacle.
Les progrès informatiques, comme les “language processing units” (LPU), devraient améliorer les capacités de l’IA dans la découverte des médicaments. Pour les auteurs de cette revue, le rôle des chercheurs évoluera à l’avenir : ils seront davantage impliqués dans la gestion de bases de données, la résolutions des problèmes éthiques et la programmation de modèles d’IA, tout en continuant à évaluer les résultats qu’ils génèrent.
* The Millennia-Long Development of Drugs Associated with the 80-Year-Old Artificial Intelligence Story: The Therapeutic Big Bang?
Dans cette étude, dédiée aux DCT, Health & Tech Intelligence fait un état des lieux de la recherche clinique en France et à l’international, en présentant les enjeux et tendances de ce domaine et en dressant un panorama des innovations numériques existantes (une liste non exhaustive de plus de 40 entreprises recensées) au service de la recherche clinique.
Analyses
📌 Etat des lieux : le numérique parmi les leviers d’accélération de la recherche :
Une réduction de 78 % du temps de recrutement des patients et de 49 % du temps d’arrivée du premier patient : les bénéfices des essais cliniques décentralisés (DCT) sont nombreux, selon une étude d’Iqvia datant de 2022. Ces nouvelles méthodologies émergent ainsi comme une réponse novatrice aux défis traditionnels de la recherche.
Pour accéder aux chiffres clés de ce secteur et aux détails de son contexte, cliquez sur ce lien.
📌 Un marché estimé à 19 Mds$ d’ici 2028 :
Le marché des essais cliniques décentralisés est en plein essor, transformé par l’essor des essais hybrides, les innovations technologiques et de nombreux partenariats stratégiques. Une dynamique soutenue par des investissements de plus en plus importants, et des collaborations entre entreprises, promettant de révolutionner la recherche clinique et d’améliorer l’accessibilité des traitements.
Plus de détails sur les chiffres et les opérations récentes du marché ici.
📌 Où en sont les évolutions règlementaires et initiatives institutionnelles en France ?
Visant à accompagner les promoteurs académiques et industriels dans leurs projets d’essais cliniques décentralisés (DCT), la phase pilote de 6 mois lancée en janvier 2024 par la Commission nationale de l’informatique et des libertés (Cnil) et ses partenaires institutionnels, et ouverte aux études internationales en mars, est prolongée jusqu’à septembre.
Tous les détails sur les initiatives lancées en France autour des DCT sont disponibles ici.
📌 IA : comment améliorer l’expérience utilisateur durant des essais cliniques décentralisés ?
L’industrie des essais cliniques se décentralise, et voit se résoudre les problèmes de recrutement et de fidélisation des patients : l’intelligence artificielle (IA) promet d’améliorer l’expérience des différentes parties prenantes, la vision par ordinateur et les capteurs portables facilitent la collecte de données… Que dit la littérature scientifique de ces nouveaux outils ? Des pistes de réponses dans cet article.
Cartographies
📌 Panorama des acteurs de la recherche clinique en France :
Régulateurs, promoteurs, investigateurs… Le paysage français de la recherche clinique se compose d’une dizaine d’acteurs. Dans cet article, un panorama qui explique leurs rôles respectifs et une infographie illustrant les différentes articulations entre eux autour du patient, élément central de cet écosystème.
📌 Cartographie de 17 solutions de DCT disponibles en France :
De la récolte et la structuration des données des patients à la mise en relation avec les chercheurs, en passant par le déploiement des essais cliniques, au moins 17 solutions numériques peuvent être recensées sur le marché français, visant à faciliter la mise en place d’essais cliniques décentralisés (DCT). Pour lire cet article, suivez ce lien.
📌 Cartographie internationale des entreprises ayant une offre DCT :
Alors que la demande pour des traitements rapides et efficaces s’intensifie, les essais cliniques décentralisés (DCT) révolutionnent le paysage de la recherche médicale à l’échelle mondiale. De plus en plus d’entreprises de taille et de typologie différentes développent des offres dans ce domaine, proposant des solutions novatrices qui bouleversent les méthodes traditionnelles. Article accessible ici.
L’industrie des essais cliniques est en pleine transition vers la décentralisation, grâce à laquelle plusieurs évaluations peuvent être réalisées à distance, au domicile des participants plutôt que dans des centres médicaux. Cette transition a été accélérée par la pandémie de Covid-19.
