Articles

Dans 2 nouvelles études, des algorithmes ont été développés pour identifier les patients à risque de contracter le VIH et susceptibles de bénéficier d’une prophylaxie pré-exposition (Prep), un traitement préventif qui permet d’empêcher l’infection. Les algorithmes de prédiction automatisée utilisent des données des dossiers de santé électroniques. Les résultats de ces études* sont parues le 5 juillet 2019 dans The Lancet HIV.

Le traitement préventif du VIH trop peu prescrit

La prophylaxie pré-exposition (Prep), qui consiste à prendre des comprimés pour éviter de contracter le virus du sida, représente un progrès indéniable. Selon des études menées en France, ce traitement a une efficacité de 100 %. Elle s’adresse à des personnes encore non infectées mais à risque de contracter le virus parce qu’elles n’utilisent pas systématiquement un préservatif pendant leurs rapports.

Bien que très efficaces, la Prep n’est encore que peu prescrite. Aux États-Unis, près de 40 000 nouvelles infections à VIH sont enregistrées chaque année mais les Centers for Disease Control and Prevention prévoient que 7 % seulement des 1,1 million de personnes présentant un risque important d’infection par le VIH ont utilisé la pilule antirétrovirale en 2016.

La principale difficulté est d’identifier les personnes à risque qui devraient prendre la prophylaxie pré-exposition. Les médecins peinent à les repérer parce qu’ils ont souvent peu de temps, peu de connaissances sur la sexualité et une formation insuffisante pour apprendre à parler de sexualité ou de toxicomanie avec leurs patients.

Des algorithmes pour repérer les candidats à la Prep

Afin de contourner cet obstacle, des chercheurs américains ont développé des algorithmes de prévision du risque d’infection par le VIH. 2 études ont été menées, l’une en Californie qui utilisait les données les dossiers médicaux de 3,7 millions de patients et une autre dans le Massachusetts qui reposait sur une population de 1,1 million de patients.

L’équipe a construit son modèle sur 180 facteurs prédictifs potentiels du risque de VIH, notamment des diagnostics, des tests et des résultats de laboratoire ainsi que des ordonnances pour des maladies sexuellement transmissibles. Ensuite, ils ont validé le modèle en utilisant les données de 2016 afin de voir si les modèles fonctionneraient dans un nouvel environnement avec des taux plus élevés de nouvelles infections à VIH.

Dans l’autre étude, des données telles que le comportement sexuel à haut risque, la fréquence de dépistage du VIH et des IST ainsi que les diagnostics et les traitements des IST ont été pris en compte.

Les résultats de ces travaux ont été publiés le 5 juillet 2019 dans The Lancet HIV.

Résultats : des occasions manquées de prévention

• Lors des études de validation, l’algorithme de prédiction a permis de faire la distinction avec une grande précision entre les patients qui n’ont pas contracté le VIH et les patients qui n’ont pas reçu une ordonnance de prophylaxie pré-exposition.
• De nombreuses occasions manquées de prescrire de la Prep ont été repérées. Par exemple, plus de 9 500 personnes dans l’ensemble de données de 2016 présentaient des scores de risque particulièrement élevés tirés de l’algorithme de prédiction et n’avaient pas reçu de Prep.
• Pour près de 40 % des nouveaux cas de VIH, les médecins auraient pu recevoir des alertes afin de proposer une prophylaxie pré-exposition car ils étaient dans les 2 % de scores de risque les plus élevés.
• Dans la 2ème étude, le modèle a identifié 2 % de la population de patients en tant que candidats potentiels à la Prep et 46 % des cas de VIH chez les hommes mais aucun chez les femmes.

Des outils imparfaits mais utiles pour aider les médecins

« Bien que les outils de prédiction du risque soient imparfaits et ne puissent remplacer le jugement clinique de prestataires qualifiés, notre modèle pourrait être plus efficace que les efforts d’identification des candidats à la Prep dans la pratique actuelle, déclare Douglas Krakower, de la Harvard Medical School, co-auteur de l’une des 2 études. L’intégration d’algorithmes de dépistage automatique dans les dossiers médicaux électroniques pourrait aider les cliniciens à identifier les patients susceptibles de bénéficier davantage de la [prophylaxie pré-exposition], et leur donnerait la possibilité de prescrire la Prep plus fréquemment. »

Ces modèles offrent donc aux cliniciens un nouvel outil important pour réduire les nouvelles infections à VIH. Des recherches doivent maintenant être menées pour améliorer le développement de ces modèles prédictifs et découvrir les meilleurs moyens de les intégrer aux systèmes de santé afin d’améliorer l’utilisation de la prophylaxie pré-exposition et de prévenir les infections par le VIH.

