Articles

  • Quels cas d’usage de l’IA dans la découverte des médicaments ?

    2 grandes catégories de cas d’usage dans la découverte des médicaments

    Si l’IA a un impact qu’il est encore difficile à mesurer concrètement en ce qui concerne la recherche clinique, de nombreuses études ont montré que cette technologie permet d’accélérer les processus de recherches de molécules, de création de molécules, et même de prédiction de leurs propriétés moléculaires et de leur toxicité avant même leur conception. Une bonne utilisation des algorithmes au service de la recherche clinique permettrait de faire des économies d’argent et de temps conséquentes pour les chercheurs.

    Et même si aucun médicaments n’a été mis sur le marché pour le moment après sa découverte grâce à l’IA, ces algorithmes montrent pour le moment des résultats pertinents dans deux grandes catégories de cas d’usage : la conception de médicaments et l’analyse des médicaments lors de la phase pré-clinique. En plus de ces deux catégories, il y en a une troisième qui ne s’intéresse pas directement au médicament mais plutôt aux pathologies, puisqu’il s’agit de la découverte de biomarqueurs.

    La plus grande partie des usages concentrés dans la découverte de cibles

    De ces deux grandes catégories de cas d’usage, celle qui est le plus proposée par les solutions actuellement disponibles sur le marché, que ce soit en France ou dans le monde, est celle concernant la découverte de médicaments, notamment avec une majorité des solutions qui proposent une découverte de cibles, à savoir des molécules qui vont avoir un effet thérapeutique sur la maladie ciblée par le chercheur. Les deux autres cas d’usage les plus représentés sont la découverte de candidats-médicaments, suivis de près par la découverte de biomarqueurs.

    Drug design : les cas d’usage liés à la conception de médicaments

    Comme évoqué précédemment, la découverte de médicaments peut passer par l’identification de cibles, mais aussi par la découverte de candidats médicaments, la prédiction des propriétaires moléculaires d’une molécule, ainsi que la découverte et la génération de nouvelles molécules. Tous ces cas d’usage font partie de ceux liés à la conception des médicaments.

    1️⃣ Génération de nouvelles molécules : les algorithmes d’apprentissage profond vont là aussi servir la découverte de médicaments, puisqu’ils vont être utilisés pour générer les molécules de façon séquentielle, par construction itérative. Le modèle de génération va ensuite permettre de sélectionner la prochaine étape de construction pour un état donné de la molécule. Plus qu’une simple génération de molécules, l’IA peut aussi générer des molécules satisfaisant une propriété moléculaire donnée grâce à une approche d’apprentissage par renforcement.

    2️⃣ Découverte de nouvelles molécules : avant de générer les molécules, il faut les avoir découvert et là encore, l’intelligence artificielle à son rôle à jouer. Grâce à des algorithmes d’exploration et d’apprentissage par recherche active de connaissances, l’IA va analyser des millions de données et tester des millions de molécules pour déterminer lesquels sont les plus à même d’avoir un impact sur la maladie ciblée. On parle de découverte de nouvelles molécules, parce que même si elles ne vont pas être créées directement par l’IA c’est l’IA qui va découvrir son utilité pour le traitement d’une pathologie.

    3️⃣ Découverte de cibles : avant de penser à quel molécule va agir pour le traitement d’une pathologie, il faut découvrir la cible thérapeutique pour cette maladie : quelle molécule il faut que le médicament atteigne. En ce qui concerne le cancer, par exemple, de nombreux médicaments sont développés sur la base d’hypothèses validées expérimentalement qui peuvent expliquer un mécanisme possible sous-jacent à la cancérogénèse, mais ignorent d’autres faits de la maladie. Grâce à des algorithmes spécialisés en analyse biologique basés sur l’apprentissage automatique, l’IA va pouvoir fournir des analyses biologiques avancées afin de permettre une identification précise des cibles menant à la découverte de médicaments.

    4️⃣ Découverte de candidats-médicaments : en assemblant des images de protéines à la structure des molécules s’y fixant, l’intelligence artificielle peut développer des clichés représentant des petites fractions de molécules (appelées fragments) liées à des parties d’images (appelées sous-poche protéique), qui vont ensuite être assemblées pièce par pièce afin de proposer une molécule idéalement complémentaire de la protéine que l’on veut activer ou inhiber. Grâce à l’IA et à son analyse des molécule et des cibles, il est possible de trouver les candidats-médicaments les plus à même d’atteindre ces cibles thérapeutiques.

    5️⃣ Conception de médicaments de novo : grâce à des modèles de langage chimique (CLM) qui sont des techniques d’apprentissage automatique conçues pour traiter et apprendre à partir de structures moléculaires représentées sous forme de séquences (comme les chaînes de caractères SMILES (Simplified Molecular Input Line Entry System)), l’IA peut créer de nouvelles molécules à partir de zéro. Ceci est l’étape ultime de la découverte de médicament grâce à l’IA parce qu’elle est la création du médicament à proprement parlé. Aucun médicament n’a pour le moment été créé de la sorte, mais de nombreuses études, dont une parue en avril 2024 dans la revue Nature montre que cela est réalisable.

    Drug screening : les cas d’usage liés à l’analyse des médicaments

    En plus de la conception de médicaments, l’IA peut être utilisée dans le cadre de l’analyse des médicaments lors de la phase pré-clinique, pour s’assurer qu’ils répondent à toutes les attentes en vue de leur entrée en essai clinique. Cela peut concerner la prédiction de leur activité biologique, de leur toxicité ou encore de leurs propriétés moléculaires.

    1️⃣ Prédiction de l’activité biologique des médicaments : les algorithmes d’apprentissage automatique permettent d’automatiser la découverte de composés afin de prédire l’activité biologique des médicaments. C’est cette activité biologique qui reflète la puissance et la capacité d’un médicament à avoir un effet biologique et donc des effets pharmacologiques sur une pathologie. Leur prédiction est donc importante pour comprendre si le médicament va être ou non efficace et s’il nécessite donc une entrée en essai clinique.

    2️⃣ Prédiction de la toxicité des médicaments : alors que plusieurs études ont montré que plus de 30 % des candidats médicaments sont rejetés en raison de leur toxicité, il est important d’intégrer une prédiction de cette toxicité lors du processus de découverte du médicament. Grâce à l’utilisation de divers algorithmes d’apprentissage automatique et d’architectures d’apprentissage profond, l’intelligence artificielle est capable de détecter la potentiel toxicité des candidats médicaments avant leur essais sur l’homme.