Il y a douze ans, des chercheurs rapportaient déjà que la participation à domicile pouvait aider à résoudre les problèmes de recrutement et de fidélisation des patients recrutés pour un essai clinique(1). Depuis, les études se sont succédées et certaines ont montré que la décentralisation facilitait l’inclusion de patients plus nombreux et plus diversifiés(2).
Pour une réelle efficacité, cependant, il serait nécessaire d’innover davantage pour compenser le poids de responsabilité que risquent d’imposer les essais cliniques décentralisés (DCT) aux participants, selon un article paru en octobre 2022 dans Nature Medicine(3). En santé numérique, les interfaces utilisateur présentent souvent des imperfections que les différentes autorités nationales identifient comme “un risque majeur dans les essais décentralisés”(4).
L’innovation au service de l’expérience utilisateur
Parmi les leviers d’amélioration des interfaces utilisateur, l’automatisation permise par l’intelligence artificielle (IA) pourrait faciliter l’arrivée de la prochaine génération de solutions numériques de DCT. D’un autre côté, la part des données collectées auprès des participants aux essais cliniques augmente : elle implique, de plus en plus souvent, qu’ils répondent eux-mêmes aux enquêtes, remplissent des journaux ou se soumettent à d’autres évaluations cliniques électroniques (eCOA) à domicile. Cela dit, une telle démarche, qui exige un engagement des patients dans des tâches chronophages de saisie de données, peut réduire leur adhésion aux protocoles de l’essai clinique ou augmenter le nombre d’erreurs qu’ils commettent. Pour prévenir de tels inconvénients, certains outils sont utilisés pour envoyer des notifications électroniques de rappel aux participants. Mais un nombre excessif de notifications est susceptible d’entraîner des abandons(5).
Déjà utilisée dans d’autres secteurs pour améliorer l’expérience utilisateur, l’IA a le potentiel de favoriser le recrutement et la fidélisation d’un plus grand nombre de patients aux essais cliniques.
🤖 L’apprentissage par renforcement comme solution ?
L’apprentissage par renforcement est un domaine de l’IA utilisé pour la prise de décision séquentielle. C’est “un procédé d’apprentissage automatique consistant, pour un système autonome, à apprendre les actions à réaliser, à partir d’expériences, de façon à optimiser une récompense quantitative au cours du temps” (Cnil). Cette approche, qui a été utilisée par Meta(6) pour optimiser les notifications sur Facebook, peut être exploitée pour améliorer l’expérience des participants dans les essais cliniques : l’objectif serait d’identifier quelles notifications doivent être envoyées et quand les envoyer, afin de minimiser leur nombre tout en assurant la réalisation des tâches eCOA par les participants(3).
Ainsi, les applications mobiles des essais cliniques peuvent envoyer un message de motivation ou un rappel du délai, ou bien de ne rien envoyer du tout, en fonction de “l’état du système” (l’heure, la localisation GPS, le nombre de notifications déjà reçues ce jour-là, le type de réponse aux notifications reçues, etc.). Cette approche permet une personnalisation de la relation avec le participant, en intégrant ses tâches d’eCOA dans sa routine quotidienne, sans l’envahir de notifications inutiles.
🖥️ L’apport de la vision par ordinateur :
De plus en plus, les participants aux essais cliniques sont invités à soumettre des images et des vidéos qu’ils capturent à l’aide d’un smartphone ou d’une tablette, notamment en dermatologie (envoi d’images de la peau) et en neurologie (envoi de vidéos de soi en train d’effectuer des tâches spécifiques)(7). Ceci en prenant en compte les difficultés techniques liées à la capture d’images et de vidéos : éclairage, zoom, angle de caméra, etc.
La vision par ordinateur est un domaine de l’IA qui permet à une machine “d’analyser et traiter une ou plusieurs images ou vidéos prises par un système d’acquisition” (Cnil). Cette approche a déjà été testée en télémédecine(8) : si le corps entier d’un patient doit être visible dans la vidéo, cela pourrait être confirmé automatiquement pendant qu’elle est capturée via l’application mobile de l’essai, pour corriger sa captation. De la même manière, si une photo de la peau d’un utilisateur semble surexposée, l’application pourrait lui indiquer d’éteindre le flash, par exemple.