Artificial Insight (groupe Fealinx) a lancé début 2019 une plateforme d’algorithmes d’intelligence artificielle à destination du monde médical. Créée en 2018, la société a pour ambition de faciliter l’accès des médecins aux dernières avancées technologiques pour le diagnostic médical de précision, explique Bruno Virieux, son directeur général adjoint (DGA).

Dans un entretien accordé à Health & Tech Intelligence, il explique en détail la vision de l’entreprise, qui conçoit, développe et commercialise des algorithmes d’intelligence artificielle pour le secteur de la santé. Les clients d’Artificial Insight sont plus précisément l’industrie pharmaceutique et les acteurs du soin, tels que les hôpitaux, les cliniques et les cabinets de radiologie de ville.

L’offre de la société passe par la mise à disposition d’une plateforme cloud, l’Artificial Insight Store, qui propose des outils d’aide à la décision pour les médecins et d’autres clients (industriels). Le catalogue est composé d’algorithmes développés par la société elle-même et par des fournisseurs externes sélectionnés, comme Pixyl (neurologie) et Casis (cardiologie). L’accès aux algorithmes est facile, basé sur un vocabulaire simple, réalisé en un seul clic, indique Bruno Virieux : « On sollicite un algorithme clairement défini et on lance l’application comme on le ferait pour une appli sur un smartphone ».

Le groupe Fealinx a un passé de 20 ans dans le numérique et de 10 ans dans la santé. Il repose sur une équipe de 75 personnes, essentiellement des développeurs, des data scientists et des datas managers. Impliqué dans la recherche collaborative et l’innovation, Artificial Insight est membre des différents pôles de compétitivité liés à ses lieux d’implantation (Lyonbiopôle, Medicen Paris Région et Atlanpole).

Une offre structurée autour de grandes pathologies :

L’activité santé s’est structurée autour de grands projets portés par 4 grandes aires cliniques (grandes thématiques de santé publique) :

• des solutions disponibles en ligne :
  • la neurologie, les pathologies neurodégénératives ;
  • le cardio-vasculaire ;
• des solutions en développement et à venir :
  • l’oncologie ;
  • l’orthopédie (avec un focus sur les pathologies du genou, qui représentent 50 millions de patients potentiels en Europe, des pathologies de plus en plus fréquentes du fait du vieillissement de la population, du surpoids, de la traumatologie, des sports à risques et de fait un marché intéressant pour les industriels…).

Au début, l’activité a été portée par des études cliniques avec de grands académiques (AP-HP, CHU de Bordeaux…) et des industriels comme Sanofi et Servier. Ces projets ont la particularité de s’inclure dans un univers compétitif et collaboratif en un même temps.

Artificial Insight (Fealinx) est impliqué dans différents grands projets de recherche collaboratifs, type RHU et PSPC.

En ce qui concerne les RHU, deux projets viennent d’être gagnés (4ième vague des RHU) :

• le projet Shiva, mené par le Pr Sophie Debette et l’université de Bordeaux, qui a pour objectif de prévenir et stopper le déclin cognitif et la démence (liés aux maladies des petites artères cérébrales). Une approche multi « omiques »* mobilise les compétences de Artificial insight ;
• le programme Psycare du Pr Marie-Odile Krebs, du centre hospitalier Sainte-Anne, pour une psychiatrie préventive et personnalisée (avec un focus sur la schizophrénie). Un des objectifs sur lequel Artificial Insight est mobilisé est l’utilisation de signaux faibles (réseaux sociaux) pour identifier des facteurs de risques.

Présentation de l’Artificial Insight Store :

Modèle économique : les industriels font vivre la structure pour l’instant

Actuellement, les industriels font vivre la structure mais les applications s’intégrant dans la routine clinique sont appelées à devenir un marché important, note Bruno Virieux.

Une activité grands industriels

Les prestations pour les grands industriels s’inscrivent dans le cadre d’études cliniques, l’utilisation de cohortes et la mise à disposition d’algorithmes. Ces acteurs sont issus :

• de l’industrie pharmaceutique, comme Sanofi et Servier ;
• de l’industrie du DM, comme Tornier-Wright (fabriquant de prothèses avec un besoin de grosses capacités d’images pour les post traitements et la segmentation, maillage d’éléments finis pour « adapter » au patient la prothèse existante).