    3️⃣ Prédiction des propriétés moléculaires : avec plusieurs types d’intelligence artificiel tel que les modèles  d’apprentissage profond, il va être possible de modéliser les interactions entre atomes et d’introduire une invariance à l’ordre des atomes ainsi qu’à la translation et rotation géométriques. Cela va permettre de prédire la propriété d’une petite molécule destinée à être utilisée pour la création d’un candidat médicament, notamment son intérêt et sa fiabilité. La prédiction de ses propriétés grâce à sa structure ou à sa valeur va avoir plusieurs finalités telles que la prédiction de l’interaction du médicament avec sa cible moléculaire.

    Les cas d'usage de l'IA dans la recherche de médicaments
    Les cas d’usage de l’IA dans la découverte de médicaments

  • Cartographie des solutions françaises d’IA pour la découverte des nouvelles molécules

    22 solutions recensées en France

    L’intégration de technologies de pointe dans la découverte de médicaments transforme profondément l’industrie pharmaceutique. L’accélération de la découverte et du développement de nouveaux traitements, la personnalisation accrue des soins et l’optimisation des coûts sont parmi les bénéfices les plus notables. Les plateformes technologiques permettent de passer plus rapidement de la recherche fondamentale au développement clinique, augmentant ainsi la vitesse et la précision de la découverte de médicaments.

    En France, de nombreuses start-ups biotechnologiques se sont lancées dans le domaine de l’intelligence artificielle (IA) appliquée à la découverte de médicaments. En 2023, 22 solutions ont vu le jour, toutes utilisant l’IA pour révolutionner ce processus. Ces solutions, qui adoptent des approches variées, couvrent plusieurs aspects cruciaux de la recherche pharmaceutique : de la conception de nouvelles molécules à l’identification de cibles et de biomarqueurs, en passant par l’optimisation des thérapies géniques. En combinant IA, physique quantique et analyse multi-omique, les entreprises françaises posent les bases d’une nouvelle ère de médecine personnalisée. Cette approche intégrée permet de développer des traitements mieux adaptés aux besoins individuels des patients, augmentant les taux de réussite des thérapies et améliorant la sécurité des médicaments.

    77 % des entreprises ont moins de 10 ans :

    Les entreprises françaises spécialisées dans la découverte de médicaments sont majoritairement jeunes, reflétant une vague récente d’innovation. La majorité de ces entreprises ont été fondées entre 2016 et 2020. Par exemple, WhiteLab Genomics, Iktos, et Owkin, toutes créées autour de cette période, montrent une tendance claire vers une forte émergence de start-ups biotechnologiques. Seules quelques-unes, comme Ariana pharmaceuticals et Bio-Modeling systems (BMSystems), datent du début des années 2000, démontrant une continuité et une maturation dans le secteur.

    Non exhaustif, ce panorama des solutions françaises s’inscrit dans la nomenclature de cet article H&TI détaillant les cas d’usage de l’IA en recherche pré-clinique.

    4 grandes catégories 

    Dans le cadre de son indicateur sur l’IA & la recherche, Health & Tech Intelligence a relevé 22 solutions disponibles en France et réparties en 4 grandes catégories :

    • l’identification de biomarqueurs ; 
    • la découverte de candidats-médicaments ; 
    • l’identification de cibles ; 
    • et la découverte de nouvelles molécules.

    Il convient de souligner que la plupart des solutions ne se limitent pas à une seule de ces quatre catégories et peuvent être utilisées pour accomplir diverses tâches. Par exemple, la solution R.e.a.l.platform proposée par Vidium qui vise à identifier les gènes impliqués dans le choix du destin cellulaire, cartographier les réseaux de régulation génétique (GRN), identifier des cibles thérapeutiques et des marqueurs précoces. La plateforme permet également de modéliser et valider des traitements potentiels en laboratoire.

    9 solutions d’identification de cibles disponibles en France :

    Les solutions les plus présentes en France sont celles pour identifier des cibles thérapeutiques potentiellement efficaces. Parmi les 22 solutions relevées par H&TI, 9 d’entre elles sont spécifiquement dédiées à l’identification de cibles thérapeutiques, et certaines de ces solutions proposent des fonctionnalités supplémentaires qui améliorent l’efficacité et la précision du processus de découverte.

    Parmi ces 9 solutions, on retrouve plusieurs plateformes françaises de pointe, telles que WhiteLab Genomics, Owkin, et BMSystems. Whitelab Genomics, par exemple, propose une plateforme d’intelligence artificielle dédiée à la conception et à l’optimisation de thérapies géniques et cellulaires. Cette solution utilise des algorithmes avancés pour analyser les données génomiques et concevoir des séquences d’ADN/ARN thérapeutiques optimisées, ainsi que des vecteurs de livraison. Ce type de technologie est essentiel pour faciliter la découverte de cibles thérapeutiques, l’ingénierie des payloads et l’optimisation des vecteurs viraux et non viraux.

    ➡️ La solution Targetmatch d’Owkin est un moteur de découverte de cibles thérapeutiques basé sur l’IA, conçu pour identifier les meilleures cibles thérapeutiques dans des indications spécifiques en exploitant des données patients multimodales. Cette plateforme intègre des données de jeux de données privés et publics, incluant des données cliniques, génomiques et des littératures biomédicales, favorisant une caractérisation approfondie des patients et des cibles.

    ➡️ Une autre solution notable est Cadi discovery de BMSystems. Cette plateforme utilise une approche de modélisation heuristique et mathématique pour comprendre les systèmes biologiques complexes. Elle permet d’identifier de nouvelles cibles thérapeutiques, de découvrir des mécanismes de maladies et de valider des hypothèses biologiques, offrant une compréhension plus profonde des processus biologiques sous-jacents.

    ➡️ En plus de ces solutions, Virtual cell par Deeplife se distingue par son approche en biologie des systèmes. Cette solution d’IA interprétable permet une compréhension approfondie des mécanismes biologiques, identifiant et priorisant les cibles thérapeutiques et les biomarqueurs exploitables. Elle permet également de réaliser des analyses complètes des voies métaboliques et de former à grande échelle des modèles cellulaires spécifiques aux maladies.

    ➡️ Scienta lab et One biosciences offrent également des contributions significatives dans ce domaine. La plateforme Scienta Lab vise à identifier rapidement des cibles thérapeutiques et à accélérer le développement de nouveaux traitements grâce à l’intégration de modèles biologiques avancés et d’algorithmes d’apprentissage automatique. One Biosciences combine l’IA et des protocoles de cellule unique pour générer des données de haute qualité à partir de cellules épithéliales de tumeurs congelées, facilitant l’interprétation des insights biologiques complexes pour la découverte de cibles et le développement de médicaments, avec un fort accent sur l’oncologie et la néphrologie.