Ainsi, en évitant aux patients de reprendre les mêmes photos, la vision par ordinateur peut améliorer leur expérience et réduire le temps nécessaire pour le contrôle de la qualité des données.
📡 Des capteurs connectés pour évaluer la mobilité du patient ?
Parmi les autres évaluations décentralisables, la mobilité représente un réel défi pour les chercheurs. L’utilisation de capteurs portables connectés est présentée comme une solution pertinente : certains essais nécessitent que le participant porte des capteurs sur tout son corps afin de recueillir des informations détaillées sur ses mouvements(9). Exigeant et trop précis, le processus de mise en place de ces capteurs peut être long, d’où la nécessité pour le patient d’être guidé en temps réel par l’équipe de recherche, ce qui n’empêche tout de même pas la survenue d’erreurs.
Les modèles d’IA conçus pour les données temporelles permettraient potentiellement la réalisation de mesures plus détaillées : entraînés pour comprendre comment une partie du corps se déplace dans l’espace, ils pourraient nécessiter un nombre plus petit de capteurs pour évaluer les mouvements de tout le corps. Ils pourraient également être entraînés à partir d’un seul capteur ou d’un petit ensemble de capteurs pour fournir une estimation du résultat clinique : chez les personnes atteintes de la maladie de Parkinson, par exemple, les événements de blocage de la marche peuvent être détectés avec un seul capteur(10).
En remplaçant ainsi des capteurs accrochés sur tout le corps du patient par une seule unité, l’étude des mouvements et de la mobilité du patient peut être réalisée de manière continue, dans un environnement de vie réelle, offrant la possibilité de détecter des événements pathologiques plus rares.
Bibliographie
(1) Peterson, J.C., Pirraglia, P.A., Wells, M.T. et al. Attrition in longitudinal randomized controlled trials: home visits make a difference. BMC Med Res Methodol 12, 178 (2012).
(2) de Jong, A.J., van Rijssel, T.I., Zuidgeest, et al. Opportunities and Challenges for Decentralized Clinical Trials: European Regulators’ Perspective. Clin Pharmacol Ther, 112: 344-352 (2022).
(3) Thomas, K.A., Kidziński, Ł. Artificial intelligence can improve patients’ experience in decentralized clinical trials. Nat Med 28, 2462–2463 (2022).
(4) National Academies of Sciences, Engineering, and Medicine. Forum on Drug Discovery, Development, and Translation 2019 Annual Report (National Academies Press, 2019).
(5) Fung, C.H., Hays, R.D. Prospects and challenges in using patient-reported outcomes in clinical practice. Qual Life Res 17, 1297–1302 (2008).
(6) Gauci, J. et al. Horizon: Facebook’s Open Source Applied Reinforcement Learning Platform. Arxiv.org, reprint (2018).
(7) Kidziński, Ł., Yang, B., Hicks, J.L. et al. Deep neural networks enable quantitative movement analysis using single-camera videos. Nat Commun 11, 4054 (2020).
(8) Kailas Vodrahalli et al. TrueImage: A Machine Learning Algorithm to Improve the Quality of Telehealth Photos. Biocomputing 220-231 (2021).
(9) Martina Mancini, et al. Validity and reliability of an IMU-based method to detect APAs prior to gait initiation. Gait & Posture, 43, (2016).
(10) O’Day, J., Lee, M., Seagers, K. et al. Assessing inertial measurement unit locations for freezing of gait detection and patient preference. J NeuroEngineering Rehabil 19, 20 (2022).
