Un chercheur reçoit un appel urgent : un patient vient de signaler une réaction inattendue à un traitement expérimental lors d’un essai clinique. Face à l’urgence, le chercheur pourrait passer des heures, voire des jours, à éplucher manuellement des piles de données médicales, des dossiers de patients, et des résultats de tests antérieurs pour trouver une explication. Mais cette fois, il se tourne vers une plateforme d’intelligence artificielle (IA) multimodale. En quelques secondes, l’IA lui fournit une analyse approfondie : elle identifie non seulement l’incident en question, mais aussi des schémas similaires observés dans des essais cliniques passés, tout en proposant des pistes d’ajustement au protocole de traitement. Ce niveau de rapidité et de précision est révolutionnaire. Là où l’erreur humaine et le temps perdu auraient autrefois retardé la prise de décision, l’IA multimodale intervient pour offrir des solutions immédiates et ciblées. Ce qui était autrefois une vision futuriste devient désormais une pratique courante grâce à l’essor de l’IA multimodale dans les essais cliniques.

Recrutement et gestion des Patients

L’un des plus grands défis des essais cliniques réside dans le recrutement des patients adéquats. Environ 53 % des essais cliniques échouent en phase II à cause du faible nombre de patients. Ce taux élevé d’échec est principalement dû à la difficulté de recruter un nombre suffisant de participants répondant aux critères stricts de participation et presque tous les essais dépassent les délais de recrutement prévus. Ici, l’IA multimodale entre en jeu en analysant simultanément des millions de dossiers médicaux électroniques, des historiques de recherche sur internet, et même des données issues des réseaux sociaux pour identifier les populations les plus susceptibles de répondre aux critères d’inclusion des essais, ce qui permet de cibler les efforts de recrutement plus efficacement et de réduire ces échecs liés au recrutement insuffisant.

Un groupe de chercheurs de Stanford dirigé par James Zou, spécialiste des données biomédicales, a développé un système appelé Trial Pathfinder qui analyse un ensemble d’essais cliniques achevés et évalue comment l’ajustement des critères de participation affecte les risques relatifs, ou les taux d’incidents négatifs tels que les maladies graves ou les décès parmi les patients. Ce système a été appliqué dans une à des essais cliniques pour cancer du poumon. Ils ont constaté que l’ajustement des critères suggéré par Trial Pathfinder aurait permis de doubler le nombre de patients éligibles sans augmenter le risque relatif.

Surveillance en Temps Réel

Une fois le recrutement des patients terminé, la prochaine étape cruciale est la surveillance continue de leur état de santé. Grâce à des dispositifs connectés comme les montres intelligentes et les capteurs biométriques, les données sur les signes vitaux, les niveaux d’activité sont collectés en temps réel. L’IA multimodale utilise ces données pour détecter des anomalies potentielles bien avant qu’elles ne deviennent critiques. L’Institut du cancer Dana-Farber, en collaboration avec PathAI, a mené un essai clinique utilisant l’IA multimodale pour surveiller en temps réel les patients atteints de différents types de cancers. Cette étude visait à combiner des données provenant de plusieurs modalités y compris des images pathologiques, des biomarqueurs moléculaires, et des données cliniques électroniques pour améliorer la détection précoce de la progression de la maladie et personnaliser les traitements en cours d’essai.

Optimisation des Protocoles d’Essai

L’IA multimodale ne se contente pas de surveiller, elle optimise également les protocoles d’essai en temps réel. L’IA multimodale peut analyser simultanément ces données hétérogènes pour identifier des schémas et des corrélations complexes qui ne seraient pas évidentes pour les chercheurs humains — telles que des résultats de tests sanguins, des images de biopsie, et des rapports d’imagerie médicale — L’IA peut par la suite suggérer des ajustements aux traitements en fonction des réponses individuelles des patients. Cette flexibilité dynamique permet non seulement de réduire les risques pour les patients mais aussi d’augmenter les chances de succès de l’essai clinique.

Roche, par exemple, a utilisé l’intelligence artificielle multimodale dans ses essais cliniques pour identifier de nouveaux biomarqueurs chez les patients atteints de cancers rares. Ces cancers sont souvent difficiles à traiter en raison de leur hétérogénéité biologique et de leur faible incidence, ce qui rend les essais cliniques traditionnels longs et coûteux. Pour surmonter ces défis, Roche a mis en place une stratégie combinant des technologies d’IA multimodale pour analyser les données des patients de manière plus approfondie et plus rapide que les méthodes classiques. En analysant des milliards de points de données, l’IA a pu identifier des biomarqueurs spécifiques qui indiquent comment un patient particulier pourrait répondre à une certaine thérapie. En améliorant la précision de la sélection des patients et les ajustements dynamiques des traitements, Roche a pu réduire le temps nécessaire pour parvenir à des conclusions cliniques significatives et diminuer le coût global des essais.