    ➡️ La plateforme Oncosniper d’Oncodesign se concentre spécifiquement sur l’oncologie, utilisant l’intelligence artificielle pour identifier et valider de nouvelles cibles thérapeutiques basées sur des signatures moléculaires. Enfin, la plateforme R.E.A.L. de Vidium fournit une analyse de données omiques et une modélisation in silico pour identifier les gènes impliqués dans le choix du destin cellulaire, cartographier les réseaux de régulation génétique et identifier des cibles thérapeutiques et des marqueurs précoces.

    ➡️ La solution DIS (Drug intelligence science) de Hifibio se distingue également par son intégration de technologies de cellule unique avancées et d’intelligence artificielle pour optimiser la découverte et le développement de médicaments. Cette plateforme permet l’identification de cibles thérapeutiques, la découverte d’anticorps et la stratification des patients grâce à des analyses monocellulaires et bioinformatiques poussées. Les modèles d’apprentissage automatique de la plateforme facilitent la prédiction de la liaison et de l’affinité des anticorps.

    Une répartition équitable entre les 3 autres champs :

    Les 14 autres solutions se répartissent globalement de manière égale entre l’identification de biomarqueurs et la découverte de nouvelles molécules, chacune comptant 4 solutions. La découverte de candidats-médicaments comptabilise 5 solutions.

    👉 Pour en savoir plus sur les autres solutions cliquez sur le tableau interactif ci-dessous :

    37 % des IA dédiées à l’oncologie

    L’oncologie se révèle particulièrement propice à l’intégration de l’IA en raison de plusieurs facteurs déterminants. D’une part, la recherche sur le cancer bénéficie de flux d’investissements massifs, attirés par l’urgence et la gravité de la maladie. D’autre part, les initiatives comme le Cancer Genome Atlas Project (TCGA) et le Catalogue of Somatic Mutations in Cancer (COSMIC) ont permis de constituer des bases de données d’une richesse et d’une structuration sans précédent. Ces ressources offrent un substrat inestimable pour l’entraînement des modèles d’IA, facilitant non seulement l’identification de nouvelles cibles thérapeutiques, mais aussi l’optimisation des traitements existants.

    En conjuguant ces éléments, l’oncologie et l’IA créent un cadre de recherche et de développement particulièrement dynamique, capable de transformer en profondeur les approches thérapeutiques. Selon le rapport “Unlocking the Potential of AI in Drug Discovery” publié en 2023 par le Boston consulting group (BCG), l’oncologie représente 37 % des domaines thérapeutiques où l’IA est le plus présente.

    13 solutions françaises pour l’oncologie :

    Parmi les 9 solutions dédiées à l’identification de cibles thérapeutiques, 6 sont principalement orientées vers l’oncologie, illustrant la synergie naturelle entre cette discipline médicale et les technologies de pointe. TargetMatch d’Owkin, par exemple, se distingue par son utilisation avancée de données multimodales pour identifier les meilleures cibles thérapeutiques, avec une attention particulière aux cancers. D’autres solutions notables, telles qu’OncoSNIPER d’Oncodesign, One Biosciences, DIS de Hifibio, Virtual cell de Deeplife, et Scienta lab, contribuent également de manière significative à cette avancée.

    En complément, 7 autres solutions que l’on retrouve dans les autres catégories sont également dédié à l’oncologie :

    • Arca efficacy d’Arcascience, focalisée sur l’évaluation de l’efficacité des médicaments, offrant ainsi des informations précieuses pour le développement de nouvelles thérapies oncologiques ;
    • Aqemia, qui intègre des techniques de physique et d’intelligence artificielle pour accélérer la découverte de médicaments ciblant les cancers ;
    • Atlas de Qubit pharmaceuticals, qui utilise des simulations à haute performance pour découvrir et optimiser de nouvelles molécules thérapeutiques ;
    • KEM d’Ariana pharmaceuticals, spécialisée dans l’analyse de données cliniques et précliniques pour identifier les meilleures combinaisons de traitements contre le cancer ;
    • Alphanosos, qui développe des traitements basés sur des composés naturels pour cibler les cellules cancéreuses de manière innovante ;
    • mCUBE d’Epigene labs, une plateforme qui utilise des données épigénétiques pour identifier des cibles thérapeutiques et développer des traitements personnalisés contre le cancer ;
    • Iktos robotics d’Iktos, qui combine l’intelligence artificielle et la robotique pour accélérer le processus de découverte de médicaments, y compris ceux destinés à l’oncologie.

    Les enjeux de l’accès aux données et de la standardisation :

    Malgré un nombre de solutions nettement inférieur à celui des États-Unis, l’adoption de l’IA dans la découverte de médicaments en France progresse, particulièrement en oncologie, tout en rencontrant des défis spécifiques. Le pays bénéficie d’un écosystème de recherche solide, avec des institutions renommées et des initiatives de collaboration publique-privée. L’Institut national du cancer (Inca) occupe un rôle clé dans la promotion de la recherche en oncologie, y compris l’intégration de l’IA.

    Cependant, des défis subsistent en matière d’accès aux données et de standardisation. Bien que des efforts soient en cours pour améliorer la standardisation et le partage des données, beaucoup reste à faire pour atteindre un niveau de maturité comparable à celui de certains pays leaders dans ce domaine. La France travaille également à renforcer ses capacités en matière de formation et de rétention des talents spécialisés dans l’IA et la bio-informatique.

    Cartographie interactive des solutions françaises

    À noter : l’entreprise Synsight est en procédure collective en date du 3 juillet 2024.

     

  • IA et recherche médicale : un cadre réglementaire qui se construit

    Identification des molécules, optimisation des essais, l’IA renforce la recherche médicale

    L’usage de l’IA se développe dans le secteur de la santé. Personnalisation des soins, analyse prédictive, rationalisation de la charge de travail, toutes les activités sont impactées, y compris la recherche clinique et pharmaceutique.

    Les solutions d’intelligence artificielle permettent de réduire la durée des phases de recherche. L’analyse de données massives permet aux chercheurs de gagner du temps en identifiant des molécules candidates pour de nouveaux médicaments. Pour les essais cliniques, l’IA contribue à identifier plus précisément les patients éligibles, et optimise ainsi le protocole de recherche (durée, échantillon, suivi en temps réel).

    Un cadre règlementaire strict

    L’intelligence artificielle, appliquée au domaine de la recherche médicale, pose des défis réglementaires. La France et l’Union européenne travaillent pour définir un cadre législatif et veiller au respect de celui-ci. Des organismes comme le Comité européen de la protection des données (CEPD) préconise par exemple dans ses « Guidelines on Artificial Intelligence and Data Protection » de limiter les biais algorithmiques. Toujours en matière de recommandation, l’OMS, dans son rapport « Ethics and Governance of Artificial Intelligence for Health » insiste sur la nécessaire transparence des outils, et le respect du choix des patients. L’enjeu est de trouver un équilibre entre un cadre juridique qui protège la population, anticipe les besoins futurs en termes de législation et qui favorise en même temps, un espace propice à l’innovation et à la valorisation des technologies d’IA dans le domaine de la recherche médicale.