La France se distingue comme un acteur clé des essais cliniques en Europe, grâce à des investissements dans la recherche médicale et la technologie. Selon l’étude “Essais cliniques 2030” du Leem, la décentralisation des essais, nécessaire car 70% des patients vivent à plus de 2 heures d’un centre investigateur, façonnera la recherche clinique. Tandis que les collaborations entre entreprises pharmaceutiques, hôpitaux et startups créent un écosystème dynamique d’innovation, les autorités françaises adaptent continuellement les normes réglementaires pour stimuler l’innovation tout en garantissant la sécurité et l’éthique des participants :
➡️ en avril 2021, la Cnil a publié des « recommandations provisoires » pour le contrôle qualité à distance (télémonitoring) des essais cliniques pendant la crise sanitaire ;
➡️ en février 2023, la Commission nationale des recherches portant sur la personne humaine (CNRIPH) a ouvert le chantier des DCT afin d’établir des recommandations nationales précises et concrètes, à travers un groupe de travail composé de représentants des régulateurs, ainsi que :
de l’Agence de l’innovation en santé (AIS) ;
de représentants des opérateurs (Leem, France Biotech, Snitem, commission des Promoteurs institutionnels, Unicancer, Espic, F-Crin, CNGE, Afcros) ;
➡️ en janvier 2023, la Délégation au numérique en santé (DNS) a lancé les travaux autour de la création d’une base nationale unique (Eclaire), une plateforme d’accès aux essais cliniques réalisés en France et accessible à l’ensemble des acteurs concernés (start-ups, centres hospitaliers, patients et industriels). Bientôt, le site internet Santé.fr constituera la première interface avec la base « Eclaire ».
La phase pilote de la Cnil prolongée jusqu’à septembre 2024 :
Lancée en janvier 2024 pour une durée de six mois initialement, en vue de publier des recommandations françaises, la phase pilote des DCT en France a été prolongée de trois supplémentaires. Mise en place par la Direction générale de la santé (DGS), la Direction générale de l’offre de soins (DGOS), l’Agence nationale de sécurité du médicament et des produits de santé (ANSM) et la Cnil, cette initiative vise à accompagner les promoteurs académiques et industriels dans leurs projets de DCT et à apporter des réponses concrètes aux difficultés qu’ils rencontrent dès la phase de conception de leurs recherches contenant un ou plusieurs éléments décentralisés. Dans ce cadre, 20 projets sélectionnés profiteront d’un soutien ciblé de la part des instances de santé. A la fin de la phase pilote, et après consolidation des travaux menés et des retours d’expérience des promoteurs participants :
des recommandations françaises concernant les DCT seront publiées ;
et la Cnil élaborera une doctrine sur la dématérialisation et la décentralisation des essais cliniques.
Les promoteurs obtiendront une réponse « avant de soumettre leur projet finalisé pour avis et/ou autorisation du comité de protection des personnes (CPP), de l’ANSM et en amont de la réalisation d’une formalité auprès de la Cnil ». La Cnil précise que les réponses qui leur seront apportées « ne préjugeront en rien des décisions rendues par ces instances lors de leur saisine respective ».
Une ouverture aux études internationales :
En mars 2024. La DGS a annoncé l’ouverture de la phase pilote des DCT aux études internationales. “C’était une demande des industrielles”, a confié Manon de Fallois, adjointe à la cheffe du service santé de la Cnil, contactée par Health & Tech Intelligence. L’ouverture de la phase pilote, annoncée par la DGS, aux études internationales dans le domaine des essais cliniques représente un tournant majeur dans la recherche médicale contemporaine. Cette démarche vise à :
élargir les champs d’application de la phase pilote et recueillir plus de données sur les DCT ;
promouvoir l’attractivité de la France, la décentralisation étant, selon le Leem, un facteur important pour les industriels et une norme aux Etats-Unis ;
mais aussi nourrir la doctrine sur la dématérialisation et la décentralisation à élaborer par la Cnil.
Une concertation sur les référentiels santé :
La Cnil souhaite faire évoluer les référentiels « santé » en concertation avec les acteurs concernés. Elle lance ainsi une consultation ouverte jusqu’au 12 juillet 2024 pour faire évoluer les référentiels « santé » en collaboration avec les acteurs concernés.
Les référentiels concernés incluent MR-001 à MR-008, relatifs aux entrepôts de données de santé, à la gestion des vigilances sanitaires, aux accès précoces et compassionnels, et à l’accès simplifié aux données du Système national des données de santé (SNDS). Des ajustements sont nécessaires à cause de nouveaux règlements européens, de l’essor des traitements de données SNDS, du développement de l’intelligence artificielle et des répercussions de la crise sanitaire.
La consultation vise à identifier les modifications nécessaires et les sujets potentiels pour de nouveaux cadres ou recommandations, en tenant compte des pratiques et besoins des participants. La Cnil a développé des bonnes pratiques, présentées sous forme de fiches, qui pourront être commentées et modifiées selon les retours reçus.