Prédiction et Gestion des Effets Indésirables

Les effets indésirables sont une réalité des essais cliniques. Cependant, grâce à l’IA multimodale, il devient possible de prédire ces effets avant même qu’ils ne se produisent. Lors de la réunion annuelle de l’AACR en 2022, des chercheurs, dirigés par le Dr. Bart Westerman du Cancer Center Amsterdam, ont présenté des résultats préliminaires d’un modèle d’IA capable de prédire les effets secondaires résultant de nouvelles thérapies combinées. Ce modèle, surnommé « l’atlas des effets indésirables », utilise des données multimodales provenant de la base de données FAERS de la FDA, qui contient plus de 15 millions de dossiers d’effets indésirables.

En utilisant un algorithme de réseau de neurones convolutifs, le modèle a été entraîné pour identifier des schémas d’effets indésirables et a pu différencier les effets additifs des effets synergiques des combinaisons de médicaments. Les résultats préliminaires ont montré que le modèle peut prédire avec précision les effets indésirables en clinique, bien qu’une validation supplémentaire soit nécessaire. Cette approche pourrait améliorer la gestion des risques liés aux thérapies combinées, offrant un outil prometteur pour la personnalisation des traitements en oncologie.

“Clinicians are challenged by the real-world problem that new combination therapies could lead to unpredictable outcomes,” a déclaré Bart Westerman, auteur principal de l’étude et professeur associé au Centre du cancer d’Amsterdam. “Our approach can help us understand the relationship between the effects of different drugs in relation to the disease context.”

Pourquoi l’IA Multimodale est la Clé de l’Avenir?

Réduire les Coûts et Accélérer le Temps de Mise sur le Marché

Les essais cliniques traditionnels représentent une dépense considérable pour l’industrie pharmaceutique. En moyenne, le coût d’un essai clinique de phase III dépasse les 20 millions de dollars et peut parfois atteindre plus de 100 millions, selon le domaine thérapeutique et la complexité de l’étude. L’utilisation de l’IA multimodale permet de réduire ces coûts de manière significative en automatisant les tâches complexes, telles que l’analyse de données cliniques, la détection d’anomalies, et l’identification des patients les plus adaptés pour un traitement spécifique.

De plus, l’IA multimodale accélère les délais de décision en offrant des analyses en temps réel qui permettent de détecter rapidement les tendances ou les problèmes potentiels. Cela réduit le temps nécessaire pour passer d’une phase de l’essai à l’autre, ce qui peut accélérer la mise sur le marché des traitements de plusieurs mois, voire d’années.

Améliorer la Qualité des Données et la Fiabilité des Résultats

La qualité des données est un facteur crucial pour le succès des essais cliniques. Traditionnellement, les données collectées lors des essais sont souvent fragmentées, provenant de différentes sources non intégrées, ce qui peut introduire des biais et affecter la fiabilité des résultats. L’IA multimodale, en intégrant des données issues de multiples sources — telles que des imageries médicales, des enregistrements de capteurs biométriques, des données génétiques, et des notes cliniques textuelles — offre une vision plus complète et holistique de chaque patient.

Regard Vers l’Avenir : L’IA Multimodale et les Essais Virtuels

À l’horizon, les essais virtuels représentent une des évolutions les plus attendues. L’IA multimodale pourrait en être le cœur, en intégrant des technologies de réalité augmentée et virtuelle pour simuler des environnements de test ou des réponses corporelles, et en croisant ces données avec celles issues des essais physiques pour obtenir des résultats encore plus précis.

L’IA multimodale, combinée à des technologies de réalité augmentée (RA) et de réalité virtuelle (RV), peut transformer les essais cliniques virtuels. Ces technologies peuvent simuler des environnements de test réalistes et des réponses corporelles des patients. Par exemple, dans des environnements contrôlés de RV, les participants peuvent être exposés à des simulations de situations réelles, comme des changements de conditions médicales, pour tester l’efficacité et la sécurité des traitements en temps réel. Ces environnements permettent de capturer des données multimodales, telles que les réactions physiologiques, les mouvements corporels, et même les expressions faciales, qui peuvent être analysées en profondeur par des algorithmes d’IA pour fournir une image plus précise de la réponse du patient au traitement.