    En France, le cadre réglementaire de la recherche en santé est rigoureux. La recherche clinique est règlementée par le code de la santé publique, la loi informatique et Libertés, la loi Jardé (2012), et des référentiels de bonnes pratiques cliniques. Un projet de recherche doit recevoir l’aval du comité éthique, mais aussi un avis favorable de l’ANSM. Enfin, il doit respecter des impératifs vis-à-vis de la Cnil et du RGPD au regard de la protection des données. Plusieurs textes législatifs existent et sont en mesure de traiter divers cas juridiques, même ceux qui impliquent l’IA.

    Le socle réglementaire exclut certaines pratiques comme les moyens de contournement du libre arbitre, l’exploitation de vulnérabilités physiques ou psychiques, la catégorisation sur des critères sociaux, ou encore l’évaluation de la fiabilité d’un individu.

    Quels impératifs par rapport aux patients ?

    La participation des patients éligibles est toujours volontaire et éclairée. Le patient a le droit, à tout moment, de se retirer du programme et de s’opposer à l’usage de ses données personnelles. Concernant l’utilisation de l’intelligence artificielle dans le cadre d’une recherche médicale, le patient doit être informé de manière transparente et consentir à son usage. Les données de santé personnelles doivent être confidentielles, anonymisées en cas de transfert, conforment aux référentiels CNIL et accessibles à tout moment par le patient.

    La loi du 2 août 2021 relative à la bioéthique

    La loi relative à la bioéthique est un socle réglementaire en matière d’IA dans la recherche. Bien que cette loi concerne d’autres sujets comme la procréation médicalement assistée, elle fixe un cadre légal et éthique à l’application de l’IA dans le domaine de la santé et de la recherche médicale.

    Pour qualifier l’intelligence artificielle, la loi parle de « l’utilisation par un professionnel de santé d’un dispositif médical comportant un traitement de données algorithmique dont l’apprentissage a été réalisé à partir de données massives dans le cadre d’un acte de prévention, de diagnostic ou de soin ». Cette définition fait référence aux technologies appelées couramment « machine learning » et exclut donc les autres systèmes basés sur des règles ou des arbres décisionnels.

    Pour le patient : l’informer

    L’article L. 4001-3, I, de la loi stipule que le professionnel de santé qui utilise un dispositif médical d’IA doit « s’assurer que la personne concernée en a été informée et qu’elle est, le cas échéant, avertie de l’interprétation qui en résulte » La technologie analyse mais le médecin reste seul décideur. Par ailleurs, le médecin est garant de l’alliance thérapeutique et maintient une relation soignant soigné qui ne peut être substituée par la technologie.

    Pour le médecin : comprendre l’IA

    Le professionnel de santé qui utilise un dispositif médical d’IA doit être en mesure d’en comprendre le fonctionnement, d’où l’intérêt d’une règlementation au regard de la transparence algorithmique et d’un impératif de formation. Cet élément renforce l’esprit de la loi qui est de garantir un « regard humain » sur les modalités du protocole de recherche.

    En Europe, le RGPD et l’AI Act

    Le RGPD (Règlement général de protection des données) est un texte réglementaire européen qui encadre le traitement des données de manière égalitaire sur tout le territoire de l’Union européenne. En France, la CNIL veille au respect de la réglementation du RGPD, en contrôlant et en sanctionnant les usages douteux des données.

    L’article 4-15 du RGPD définit les données de la santé comme « les données à caractère personnel relatives à la santé physique ou mentale d’une personne physique, y compris la prestation de soins de santé, qui révèlent des informations sur l’état de santé de cette personne ».

    Bien que les données de santé soient considérées comme des informations sensibles, le RGPD pose des conditions d’usage dont le respect est nécessaire pour mener des recherches. Le consentement (libre, éclairé, univoque et spécifique) du patient en fait partie. Des exceptions sont faites pour les catégories de données qui impliquent la préservation des intérêts vitaux de la personne, la gestion des systèmes de santé globaux, ou bien la prévention en santé publique.

    Le RGPD impose aux acteurs qui stockent et utilisent un volume important de données, comme les EDSH, d’avoir un référent interne (un DPO par exemple), de tenir un registre des traitements, et de réaliser une analyse d’impact des risques relatifs aux données de santé. Le patient a un droit d’accès, de modification et de récupération des ses données personnelles.

    A venir : la loi européenne sur l’intelligence artificielle 

    L’AI Act, ou loi sur l’intelligence artificielle est une réglementation européenne, entrée en vigueur en mars 2024, qui vise à classifier les dispositifs d’intelligence artificielle en fonction du risque qu’elles engendrent (minime, limité, élevée et inacceptable). Les dispositifs pour la recherche médicale basés sur l’IA sont concernés, et sont classifiés comme “risqués”.

    Les obligations devraient être ; un enregistrement des activités, une information transparente pour les utilisateurs et l’assurance d’une surveillance humaine.

    Dans une logique similaire au marquage CE, les développeurs de solutions d’IA pour la santé devront se mettre en conformité avec les critères imposés par l’AI Act. Un formulaire développé par Future of Life Institute, disponible sur le site EU Artificial Intelligence Act permet de vérifier la conformité de son projet grâce à un questionnaire précis. Le formulaire indique ensuite les obligations auxquelles sont soumis les systèmes d’IA, ainsi que des références documentaires (exemple ci-dessous).

    Un organe de contrôle aura la charge, dans chaque pays, de s’assurer du bon respect de cette réglementation. L’entrée en vigueur du texte est prévue pour 2026.

    Une réglementation en adaptation

    Les projets de recherche font déjà l’objet d’un d’examen scientifique et éthique complet. Les effets des technologies d’intelligence artificielle ne sont pas encore totalement connus. Mais la réglementation autour de ces solutions, appliquées au domaine de la recherche médicale, couvre plusieurs usages et imposent des obligations claires (transparence, gestion des données, maintien de l’alliance thérapeutique). Ce cadre doit évoluer pour mettre à jour l’arsenal juridique existant en fonction des avancées de l’IA. Des questions sensibles se posent, notamment en cas d’erreur médicale commise dans le cadre d’un programme de recherche impliquant l’IA ; qui est responsable ?

    A l’avenir, la loi européenne sur l’intelligence artificielle complétera la stricte réglementation en place sur la gestion des données et sur la transparence, en analysant cette fois les outils d’intelligence artificielle en détail.

