Les entreprises pharmaceutiques intègrent l’IA dans les essais cliniques et les opérations de développement de médicaments
Les entreprises pharmaceutiques déploient l’IA et l’apprentissage automatique pour accélérer les essais cliniques, optimiser les processus réglementaires et renforcer la découverte de médicaments. En automatisant des tâches à forte intensité de main-d’œuvre et en exploitant des données du monde réel, elles visent à réduire les coûts — souvent de 2 à 3 milliards de dollars par thérapie — et à raccourcir des délais de développement qui dépassent fréquemment une décennie.
Le développement de médicaments est devenu trop coûteux et trop lent pour s’appuyer sur des flux de travail manuels, alors que le coût de mise sur le marché d’une seule thérapie grimpe à plusieurs milliards et que les délais d’approbation s’étendent sur une décennie ou plus. En réponse, les entreprises pharmaceutiques remodèlent leurs modèles opérationnels autour de l’intelligence artificielle. En intégrant l’apprentissage automatique (machine learning) dans l’exécution des essais et l’infrastructure de conformité, les laboratoires ciblent les goulets d’étranglement les plus coûteux et les plus sujets à l’échec dans la manière dont les thérapies sont testées, examinées et, au final, mises sur le marché.
Les grands groupes pharmaceutiques déploient des outils d’IA pour accélérer les essais cliniques et les soumissions réglementaires en identifiant des patients éligibles à partir de dossiers de santé fragmentés, en optimisant la sélection des sites d’essai, en prédisant les risques d’abandon et même en générant des premières ébauches de dépôts réglementaires pour des agences comme la U.S. Food and Drug Administration. Avec des coûts de développement qui dépassent régulièrement 2 milliards à 3 milliards de dollars par thérapie et des calendriers qui s’étirent sur plus d’une décennie, les inefficacités dans les essais et les processus réglementaires représentent à la fois des risques financiers et des risques pour la santé humaine.
Les essais cliniques demeurent l’une des phases les plus coûteuses et les plus lentes du développement de médicaments. L’IA est appliquée à des points de douleur de longue date tels que le recrutement des patients, leur rétention et la surveillance de la sécurité. Les autorités réglementaires reçoivent de plus en plus de données de santé structurées et non structurées — telles que les dossiers de santé électroniques et l’imagerie — que les méthodes traditionnelles peinent à harmoniser. Les modèles d’IA peuvent ingérer ces types de données hétérogènes afin d’établir des profils d’éligibilité plus précis et de prédire le risque d’abandon, répondant ainsi à deux des facteurs prédictifs les plus forts de l’échec d’un essai.
Les algorithmes d’apprentissage automatique peuvent analyser des données d’imagerie et des preuves issues du monde réel afin de faire émerger des signaux de sécurité plus tôt que les méthodes conventionnelles, permettant des stratégies proactives d’atténuation des risques. Ces informations prédictives peuvent orienter à la fois l’exécution et la stratégie réglementaire. Les entreprises explorent l’IA générative pour rédiger des rapports d’études cliniques et des parties des dossiers de soumission réglementaire, une tâche qui, historiquement, impliquait des milliers d’heures de compilation et de révision manuelles. L’objectif n’est pas de remplacer les experts humains, mais de réduire le travail répétitif et d’accélérer les délais de soumission sans sacrifier la rigueur.
L’activité de recherche clinique PPD de Thermo Fisher Scientific s’est associée à Datavant dans le cadre d’un projet visant à améliorer la connexion entre les données du monde réel et la recherche clinique. L’initiative se concentre sur la liaison sécurisée des données — en mettant l’accent sur la préservation de la confidentialité des patients — et sur la garantie de leur interopérabilité, ainsi que sur l’amélioration des analyses afin de soutenir une conception d’étude plus efficiente et une génération de preuves plus rapide tout au long du cycle de vie de la recherche. L’alliance combinera les plateformes d’essais cliniques et de registres de patients de PPD avec la technologie de tokenisation de Datavant, qui désidentifie les données des patients et permet d’intégrer de manière sécurisée des informations issues des dossiers de santé électroniques.
L’application de l’IA au développement de médicaments n’a pas commencé avec les essais ; elle a débuté au stade de la découverte. Les outils de chimie computationnelle qui aidaient autrefois les chimistes dans la modélisation et la simulation deviennent de plus en plus autonomes. L’IA prend désormais en charge chaque étape de la découverte de médicaments, de la sélection des cibles à l’optimisation, en utilisant la reconnaissance de motifs pour proposer des candidats viables bien plus rapidement que les méthodes traditionnelles fondées sur le laboratoire.
Les acteurs de la Big Tech et du matériel entrent dans ces flux de travail, brouillant les frontières entre l’IT et les sciences de la vie. Nvidia et Eli Lilly ont annoncé un laboratoire de co-innovation pour dynamiser la découverte de médicaments. Le bras de recherche de Google utilise également les modèles d’IA Gemma pour la découverte de thérapies anticancéreuses, montrant comment les grands modèles de langage et les modèles génératifs peuvent analyser des voies biologiques et proposer de nouvelles hypothèses thérapeutiques.
L’IA n’est plus une aide computationnelle de niche en R&D précoce. Elle devient un écosystème opérationnel de bout en bout qui soutient la sélection des patients, la surveillance de la sécurité, la génération de documentation, la logistique des essais et l’interaction avec les autorités réglementaires.