Pourquoi l'utilisation de l'intelligence artificielle dans les essais cliniques est devenue la nouvelle norme

En 1994, le Dr Kevin Hughes et ses collègues ont voulu tester un traitement pour le cancer du sein à un stade précoce chez les femmes âgées. Même si environ 40 000 femmes aux États-Unis pouvaient se qualifier pour cet essai chaque année, il a fallu cinq ans à Hughes et à son équipe pour recruter 636 participantes.

Quelque temps plus tard, la Mayo Clinic planifiait une autre étude portant sur le cancer du sein. Les chercheurs se sont appuyés sur Watson d'IBM pour l'appariement des patients dans les essais cliniques basés sur l'intelligence artificielle (IA) et ont signalé une augmentation de 80 % des inscriptions mensuelles. Si le Dr Hughes avait eu accès à une telle technologie, il aurait recruté suffisamment de participants plus tôt.

Aujourd'hui, les laboratoires pharmaceutiques bénéficient de services de développement d'IA en santé pour faciliter la planification et l'exécution de leurs études cliniques. Le marché mondial des fournisseurs de solutions d'essais cliniques basés sur l'IA est en hausse. Il était évalué à 1,3 milliard de dollars en 2021 et devrait croître à un TCAC de 22 % de 2022 à 2030.

Alors, que peut faire d'autre l'IA au profit des essais cliniques ? Et à quels défis votre organisation pourrait-elle s'attendre sur le chemin de la mise en œuvre de la technologie ?

Pourquoi l'industrie pharmaceutique a besoin d'une nouvelle approche des essais cliniques

Des études montrent que les essais cliniques de nouveaux médicaments durent en moyenne neuf ans et coûtent environ 1,3 milliard de dollars. Le coût des essais cliniques ratés, quant à lui, varie entre 800 millions de dollars et 1,4 milliard de dollars. Et le fait que 90 % de tous les médicaments échouent aux essais cliniques ne fait que compliquer les choses.

Dans les essais cliniques traditionnels, les médecins et les chercheurs recherchent manuellement les participants, et les patients doivent être physiquement présents pour s'inscrire et subir une évaluation. Le traitement a également lieu sur place par le biais de visites programmées. Cela reste une approche sûre pour développer de nouveaux remèdes. Cependant, il est lent et manque de la flexibilité nécessaire pour composer des thérapies complexes et répondre aux besoins de segments de population plus petits et souvent hétérogènes.

De plus, cette approche n'a pas la capacité d'intégrer et de traiter les données des hôpitaux, des centres de recherche, des cabinets privés et des domiciles des patients. Les chercheurs auraient du mal à recruter des participants et demanderaient aux patients de se rendre sur les sites d'essai pour des examens et une surveillance systématiques de l'état, ce qui pourrait augmenter les risques d'abandon des patients.

L'intelligence artificielle et ses sous-types peuvent aider à résoudre ces problèmes.

Comment l'IA peut-elle moderniser les essais cliniques ?

L'IA peut intégrer des données provenant de plusieurs sources, y compris des dossiers de santé électroniques (DSE), des documents de recherche, des informations sur des essais cliniques antérieurs et des études de cas médicaux spéciaux. Il peut également gérer le flux continu de données provenant de dispositifs médicaux personnels.

La technologie des essais cliniques basée sur l'IA peut agréger, nettoyer, traiter, gérer et visualiser toutes ces informations d'une manière qui aide les cliniciens à comprendre une maladie donnée et le potentiel qu'offrent différents composés chimiques pour la contrer. Alors que l'analyse prédictive dans les soins de santé aide à prévoir comment les patients peuvent réagir aux remèdes proposés.

L'accès rapide aux informations dérivées de toutes ces informations permettra aux chercheurs de prendre rapidement des décisions plus éclairées. Voici comment l'IA peut bénéficier à différents aspects des essais cliniques.

