Les essais cliniques sont devenus la phase la plus coûteuse et la plus chronophage du développement de médicaments, représentant entre 60 et 70 % des dépenses totales. Le processus de mise sur le marché d’un nouveau médicament peut s’étendre sur sept à quinze ans, avec moins de 12 % des médicaments entrant en essais cliniques qui obtiennent finalement une approbation. Cela crée un goulot d’étranglement menaçant à la fois la rentabilité de l’industrie pharmaceutique et l’innovation dans le domaine de la santé mondiale. La nécessité de rendre les essais cliniques plus intelligents, plus rapides et plus efficaces n’a jamais été aussi pressante.
Erik Terjesen, directeur général chez Silicon Foundry, suggère que la clé pour résoudre ce problème ne réside pas dans l’accélération de la découverte de molécules, mais dans la réinvention des méthodes de test des médicaments. Il se concentre sur l’aide aux leaders pharmaceutiques pour s’associer avec des startups axées sur l’IA qui révolutionnent le processus des essais cliniques, y compris par le biais de simulations virtuelles de patients, de conceptions d’essais adaptatifs et d’une supervision en temps réel.
Bien que l’IA ait été saluée pour son rôle dans la découverte de médicaments, le véritable goulot d’étranglement se trouve dans les essais cliniques. Le recrutement, la collecte de données, la conformité et la rétention des patients entraînent souvent des retards coûteux. L’IA peut relever ces défis en identifiant les sites d’essais idéaux, en prédisant l’abandon des patients et en signalant les anomalies de données avant qu’elles n’affectent la validité de l’étude.
Une innovation prometteuse est le jumeau numérique : des modèles virtuels de patients créés à partir de données du monde réel. Ces simulations reproduisent la physiologie, la génétique et l’historique médical d’un patient, permettant aux chercheurs de tester des hypothèses sans risque pour les patients réels. Les jumeaux numériques peuvent modéliser les interactions médicamenteuses, prédire les effets secondaires et optimiser les stratégies de dosage avant le début d’un essai. En réalisant des milliers de simulations, ils peuvent réduire le nombre de participants physiques nécessaires, raccourcir les délais et diminuer les coûts.
L’IA transforme également la conception et le suivi des essais. Les systèmes adaptatifs basés sur l’IA peuvent analyser les données en direct des études en cours, suggérant des ajustements des critères d’inscription, des niveaux de dosage ou des points de terminaison. Cette adaptabilité en temps réel peut améliorer la sécurité des patients et augmenter les taux de succès des essais en identifiant rapidement les patients réactifs.
Cependant, l’intégration de l’IA dans les essais cliniques fait face à des défis, tels que la fragmentation des données médicales et les obstacles réglementaires. Les données sont souvent dispersées entre diverses entités, nécessitant une coordination massive pour leur intégration. Les organismes de réglementation comme la FDA sont prudemment optimistes quant à l’IA, mais les modèles doivent démontrer transparence et performance constante pour influencer les décisions des essais.