     

  • Recherche médicale : dynamique, plan de rénovation et apports de l’IA… (Etat des lieux)

    Une recherche clinique qui s’essouffle en France

    Avec ses 48 médicaments mis sur le marché entre 2017 et 2022, la France arrive au sixième rang des pays européens producteurs de médicaments, loin derrière l’Allemagne et ses 122 médicaments. Pourtant, les Français ont besoin de médicaments et la rupture constatée de 4 925 médicaments – développés par la plupart par des entreprises étrangères – en 2023 et signalé par l’Agence nationale de sécurité du médicament et des produits de santé (ANSM) le prouve. Mais depuis la sortie de la pandémie de Covid-19 qui avait permis une explosion de la recherche clinique en France, cette recherche a retrouvé son niveau d’avant-crise qui n’est pas fameux : loin derrière les Etats-Unis qui représentent plus de 40 % des dépôts de brevets de produits pharmaceutiques, la France stagne avec ses 5 % depuis 2006.

    Pour découvrir un médicament, il faut qu’il y ait la découverte préalable d’une protéine responsable d’une maladie, comme le cancer du sein par exemple, que les chercheurs vont tenter de comprendre pour savoir si une simulation ou un blocage de cette protéine peut avoir comme impact l’atténuation ou la guérison de cette maladie. Mais pour provoquer cette réaction, les chercheurs doivent parfois tester plusieurs centaines de milliers voire des millions de substances, ce qui demande un temps considérable.

    Conséquence d’une baisse du nombre d’essais cliniques :

    Mais alors pourquoi la France est en retard au niveau européen et mondial si la recherche est difficile pour tous les chercheurs du monde ? Parce qu’après avoir découverts des molécules susceptibles d’avoir un impact sur une pathologie, les chercheurs créés des candidats médicaments qui vont subir tout un tas de tests pour vérifier leur efficacité. Et dans ce qu’on appelle la recherche clinique, l’Europe n’est qu’au 3eme rang mondial derrière les Etats-Unis et la Chine selon les derniers chiffres communiqués par le Leem et la France arrive à la troisième place au niveau européen, continent où l’Espagne se distingue comme étant le seul pays a n’avoir pas subi de baisse au niveau de la recherche en 2023.

    La France est pourtant le pays leader en termes d’études menées sur la recherche clinique en Europe, mais lorsqu’on regarde les chiffres des études cliniques, ces dernières sont en baisse de 9 % entre 2022 et 2023, passant ainsi de 1467 à 1345 malgré une augmentation de 10 % des études académiques. Pour que la France reste dans la course avec l’Espagne et les plus pays les plus impliqués dans la recherche au niveau mondial, le Leem conseille aux chercheurs d’augmenter de 25 % leur participation aux essais multinationaux et d’accélérer le démarrage des études cliniques.

    👉 Pour aller plus loin sur la question des essais cliniques, Health & Tech a récemment publié un indicateur concernant les essais cliniques décentralisés qu’il est possible de consulter en cliquant sur ce lien.

    Un plan de rénovation demandé par le Gouvernement

    Et le Leem n’est pas le seul a avoir émis des recommandations pour faire progresser la recherche clinique. À la demande du Président de la République, Emmanuel Macron, qui avait déclaré en mai 2023 à l’Institut Curie “le moment est venu de travailler à une recherche biomédicale plus unifiée, plus efficace, pour permettre à la France de retrouver une place de premier plan dans la compétition internationale”, les ministres de l’Enseignement Supérieur et de la Recherche, de la Santé et de la Prévention et de l’Industrie, ont demandé à Anne-Marie Armanteras et Manuel Tunon de Lara de proposer un plan de rénovation de la recherche biomédicale.

    Après avoir confirmé l’essoufflement de la recherche biomédicale dans l’Hexagone et rappelé que les anciennes initiatives qui ont tenté de régler ce problème, comme l’initiative Aviesan, n’ont pas réussi à réorganiser le système du pilotage de la recherche biomédicale et de l’innovation en France, Anne-Marie Armanteras et Manuel Tunon de Lara ont proposé, dans un rapport publié en mai 2024, un plan en six étapes qui permettra à la France d’avoir des ensembles universitaires forts et des moyens financiers importants dédiés à cette recherche :

    • 1️⃣ faire évoluer l’Inserm vers une agence de programmation et de financement de la recherche biomédicale ;
    • 2️⃣ construire une véritable politique de site contractuelle de la recherche biomédicale ;
    • 3️⃣ combler notre retard dans le financement public et privé de la recherche biomédicale ;
    • 4️⃣ repenser les conditions d’exercice et la carrière des hospitalo-universitaires ;
    • 5️⃣ anticiper et accompagner les mutations à venir dans la recherche chez l’homme et dans les populations dans le cadre de la révolution numérique ;
    • 6️⃣ répondre à l’accélération de la dynamique d’innovation dans le domaine biomédical.

    L’opportunité d’accélération par l’IA

    De la découverte d’une molécule d’intérêt thérapeutique à la mise sur le marché d’un médicament, le tout en passant par les phases pré-clinique et clinique de son développement et son test sur l’homme et sur l’animal, il s’écoule généralement une quinzaine d’années, rapporte l’Institut national de la santé et de la recherche médical (Inserm).  Au cours de ces 15 ans, l’investissement consacré pour le développement de ce candidat médicament est d’environ 2,4 milliards d’euros, en sachant que la majorité des candidats médicaments n’aboutissent pas à une mise sur le marché ou son retirer du marché en cas de constatation d’effets secondaires trop nombreux sur les patients. Cela représente donc une énorme perte d’argent et de temps pour les laboratoires et les entreprises pharmaceutiques, qui ont pourtant à coeur de découvrir de nouveaux traitements pour des maladies chroniques qui se répandent plus qu’hier, à cause notamment du vieillissement de la population, ainsi que pour des maladies plus rares comme certains types de cancers qui n’ont pour le moment pas de traitement.

    C’est alors que l’intelligence artificielle (IA) intervient. Des algorithmes de plus en plus performants, tels que ceux permettant le machine learning ou le traitement du langage naturel (NLP), arrivent désormais à traiter des millions de données, de créer des molécules à vitesse grand V et de tester leur efficacité sur les pathologies de manière artificielle avant de lancer des essais sur l’homme ou sur l’animal. Concrètement, certaines IA vont combiner des données pour proposer plusieurs candidats médicaments, quand d’autres vont reproduire le jumeau numérique de la protéine responsable de la maladie, ainsi que le ceux des candidats médicaments pour tester virtuellement la réaction du candidat médicament sur la maladie.

    Aucun médicament découvert par l’IA encore mis sur le marché :

    Si l’utilisation de l’IA dans la recherche clinique et dans la découverte de médicament semble intéressante parce qu’elle permet de réaliser en quelques heures voire quelques jours, le travail qu’un chercheur met plusieurs années à faire, à savoir la découverte de candidats médicaments grâce à la combinaison de molécules, aucun médicament découvert par l’IA n’a été encore mis sur le marché. Pour aller plus loin que cela, aucun de ces candidats médicaments n’a fait l’objet d’essais cliniques pour le moment dans le monde.