L'intelligence artificielle dans les essais cliniques : top 5 des applications

L'intelligence artificielle présente de nombreux avantages dans le secteur de la santé. Par exemple, depuis que la pandémie a frappé, la pharmacie a largement utilisé l'IA pour accélérer les essais cliniques de candidats vaccins potentiels contre la COVID-19.

Il existe cinq applications majeures de l'IA dans les essais cliniques. La technologie:

• Aide à concevoir des essais cliniques
• Facilite le recrutement des participants
• Prend en charge la sélection du site d'essai
• Surveille l'adhésion des participants
• Aide à la collecte et à l'analyse des données d'essais cliniques

1. L'IA aide à concevoir des essais cliniques

La recherche montre qu'une mauvaise conception des essais cliniques peut empêcher un médicament potentiellement efficace de démontrer son efficacité, gaspillant toutes les ressources consacrées au développement de ce médicament.

Mais la conception d'études cliniques est un défi car les sociétés pharmaceutiques doivent examiner de grandes quantités de données, dont 80 % sont non structurées et difficiles à analyser. L'IA pour les essais cliniques peut aider à agréger et à traiter toutes ces données et à trouver des modèles utiles. Par exemple, il peut dériver les bons protocoles réglementaires, stratégies et modèles de recrutement de patients adaptés au pays de l'essai. L'IA peut également aider à identifier le meilleur moment pour mener l'étude.

Cela se traduira par moins d'amendements au protocole, d'abandons de patients et de violations de la réglementation. Le Tufts Center for the Study of Drug Development a constaté qu'un amendement substantiel au protocole peut prolonger un essai de trois mois et coûter entre 140 000 $ et 530 000 $ selon la phase de l'essai.

2. L'IA facilite le recrutement des participants aux essais cliniques

Il existe trois principaux problèmes liés aux patients qui entravent les essais cliniques.

1. Recherche de patients candidats

Traditionnellement, les patients peuvent entendre parler d'essais pertinents auprès de leur médecin ou effectuer des recherches dans une base de données correspondante, comme le registre national américain des études cliniques. Ces sources ne sont pas suffisantes, car les médecins ne sont pas au courant de tous les essais en cours et les patients peuvent trouver accablant de parcourir les sites Web gouvernementaux, en particulier compte tenu de leur diagnostic récent.

L'amélioration des essais cliniques avec l'IA permet de passer au crible les données des patients, telles que le DSE et l'imagerie médicale, pour comparer les caractéristiques des patients aux critères d'éligibilité de l'étude afin d'identifier les bonnes personnes pour cet essai particulier. L'IA est suffisamment puissante pour sélectionner un ensemble homogène de participants, ce qui est difficile avec les méthodes conventionnelles.

Une startup d'IA Deep Lens utilise sa vaste base de données d'études en oncologie pour recruter des patients pour des essais. La startup peut mettre en relation des personnes nouvellement diagnostiquées avec un cancer et accélérer leur inscription à des essais. Alors que 23andMe, une société de génétique personnelle basée en Californie, propose des études cliniques à ses clients en fonction de leur constitution génétique.

2. Abandon des patients

La recherche montre qu'environ 30 % des participants ont tendance à abandonner les essais cliniques. Cela entraîne une augmentation des dépenses et du temps nécessaire pour terminer l'étude. Recruter un patient pour un essai clinique coûte en moyenne 6 500 $, tandis que remplacer un patient alors que l'essai est déjà en cours coûte encore plus cher. Nous pouvons résoudre ces deux problèmes avec une sélection rigoureuse des patients.

Comme mentionné dans le point précédent ci-dessus, l'IA étudie les données des patients et peut aller au-delà des critères d'admission de l'étude, minimisant ainsi les futurs abandons.