À propos des algorithmes co-développés avec de grands industriels (projets collaboratifs), il est envisagé de tester un modèle de plateforme en copropriété permettant la mise en vente de la solution, indique le directeur général adjoint d’Artificial Insight.

Un marché en devenir : les professionnels de santé

En ce qui concerne l’offre spécifique pour les professionnels de santé, le marché est en train de se constituer et est identifié comme porteur d’avenir. Des discussions sont en cours à ce sujet à la DGOS (forfait innovation), précise Bruno Virieux.

Il ajoute que le modèle financier est basé sur la vente de l’algorithme à la pièce (pay per use) : un médecin-un algorithme-un usage. Actuellement, il n’est pas proposé d’abonnement, complète-t-il. Le prix varie de quelques euros à 50 euros par utilisation de l’algorithme.

Certains hôpitaux de taille petite et moyenne, en tension en ce qui concerne les équipes médicales et disposant d’une capacité à financer de nouvelles technologies, sont très intéressés par cette offre qui s’avère attractive pour leurs professionnels, note le responsable de la société.

Vers une uniformisation des pratiques ?

L’objectif est de pouvoir, pour un patient donné, lier au sein des solutions portées par l’IA :

• l’identification de la pathologie ;
• le diagnostic ;
• les préconisations ;
• la conduite à tenir.

Ce marché et ces solutions vont se généraliser, avec comme conséquences une perspective d’uniformisation des pratiques. Cela doit conduire à de nouvelles offres de l’industrie pharmaceutique : l’algorithme compagnon (identification de la maladie), les solutions de suivi du patient et des phases de rémission.

Les freins sont actuellement financiers (remboursement) et psychologiques, indique Bruno Virieux.

Zoom : le projet Pacific

Le projet Pacific est un projet financé dans le cadre d’un PSPC adressant l’insuffisance cardiaque à fraction d’éjection conservée, une pathologie concernant 1 million de français et coûtant un milliard d’euros par an à la sécurité sociale.

L’insuffisance cardiaque à fraction d’éjection conservée correspond à un ensemble de maladies mal connues ou mal identifiées. L’IA non supervisée à mettre en œuvre pourra identifier des sous-groupes de patients qui relèvent de pathologies différentes. Cela permet de comprendre l’origine de la maladie et de proposer des traitements adaptés, et donc à l’industrie pharmaceutique de repositionner ses molécules.

2 ans et demi de travaux ont été nécessaires pour la conception du projet qui rassemble des acteurs académiques (AP-HP, Inserm, Université Paris-Sorbonne…), et des industriels (Sanofi, Servier, Bioserenity, Casis, Fealinx (Artificial Insight) et Firalis). Artificial Insight est en charge des deux lots adressant le data management et la data science.

les résultats attendus reposent sur des solutions pertinentes pour les patients, avec de nouveaux produits à proposer pour l’industrie pharmaceutique comme des algorithmes compagnons pour définir les sous-groupes des patients.

Avec d’autres industriels de la pharma, des approches similaires et des discussions sont en cours sur l’immunothérapie.

Les données :

L’enjeu repose sur les données. Plateforme by design, un système complexe de gestion de données (very large base et non pas big data), Artificial Insight utilise des données hétérogènes :

• des données omiques ;
• d’imagerie médicale ;
• des questionnaires ;
• des données tabulaires CSV (chiffres) ;
• quelques données d’objets (DM) connectés, comme celles remontées par les t-shirts de Bioserenity.

L’ensemble repose sur une palette d’ontologies qui s’enrichit au fur et à mesure, précise Bruno Virieux.

Le tout est basé sur des technologies en mode « graphe » : pas de base de données traditionnelle mais une organisation en chaîne ou en graphe. Dans ce contexte, l’interconnexion des données peut être étendu à l’infini et répondre aux attentes les plus complexes.

Il est à noter qu’un data scientist passe 80 % de son temps à s’assurer de la qualité des données.