    Mais le Franco-américain Owkin a annoncé à la fin du mois de juin 2024 avoir obtenu un accord de licence mondial exclusif avec Idorsia Pharmaceuticals pour exploiter et commercialiser le double inhibiteur OKN4395, qui permet le développement de la biologie EP2/EP4 perturbe de manière significative la connectivité des cellules T au sein du microenvironnement tumoral (TME) par des mécanismes directs et indirects. Avant une potentielle mise sur le marché, ce double inhibiteur fera l’objet d’essais cliniques de phase 1 au premier trimestre de l’année 2025 pour démontrer son efficacité auprès des patients : une grande première.

     

  • Une évolution exponentielle des études sur l’usage de l’IA dans la découverte des médicaments (revue bibliographique)

    Plus de 3 000 études publiées en 2025 ?

    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 AI4DD
    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)
    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?

    Crouzet, A.; Lopez, N.; Riss Yaw, B.; Lepelletier, Y.; Demange, L.

    Molecules 2024, 29, 2716. https://doi.org/10.3390/molecules29122716

     

  • Insuffisance cardiaque : le programme de télésurveillance Satelia Cardio est associé à une baisse de 36% de la mortalité

    Un programme de télésurveillance personnalisé

    Satelia cardio est un programme de télésurveillance et de prévention basé sur les données de poids et de symptômes fournies par les patients. Il propose également une interface téléphonique pour les patients qui ne sont pas à l’aise avec les outils numériques. Selon les premières données réelles présentées en janvier par la start-up française Satelia, les patients suivis par ce dispositif montrent un risque réduit d’hospitalisation.

    Les informations recueillies permettent de déterminer un niveau de risque associé à un code couleur, communiqué au cardiologue : risque faible (vert), état cardiaque probablement en dégradation (orange) et état cardiaque probablement décompensé (rouge). En cas d’alerte orange ou rouge, le médecin peut ajuster le traitement en conséquence et avancer un rendez-vous prévu ultérieurement si nécessaire. L’algorithme de télésuivi a démontré une capacité à identifier l’absence de décompensation avec une valeur prédictive négative de 99,4%, selon une étude publiée en mai 2023 dans le Journal of Cardiology and Cardiovascular Medicine.

    Une étude menée sur 4 ans démontrant la baisse de la mortalité

    L’étude de cohorte nationale TELESAT-HF, présentée lors de la session Late-breaking Clinical Trials, a été menée entre août 2018 et décembre 2022 auprès de patients suivis dans plus de 300 centres français publics et privés, avec un score NYHA II ou supérieur et un taux élevé de BNP ou NT-proBNP, ou ayant été hospitalisés pour décompensation d’insuffisance cardiaque dans les 12 mois précédents.

    En tout, 5 357 patients suivis avec le programme de télésurveillance Satelia Cardio ont été comparés à 13 525 patients témoins, recevant des soins standards sans télésuivi, identifiés à partir du système national des données de santé (SNDS) et appariés en fonction d’un score de propension. La mortalité toutes causes confondues a été significativement réduite de 36%  après 30 mois de suivi. L’effet était plus marqué chez les patients utilisant le suivi téléphonique, avec une réduction de la mortalité de 46%, contre une diminution de 33% chez ceux utilisant l’application.

    Plusieurs questions restent en suspends :

    • pourquoi les courbes de survie des deux groupes divergent-elles si tôt
    • la meilleure survie des patients suivis par téléphone pourrait-elle être due à l’impact des appels infirmiers plutôt qu’à l’application seule ?

    Ces résultats arrivent à point nommé, alors que les États-Unis affichent des résultats préoccupants en matière d’insuffisance cardiaque, avec une mortalité en hausse depuis une dizaine d’années, a-t-elle conclu.

  • Téléconsultation : Amazon diversifie les offres de One Medical en y intégrant son service Amazon Clinic

    Plusieurs services sur une seule plateforme

    Lancé en novembre 2022, le service Amazon Clinic est une plateforme qui permet à tout citoyen américain d’avoir accès à un médecin pour une consultation concernant un “problème de santé courant” – comme une infection rénale, une conjonctivite ou des problèmes érectiles – à tout moment (24 heures sur 14 et 7 jours sur 7) à partir du site web ou de l’application d’Amazon. Ces consultations peuvent s’effectuer par le biais d’une discussion instantanée ou par visioconférence (cette option est uniquement disponible dans 34 États pour le moment). Ses services ont été entendus en octobre 2023 : depuis cette date, la plateforme permet aux patients d’être traités pour plus de 35 pathologies courantes, “telles que les allergies, l’acné et la perte de cheveux”.

    Afin de permettre à ses clients de disposer de plusieurs offres de soins au sein de la même plateforme, Amazon a décidé, le 27 juin 2024, d’intégrer Amazon Clinic à sa plateforme One Medical, qui propose elle aussi des téléconsultations, ainsi que des consultations en présentiel, qui sont accessibles au travers d’un abonnement mensuel. Suite à cette intégration, le géant américain a décidé de modifier le nom de son offre Amazon Clinic et la relier au nom One Medical en l’appelant “Amazon One Medical Pay-per-visit“, se différenciant ainsi de l’offre One Medical classique disponible uniquement sous la forme d’un abonnement.

    Pour rappel, la société de Jeff Bezos a racheté One Medical pour 3,9 milliards de dollars (environ 36 millions d’euros) en 2022 pour faire du géant de la tech un acteur important de la téléconsultation aux États-Unis.

    Le choix entre le paiement à la consultation ou par abonnement

    Outre l’aspect “avec abonnement” et “sans abonnement”, les deux offres se distinguent par le fait qu’avec le forfait One Medical, le patient peut réserver un rendez-vous avec un médecin qui est salarié par Amazon et qui exerce de chez lui ou d’un cabinet One Medical, alors que l’Amazon One Medical Pay-per-visit est une plateforme qui se veut être un comparateur d’offre de télémédecine. Concrètement, ce service va relier plusieurs plateformes de télémédecine partenaires afin de permettre aux patients de choisir celui qui leur convient le mieux en fonction de leur budget ou de leurs pathologies et/ou symptômes, mais ces médecins ne sont pas salariés par Amazon, qui se charge juste de relier le patient et la plateforme.

    Désormais, Amazon offre au patient la possibilité de prendre un abonnement annuel ou mensuel pour avoir accès à un médecin à tout moment, ou de choisir de payer pour une consultation de manière ponctuelle, chose qui était jusqu’alors impossible puisque les deux services étaient dissociés l’un de l’autre. Si les abonnements mensuel (9 $) ou annuel (99 $) apparaissent plus intéressant que le prix par consultation, à savoir 29 $ pour une consultation par message et 49 $ pour une téléconsultation, le service Amazon One Medical Pay-per-visit permet aux patients d’avoir accès à une multitude de médecins qui sont compétents pour le traitement d’un plus large éventail de pathologies que ceux de One Medical. 