3. Évaluation des patients

Les candidats participants doivent passer par des évaluations pour s'assurer qu'ils répondent aux critères d'inclusion, ce qui exige leur présence physique. Et selon leur emplacement et la flexibilité de leur travail, ils pourraient ne pas être en mesure de visiter les installations de l'essai dans le temps imparti. L'IA peut rationaliser le déploiement de la technologie portable, permettant aux patients de passer certaines évaluations à domicile. Ensuite, les algorithmes d'apprentissage automatique peuvent agréger et analyser les données.

Par exemple, une startup médicale TytoCare propose des outils d'examen connectés et des applications mobiles sous-jacentes qui permettent aux patients de capturer des mesures de leurs poumons, cœur, peau, gorge, etc. et de les envoyer aux cliniciens.

3. L'IA soutient la sélection des sites d'essais cliniques

L'IA peut analyser les données sur les médecins, les patients et les conditions climatiques disponibles à différents endroits géographiques et les visualiser sur une carte, ce qui aide les sociétés pharmaceutiques à sélectionner un site d'investigation avec le plus grand potentiel.

Un exemple d'utilisation de l'intelligence artificielle dans la sélection de sites vient d'Innoplexus. Cette société d'IA d'essais cliniques aide les entreprises pharmaceutiques à concevoir et à préparer des études grâce à sa technologie de comparateur d'essais cliniques. Il propose des tableaux de bord pour visualiser les informations qui aident à hiérarchiser les sites pour les études cliniques prospectives, y compris la proximité des essais cliniques concurrents, la géographie et la population candidate. Innoplexus a également développé un tableau de bord personnalisé alimenté par l'IA avec des filtres qui permettent à ses clients d'intégrer des données tierces et de définir des seuils et des mesures pour leurs propres critères de sélection de site.

4. L'IA surveille l'adhésion des participants aux essais cliniques

La non-observance des médicaments est assez fréquente. Des études indiquent que 50% des Américains ne prennent pas leurs médicaments chroniques à long terme comme indiqué. Et selon l'Organisation mondiale de la santé, l'adhésion aux médicaments peut avoir un impact encore plus important que le traitement lui-même.

Dans les essais cliniques, le processus de suivi manuel de l'observance des médicaments est sujet aux erreurs, car il repose sur la mémoire des patients. Et les médecins utilisent souvent des systèmes d'enregistrement peu fiables, comme un stylo et du papier, ce qui peut entraîner une perte d'informations.

Le déploiement de dispositifs portables avec l'IA des essais cliniques permet aux chercheurs de surveiller les actions des patients grâce à la capture automatisée de données au lieu d'attendre les rapports manuels des patients. Par exemple, AiCure, l'une des principales sociétés d'essais cliniques d'IA, a développé un assistant médical interactif qui peut repérer les patients à risque de non-observance. Cette technologie permet également aux patients de prendre une vidéo d'eux-mêmes en train d'avaler une pilule comme preuve qu'ils l'ont réellement fait. L'assistant peut identifier le bon patient et la pilule, confirmant l'adhésion au médecin responsable.

Pour motiver les patients et encourager l'observance, optimise.health a conçu un flacon de médicament intelligent pris en charge par une application mobile. Cette technologie rappelle aux patients quand il est temps de prendre leurs médicaments, suit leur dosage et fournit du matériel éducatif. Il peut également communiquer avec les cliniciens pour signaler les commentaires des patients.

5. L'IA aide à la collecte et à l'analyse des données des essais cliniques

Les essais cliniques consomment et génèrent des quantités massives de données. Chaque participant générerait des informations excessives, telles que des données d'adhésion, des signes vitaux et toute autre rétroaction intermédiaire. L'IA peut les agréger, les analyser et les présenter aux cliniciens dans un format lisible.

De plus, avec l'aide d'appareils IoT médicaux et de l'Internet des corps, les cliniciens peuvent surveiller les patients à leur domicile en temps réel. Cela signifie traiter quotidiennement de grandes quantités de données. L'IA peut prendre en charge cette tâche et repérer et signaler toute détérioration de l'état des patients, garantissant ainsi leur bien-être et minimisant les abandons.