Un vaccin contre la grippe saisonnière mis au point avec l’aide de l’intelligence artificielle (IA) par des scientifiques de l’université Flinders (Adélaïde, Australie-Méridionale) est sur le point d’être testé dans le cadre d’essais cliniques menés à travers les États-Unis. Parrainée par l’Institut national des maladies allergiques et infectieuses (National Institute of Allergy and Infectious Diseases), qui fait partie des instituts nationaux de la santé des États-Unis, cette étude clinique américaine durera environ un an et vise à recruter 240 volontaires en bonne santé.

La technologie de ce vaccin antigrippal, développée par une équipe dirigée par Nikolai Petrovsky, professeur et directeur de la recherche sur les vaccins à Flinders, est présentée comme le premier médicament humain à être entièrement conçu par IA.

L’équipe de l’université australienne a plus précisément créé le programme « Search Algorithm for Ligands » (SAM, « algorithme de recherche pour les ligands »). La technologie à la base du vaccin utilise des adjuvants, substances qui renforcent la réponse immunitaire de l’organisme à un vaccin.
Le travail des chercheurs a confirmé « le fait que SAM avait non seulement la capacité d’identifier de bons médicaments mais avait en fait mis au point de meilleurs médicaments immunitaires pour l’Homme que ceux qui existent actuellement », commente Nikolai Petrovsky dans une interview accordé à Healthcare IT News et publiée le 4 juillet 2019.

2 programmes pour générer et analyser les composés chimiques

Dans le cadre de ce projet, l’équipe de l’université Flinders a fait connaître au programme d’intelligence artificielle (IA) un ensemble de composés connus pour activer le système immunitaire humain ainsi qu’un ensemble de composés qui ne fonctionnaient pas, explique Nikolai Petrovsky (source : Healthcare IT News).

Le travail de l’IA a consisté à déterminer seul ce qui distingue un médicament qui fonctionne d’un médicament qui ne fonctionne pas.

Nikolai Petrovsky indique que les chercheurs ont mis au point un autre programme, appelé « the synthetic chemist » (« chimiste de synthèse »). Ce dernier génère des milliards de composés chimiques différents, envoyés ensuite à SAM pour qu’il les examine afin de trouver des candidats qui, selon lui, pourraient être de bons médicaments immunitaires humains.

« SAM a mis au point de meilleurs médicaments immunitaires pour l’Homme que ceux qui existent actuellement »

« Nous avons ensuite pris les meilleurs candidats fournis par SAM, les avons synthétisés pour la première fois au laboratoire et les avons testés sur des cellules sanguines humaines pour voir s’ils fonctionneraient, indique-t-il. Cela a confirmé le fait que SAM avait non seulement la capacité d’identifier de bons médicaments mais avait en fait mis au point de meilleurs médicaments immunitaires pour l’Homme que ceux qui existent actuellement. »

L’équipe a ensuite mis au point ces médicaments créés par SAM par le biais de tests réalisés sur des animaux animaux pour confirmer leur capacité à renforcer l’efficacité du vaccin antigrippal.

Le processus de découverte et de développement de médicaments réduit « de plusieurs décennies et de centaines de millions de dollars »

Le candidat qui a émergé de ce travail fait l’objet d’essais cliniques aux États, « quelques années seulement après sa création par SAM, raccourcissant de plusieurs décennies et de centaines de millions de dollars le processus normal de découverte et de développement de médicaments », commente Nikolai Petrovsky.

Principal obstacle : le scepticisme des autres scientifiques

Le chercheur note que le principal obstacle à ce projet pourrait être le scepticisme de ses collègues scientifiques et de certains organismes subventionnaires locaux sur le fait que cette approche fonctionne réellement.

« Nous avons eu plus de quatre ans d’avance sur nous-mêmes »

« Notamment dans la proposition de subvention initiale, nous avions cinq ans pour que le système fonctionne et présenter quelques candidats initiaux, explique-t-il. Au lieu de cela, l’IA [s’est avérée] si puissante que nous avions déjà notre dernier candidat-médicament au cours de la première année suivant l’octroi de la subvention. Nous avons donc eu plus de quatre ans d’avance sur nous-mêmes. »

Il a prédit que l’IA serait le véhicule par lequel la grande majorité des médicaments du futur serait créée.

« Ce n’est qu’une question de temps, commente le scientifique. Nous avons montré qu’en utilisant une telle approche, nous pouvons analyser 10 puissance 18 composés potentiels en quelques semaines. Cela est incompréhensible même pour une grande société pharmaceutique qui pourrait être en mesure de cribler plusieurs centaines de milliers de composés par an avec des centaines de personnes. »