    Une offre qui ne s’arrête pas à la téléconsultation

    En plus de permettre aux patients de faire le choix entre le paiement à l’abonnement ou à la téléconsultation, la plateforme de One Medical offre aussi le service Amazon Pharmacy qui permet aux clients Amazon de se faire livrer le contenu de leur ordonnance à leur domicile. Cette initiative a pour objectif de faciliter les clients dans la prise de leur traitement et ne pas s’arrêter à la simple consultation à distance ou en présentiel avec un médecin.

    Si le service Amazon Pharmacy est payant, le géant américain propose aux patients, avec les consultations sur la plateforme One Medical, de se faire livrer leur médicament gratuitement dans une pharmacie du groupe Amazon ou de recevoir le contenu de leur ordonnance dans une autre pharmacie, contre paiement de la livraison.

     

  • Santé mentale : accélérer le développement des dispositifs médicaux innovants (plan Grand Défi DM numériques)

    Un enjeu de santé publique

    Selon Santé publique France, les troubles mentaux représentent le premier poste de dépense de l’Assurance maladie. Dépression, anxiété, pensées suicidaires sont en augmentation depuis 2021. Les analyses de données de surveillance (en provenance des urgences hospitalières du réseau OSCOUR, ainsi que SOS Médecins) et des baromètres de Santé publique France vont dans le même sens ; la santé mentale des Français se dégrade, surtout chez les adolescents et les jeunes adultes.

    En 2023 : les troubles mentaux en progression.

    • 20,8% des 18 – 24 ans sont concernés par la dépression, contre 11,7% en 2021;
    • 9,5% des jeunes de 17 ans sont concernés par des symptômes anxiodépressifs sévères, contre 4,7% en 2021.

    Les jeunes se soucient moins de leur bien-être psychologique, avec 35 % d’entre eux affirmant ne pas prendre soin de leur santé mentale. Cette situation est principalement due à un sentiment d’impuissance : 32 % ne savent pas comment s’y prendre et 25 % estiment en être incapables. En résumé, ils pensent ne pas pouvoir agir sur leur état. De plus, le coût constitue également un obstacle pour certains.

    Un plan pour déployer les dispositifs médicaux numériques en santé mentale

    Les 153 acteurs du secteur auditionnés, ainsi que le comité d’experts du Grand Défi DM numériques, ont formulé le diagnostic suivant : l’offre en matière de santé mentale n’est pas adaptée aux besoins croissants de la population. La santé mentale constitue un enjeu majeur de santé publique.

    C’est dans ce contexte que le Conseil du numérique en santé a présenté, le 18 juin, son plan d’action intitulé “Grand Défi DM numériques en santé mentale”. Ce programme s’inscrit dans le plan “Dispositifs médicaux innovants 2030” et vise à soutenir l’émergence des technologies de santé numériques au service de la santé mentale et de la psychiatrie. Le plan couvre la prévention, la prise en charge et le suivi médical, aussi bien pour les patients que pour les professionnels de santé, ainsi que les aidants.

    Le Plan DM, intégré au plan Innovation Santé 2030, finance des dispositifs médicaux sur le territoire français. L’objectif est double : améliorer l’état de santé de la population et participer à la réindustrialisation de la France en finançant des projets de développement industriel.

    Le plan “Grand défi DM en santé mentale” s’articule autour de quatre points :

    • innovation et recherche sur les dispositifs médicaux numériques en psychiatrie;
    • évaluation de l’intérêt des DMN en santé mentale et psychiatrie;
    • intégration des DMN dans les usages médicaux;
    • formation et sensibilisation aux DMN pour les patients et professionnels de santé.

    Des investissements insuffisants dans la téléconsultation en psychiatrie

    La téléconsultation s’est développée pendant la crise du COVID. Les consultations en psychiatrie arrivent en deuxième position sur l’ensemble du volume des téléconsultations (derrière la médecine générale). Cependant, les établissements de psychiatrie n’investissent pas suffisamment dans les nouvelles technologies de santé (1,6% en moyenne dans le numérique). L’objectif est de pallier cette insuffisance. Sachant que la téléconsultation est un bon point d’entrée pour un patient qui envisage un suivi thérapeutique. Elle est également efficace pour de premières consultations (déstigmatisation), et permet, en complément d’un suivi en présentiel, de limiter les risques d’une rupture dans les soins.

    Une démarche transverse

    Ce plan s’intègre dans la feuille de route “Santé mentale et psychiatrie“ du Ministère de la santé. Le développement des dispositifs médicaux numériques participe aux objectifs de cette feuille de route, qui met l’accent sur la transversalité entre les parties prenantes, la prévention, l’inclusion et une meilleure intégration des risques numériques comme la surexposition aux écrans ou le cyberharcèlement.

    Pour ce faire, le plan d’action Grand Défi DM numériques en santé mentale appuie la recherche et accélère le développement et la mise sur le marché des dispositifs médicaux pertinents au regard de la santé mentale.

  • Gen IA : une vision centrée sur l’humain et le respect des données comme principes directeurs du rapport de AI for Health

    De nombreux défis nécessaires à une généralisation de la Gen IA

    L’intelligence artificielle générative (Gen IA) en santé est devenue une réalité que toutes les parties doivent appréhender, qu’il s’agisse des patients, des médecins, des laboratoires pharmaceutiques ou encore des entreprises du secteur : c’est ce qu’explique AI for health (Artefact) dans son rapport sur la Gen IA en santé. En 2023, cette technologie a pris un essor considérable dans beaucoup de secteur, notamment celui de la santé avec des algorithmes créés spécifiquement pour cela. De Nabla à Nvidia, la Gen IA peut être utilisée pour la prise de notes, pour la découverte de médicaments ou encore pour la réponse de questions médicales.

    Mais si la GEN IA possède un potentiel immense et peut avoir un énorme impact dans la promulgation des soins, la société parisienne explique dans son rapport qu’il y a encore de nombreux défis à relever et qu’il convient d’utiliser cette technologie avec précaution et sécurité. Les principaux défis concernant la protection des données, la mise en place d’une législation solide, ainsi que l’acculturation des professionnels par le biais de formations.

    Maintenir l’humain au centre de cette transformation

    IA for Health et toutes les personnes qui ont contribué à l’élaboration de ce rapport – dont Emmanuel Bacry, Stéphanie Allassonnière et Thomas Clozel – insiste sur le fait que l’intégration de l’IA générative dans la santé ne doit pas uniquement passer par des changements au niveau du système de soins, des secteurs médical ou biomédical, mais que cette transformation doit toucher plus largement l’humain.