Un autre avantage intéressant est que les algorithmes d'apprentissage automatique peuvent identifier des cohortes de patients au sein d'un parcours qui méritent une enquête plus approfondie. Par exemple, si l'essai ne semble pas donner les résultats escomptés, l'IA peut identifier les participants présentant des conditions spécifiques qui semblent bénéficier du médicament ou du traitement étudié pour les sous-essais.

Quelques mots sur les enjeux de l'utilisation de l'IA dans les essais cliniques

Manque d'interopérabilité des données médicales

Malgré les efforts déployés pour unifier les données médicales, il existe encore de multiples normes informatiques de santé et l'interopérabilité des données de santé reste un défi. Il est donc difficile d'intégrer les informations sur les patients provenant d'organisations médicales qui utilisent différents logiciels de DSE. Sans oublier que certains médecins se fient encore aux notes manuscrites.

Même si les opérations de l'IA sont entravées par un manque d'interopérabilité, la technologie peut également aider à surmonter ce problème. Les modèles basés sur le traitement du langage naturel (PNL) peuvent extraire des données cliniques, telles que des symptômes et des diagnostics provenant de diverses sources hétérogènes, et agréger ces informations dans la base de données des essais au lieu de normaliser les dossiers de santé et d'autres sources.

Un exemple est Deep 6 AI, qui utilise la PNL pour analyser divers systèmes EHR. La société était évaluée à 140 millions de dollars lors de sa dernière levée de fonds.

Cependant, le travail des algorithmes de PNL n'est pas si simple car il n'y a pas de terminologie unifiée que les médecins utilisent pour exprimer le même concept. Par exemple, certains médecins qualifient une crise cardiaque d'"infarctus du myocarde" ou d'"infarctus du myocarde", tandis que d'autres notent simplement "IM". Par conséquent, les modèles d'IA des essais cliniques doivent être équipés pour reconnaître toutes ces variations.

Défis liés à l'IA

L'IA a ses difficultés spécifiques qu'elle apporte dans tous les domaines où elle est appliquée. Si vous souhaitez en savoir plus sur l'IA, consultez notre article récent sur les défis de mise en œuvre de l'IA et combien coûte l'IA.

Voici deux des défis les plus pertinents que l'intelligence artificielle apporte aux essais cliniques :

Entraînement des algorithmes d'apprentissage automatique

À l'heure actuelle, il n'existe toujours pas de solution de remplacement fiable et entièrement automatisée pour le processus d'annotation manuelle des données requis pour entraîner les modèles d'intelligence artificielle utilisés dans les essais cliniques. Cette tâche prend du temps et les résultats sont souvent adaptés aux prestataires de soins de santé individuels ou à des maladies spécifiques.

"À l'heure actuelle, il n'existe pas de moteur de PNL qui prend les notes cliniques écrites par n'importe quel médecin et peut comprendre ce que disent les notes", a déclaré Noemie Elhadad, informaticienne biomédicale à l'Université de Columbia, soulignant la réutilisation limitée des modèles de PNL formés. .

Biais de l'IA et nécessité d'évaluations constantes

L'IA peut développer un biais si l'ensemble de données d'entraînement n'est pas représentatif de la population réelle, car la généralisabilité du modèle dépend de la diversité qu'il a vue pendant l'entraînement. Par exemple, des modèles mal formés peuvent fausser les suggestions de sites pour les essais cliniques ou peuvent donner de mauvais résultats sur les patients à la peau plus foncée.

Même les algorithmes bien entraînés peuvent acquérir des biais en continuant à apprendre sur le tas. Par conséquent, il est important de mener des audits indépendants en temps opportun pour détecter tout comportement inapproprié et l'éliminer.