Trois fiches sont actuellement proposées pour analyse :
Les résultats de la consultation, publiés sur le site web de la Cnil, détermineront les thématiques pour de futurs groupes de travail, afin de construire les référentiels de demain, en lien avec le Health data hub et les acteurs concernés. Selon Manon de Fallois, ces résultats permettront à la Cnil de notamment intégrer certaines pratiques dans ses référentiels “pour ne pas avoir à les autoriser”.
Vers un encadrement des nouvelles méthodologies ?
En mai 2023, l’Agence de l’innovation en santé (AIS) et F-Crin ont partagé les premiers résultats (dont 18 recommandations) des réflexions de leurs groupes de travail qui visent à définir le cadre de ces nouvelles méthodologies de recherche clinique. En plus des nouvelles façons de concevoir des essais cliniques, ces nouvelles méthodologies sont censées fixer des objectifs opérationnels pour des DCT, qui « peuvent nécessiter des adaptations en matière de suivi, de circuits ou de réglementation », dans le prolongement des travaux menés par la Commission nationale pour les recherches impliquant la personne humaine (CNRIPH) sur le sujet.
🇪🇺 Harmonisation et décentralisation, 2 enjeux pour l’UE
➡️ En janvier 2022, le règlement européen 536/2014 sur les essais cliniques de médicaments est entré en vigueur, offrant la possibilité de soumettre les demandes d’essais cliniques soit sur le portail national, soit sur le portail unique européen.
Ce règlement vise à harmoniser les procédures d’autorisation des essais cliniques dans l’UE, facilitant ainsi la recherche et le développement de nouveaux médicaments. Jusqu’au 31 janvier 2023, les promoteurs avaient le choix de la procédure, ce qui a permis une transition en douceur vers le nouveau système centralisé.
➡️ En décembre 2022, les régulateurs de l’Union européenne (EMA, Commission européenne, et HMA) ont publié des recommandations pour encourager l’utilisation des essais cliniques décentralisés. Cette approche vise à harmoniser la mise en œuvre des essais cliniques dans l’Espace économique européen (EEE), en simplifiant les procédures et en améliorant la qualité de la recherche.
Un nouveau système mis en œuvre en 2023 :
En 2023, un nouveau système d’autorisation des essais cliniques a été mis en place pour rendre compatibles les procédures de 30 pays différents. Désormais, un promoteur doit choisir un pays européen rapporteur chargé de réaliser l’évaluation scientifique et de collecter les remarques des autres pays concernés. Cette mesure a été saluée par Philippe Lamoureux, directeur général du Leem, qui souligne les bénéfices en termes de simplification des procédures, constitution d’une base d’informations communes, amélioration de la qualité de la recherche et incitation aux investissements.
🇺🇸 Aux USA, la réflexion de la FDA évolue
Des essais cliniques décentralisés basés exclusivement sur la réutilisation de données secondaires, couplée à la collecte de données primaires directement auprès des patients (ePRO et dispositifs connectés), ont déjà eu lieu aux États-Unis. Si des études totalement décentralisées et dématérialisées sont encore impossibles en France, il existe des solutions permettant de s’en approcher en attendant que la réglementation évolue.
En mars 2020, en réponse à la crise du Covid-19, la Food & drug administration(FDA) a publié des recommandations pour aider les investigateurs à mettre en œuvre des DCT dans un contexte de limitation des déplacements et de fermeture des sites de recherche.
En mai 2023, la FDA a publié un « draft guidance » comprenant une série de recommandations pour accélérer la mise en œuvre de DCT pour les médicaments, produits biologiques et dispositifs médicaux. Ce guide couvre divers sujets, tels que :
la réalisation de tests de laboratoire dans un établissement local plutôt que dans un centre médical de recherche actif ;
le consentement éclairé ;
la visite de suivi clinique au domicile du participant à l’essai en utilisant la télémédecine ;
les rôles et responsabilités des promoteurs et investigateurs ;
et la manière dont les molécules étudiées doivent être administrées.
Ces initiatives visent à simplifier et à améliorer les essais cliniques tout en favorisant une plus grande harmonisation et décentralisation des procédures dans les secteurs de la santé, tant en Europe qu’aux États-Unis.