    Le rapport indique que “les humains doivent être au centre des processus décisionnels [et doivent] être dotés des outils et des capacités nécessaires pour exercer un contrôle et prendre des décisions éclairées, [car] l’objectif principal de l’IA dans le domaine de la santé est de responsabiliser l’écosystème médical, en garantissant que la technologie sert de catalyseur à l’expertise humaine plutôt que de la remplacer”.

    5 clés pour mettre la Gen IA au service de la santé

    Après avoir parlé de l’impact que la Gen IA a eu depuis son utilisation dans le secteur de la santé et l’avènement de ChatGPT d’OpenAI en fin d’année 2022 – notamment avec la création d’algorithmes propres au secteur tel que BioNeMo de Nvidia ou encore le dernière IA médicale de Google, Med-Gemini (voir article H&TI ici) – , le rapport propose 5 clés pour mettre cette technologie au service de la santé :

    • 1️⃣ mettre en place des cadres juridiques solides : le document souligne le besoin urgent de cadres juridiques et réglementaires solides pour protéger la confidentialité, la sécurité et l’intégrité des données de santé utilisées pour alimenter les algorithmes d’IA générative ;
    • 2️⃣ mettre en place des outils de confidentialité innovants : le rapport souligne aussi l’importance de développer des outils innovants pour assurer la confidentialité et la sécurité des données de santé et des modèles d’IA générative ;
    • 3️⃣ surmonter le défi d’explicabilité : alors que l’explicabilité du processus de prise de décision de l’IA, en particulier pour les grands modèles de langage (LLM), reste un obstacle important aujourd’hui, il est nécessaire de remédier à cela avant une plus large adoption de cette technologie ;
    • 4️⃣ permettre une meilleure accessibilité des données et mettre en place des formations : les performances des modèles d’IA générative reposant fortement sur l’accessibilité des données, il est important qu’un accès contrôlé et éthique à ces données soit facilité. De plus, le rapport indique que l’acculturation des données et la formation des professionnels de santé sont cruciales pour une meilleure utilisation de la Gen IA et pour qu’ils puissent comprendre tous les risques associés à cette utilisation ;
    • 5️⃣ mettre en place une transformation qui doit être centrée sur l’humain : le rapport souligne que la Gen IA doit être mise au service de l’humain pour aider les patients, les médecins, découvrir de nouvelles thérapies et ne doit pas être pensée avant tout comme un outil de performance qui permettrait uniquement de générer du profit grâce à une optimisation du temps ou à la vente de logiciel.

  • Étude : un dépistage du cancer du sein plus précoce avec l’introduction de l’IA (Radiology)

    L’IA au service de l’imagerie de demain… et d’aujourd’hui

    « Nous, médecins radiologues, sommes convaincus de l’importance de l’intelligence artificielle (IA) pour l’imagerie de demain… » Telle est la certitude d’un collectif de radiologues qui a signé une tribune dans Le Monde en avril dernier. Selon ces derniers, « l’introduction de l’IA dans le système français de dépistage pourrait augmenter le nombre de cancers détectés sans augmenter le nombre de faux positifs, sous réserve que l’IA soit combinée à un lecteur expert de niveau L2 au minimum. »

    C’est globalement le scénario testé par des chercheurs danois. Ils ont comparé deux groupes de 119 000 femmes âgées de 50 à 69 ans qui ont subi une mammographie de dépistage dans la région de la capitale du Danemark. Le premier groupe a été dépisté entre octobre 2020 et novembre 2021 sans l’utilisation de l’IA. Le deuxième groupe a été dépisté entre novembre 2021 et octobre 2022 grâce à la combinaison de radiologues et de l’IA.

    Le Danemark a déjà fait le choix de l’IA pour le dépistage du cancer du sein

    Au Danemark, toutes les femmes âgées de 50 à 69 ans se voient offrir un dépistage du cancer du sein tous les deux ans. Et celles qui ont déjà subi une chirurgie du cancer du sein se voient offrir des mammographies jusqu’à l’âge de 79 ans. En tout, des dizaines de milliers de radiographies sont donc désormais examinées chaque année par l’intelligence artificielle. Ce dispositif représente évidemment une grande charge de travail pour les radiologues. Le but de l’étude était donc d’évaluer la pertinence du déploiement de l’IA dans la région de Copenhague sur près de trois ans.

    Les résultats de cette étude ont été publiés le 4 juin dans le journal Radiology.

    Résultats : des tumeurs plus petites détectées grâce à l’IA

    • Avant l’introduction de l’IA, les radiologues détectaient en moyenne 70 cas de cancer du sein pour 10 000 dépistages.
    • Depuis sa mise en œuvre, l’IA a permis aux radiologues de trouver 82 femmes atteintes de cancer du sein sur 10 000, soit une augmentation de 12 cas pour 10 000 dépistages.
    • L’IA a permis un dépistage plus précoce puisque la proportion de petites tumeurs détectées avec l’aide de l’IA était de 44,93 % contre 36,60 % avant l’introduction de l’IA.
    • Les dépistages assistés par l’IA ont réduit les faux positifs (1,63 % contre 2,39 %).
    • La charge de travail des radiologues a été réduite de 33,4 % grâce à l’intelligence artificielle. La double lecture n’est plus automatique puisque le système de dépistage par IA sélectionne environ 70 % des mammographies à faible risque, qui sont ensuite lues par un seul radiologue spécialiste du sein.

    À la question « L’intelligence artificielle peut-elle être utilisée pour aider à détecter le cancer du sein ? La réponse est un « oui » sans équivoque, estiment les auteurs d’une nouvelle étude de l’Université de Copenhague et du programme de dépistage du cancer du sein de la région de la capitale du Danemark. « Le nombre de tumeurs trouvées et leur taille sont des facteurs cruciaux qui ont vraiment un impact sur les chances de guérison de ces femmes », a expliqué le Dr Ilse Vejborg, médecin-chef et responsable du programme de dépistage mammographique de la région de la capitale au Danemark.

    Enfin, les chercheurs danois insistent sur le fait que le résultat final est toujours décidé par des radiologues spécialistes du sein. Et quand il y a désaccord, les deux radiologues spécialistes du sein se réunissent pour une discussion de consensus ou font appel à un troisième radiologue spécialiste du sein expérimenté pour aider à prendre une décision finale. L’IA n’a jamais le dernier mot !

     

    *Early Indicators of the Impact of Using AI in Mammography Screening for Breast Cancer

    Andreas D. Lauritzen, Martin Lillholm, Elsebeth Lynge, Mads Nielsen, Nico Karssemeijer, Ilse Vejborg, and Linda Moy

    Radiology 2024 311:3