"L'IA est un produit médical vivant qui doit être constamment modifié et recalibré", déclare le Dr Leo Anthony Celi, chercheur principal au Massachusetts Institute of Technology. Il pense que l'IA et l'apprentissage automatique dans les essais cliniques doivent être considérés comme des produits distincts, indépendants des dispositifs médicaux avec lesquels la technologie est utilisée. Par conséquent, les solutions basées sur l'IA doivent être évaluées indépendamment et fréquemment.

L'avenir des essais cliniques basés sur l'IA

Accenture prévoit trois vagues d'amélioration dans les essais cliniques traditionnels, dont certaines prendront beaucoup de temps à mûrir.

1. La première vague apportera une amélioration significative de l'efficacité des essais grâce aux technologies émergentes, telles que la réalité augmentée (AR), et l'accès aux données des patients en temps réel, que l'IA aidera à maintenir et à analyser. AR a déjà plusieurs applications dans le secteur de la santé, et la société de conseil est particulièrement optimiste pour l'utilisation AR et VR dans le suivi de l'observance des patients.
2. La deuxième vague implique que les sentiers deviendront virtuels. Cela signifie que les chercheurs pourraient compter sur des agents numériques alimentés par l'IA pour recruter des patients, vérifier leur admissibilité, obtenir un consentement formel et effectuer des tâches liées à l'intégration. Il y aura des référentiels de données décentralisés avec une sécurité élevée et une sensibilisation à la propriété. Les patients seront pleinement propriétaires de leurs données et les partageront avec les cliniciens à leurs conditions.
3. Dans la troisième vague , les essais seront menés sans aucun risque pour les patients, car les algorithmes d'IA modéliseront les résultats cliniques. L'automatisation complète des essais cliniques avec l'intelligence artificielle est encore loin dans le futur, mais nous avons déjà été témoins de tentatives de tests in vitro basés sur l'IA.

Une société de biotechnologie spécialisée dans la technologie des organes sur puce a contacté ITRex pour l'aider à construire une plate-forme de modélisation de maladies in vitro et de tests de médicaments dans le cadre d'essais cliniques. Cette technologie repose sur des puces avec des cellules microfluidiques qui imitent les organes humains. Notre équipe a aidé à développer un logiciel IoT intégré pour la plate-forme d'organes sur puce, ainsi que des logiciels frontaux et principaux pour la conception, la gestion et l'analyse de données d'essais.

La solution innovante d'IA pour les essais cliniques qui en a résulté a été adoptée par plus de 100 laboratoires, y compris les plus grandes sociétés pharmaceutiques américaines, et les a aidés à accélérer le développement de médicaments et à réduire les coûts.

Même si certaines prédictions d'Accenture semblent futuristes, vous pouvez déjà commencer dès aujourd'hui à intégrer l'intelligence artificielle dans les essais cliniques. Vous pouvez vous tourner vers l'IA pour les sociétés de conseil en essais cliniques afin de rationaliser le recrutement des patients, de surveiller l'observance, d'analyser et de visualiser les données cliniques et de rendre les patients à l'aise avec le suivi interne grâce aux appareils portables.

De plus, vous pouvez déployer l'IA pour automatiser la maintenance des matériels biologiques utilisés lors des essais. Ces solutions d'IA peuvent être formées pour prendre des décisions éclairées sur comment et quand diviser les cellules, par exemple. Cela montre que l'implication de l'IA dans les essais cliniques ne se limite pas aux applications mentionnées dans cet article. Si vous avez quelque chose de différent en tête, n'hésitez pas à nous contacter.

Enthousiasmé par la perspective d'accélérer vos essais cliniques avec l'IA ? Écrivez-nous! Notre équipe vous aidera à créer/déployer des appareils portables connectés pour recueillir les données des patients et à mettre en œuvre des outils d'analyse basés sur l'IA pour les traiter et les visualiser.

Publié à l'origine sur https://itrexgroup.com le 12 août 2022.