L’IA en santé confrontée à l’épreuve décisive des tests chez l’humain
Les entreprises d’IA en santé multiplient les promesses, mais beaucoup n’ont encore mis aucun traitement sur le marché. Selon l’article, la véritable preuve de valeur reste la démonstration que les résultats de l’IA fonctionnent chez l’humain, malgré des essais longs, coûteux et complexes.
Les entreprises d’IA en santé continuent d’avancer des affirmations ambitieuses, mais la plupart n’ont pas encore abouti à un médicament ayant fonctionné chez l’humain. Isomorphic n’a mis aucun traitement sur le marché, Lila non plus, et Anthropic a récemment acquis la startup discrète Coefficient Bio pour 400 millions de dollars.
L’article soutient qu’il n’existe qu’un seul véritable test pour toute IA en santé : fonctionne-t-elle chez l’humain ? Pour tester un nouveau traitement, il faut le faire passer par un essai clinique de phase 3. Cela représente généralement 10 ans et 2 milliards de dollars. Pour tester un outil diagnostique, il faut démontrer un bénéfice clinique, réussir une évaluation rigoureuse par un tiers, et mettre en place un système complet de gestion de la qualité avant même que le produit soit autorisé en clinique. Mettre au jour et démontrer de nouveaux mécanismes de la biologie humaine peut demander des décennies d’expérimentation scientifique.
Des entreprises comme Insilico Medicine et Recursion font progresser vers les essais cliniques des actifs découverts par l’IA. Chez Owkin, OKN4395 est entré dans l’essai clinique INVOKE de phase 1a. L’entreprise a également indiqué avoir entraîné son IA pendant des années sur des données réelles de patients et avoir fait passer MSIntuit CRC par le marquage CE européen jusqu’à son utilisation en anatomopathologie.
L’article indique que les données en cours provenant des patients participant à l’essai INVOKE sont utilisées pour améliorer l’IA. Lorsque les prédictions sur la réponse des patients se révélaient inexactes, l’IA était réentraînée sur des données réelles afin d’en améliorer les performances. Il ajoute que des modèles entraînés sur des données patients riches, des organoïdes dérivés de patients, et l’usage clinique courant peuvent rapprocher les prédictions des modèles de la réalité, mais qu’aucune IA de découverte de médicaments, de conception d’essais, de diagnostic ou d’usage clinique ne peut réussir sans démontrer que les résultats de l’IA fonctionnent chez l’humain.