Le potentiel de l’utilisation de l’IA dans le développement clinique et les essais de médicaments

Faire passer un médicament de l'identification initiale à l'approbation réglementaire et à sa mise sur le marché nécessite des ressources importantes, notamment du temps, de l'argent et de la coordination.Le processus, depuis le dépistage des composés potentiels jusqu'à la nomination des candidats, en passant par les essais cliniques sur l'homme jusqu'à l'obtention de l'approbation réglementaire, peut prendre en moyenne 12 à 15 ans.¹.

L'IA dans la découverte de médicaments et le développement à un stade précoce

Le processus de développement d’un médicament commence par une recherche fondamentale, à la recherche de la bonne cible pour un problème médical particulier. L’IA dans les essais améliore la découverte précoce de médicaments en accélérant le criblage des composés et l’identification des principaux candidats. Historiquement, l’identification d’un composé principal nécessitait le criblage en laboratoire de milliers de structures chimiques². Suivi d'une série de tests supplémentaires pour peaufiner le composé principal afin de le préparer aux tests cliniques, notamment en optimisant les propriétés du médicament quant à la manière dont le médicament peut interagir à l'intérieur du corps et avec sa cible.

Après ces étapes, le candidat principal procède à des essais cliniques pour déterminer s'il existe une dose sûre et efficace pour les patients. Le processus d'essai clinique lui-même peut prendre des années et s'avérer très coûteux. Même à ce stade, le taux d'échec peut être élevé. Cela signifie le médicament pourrait ne pas être sûr à la dose souhaitée ou manquer d'efficacité pour l'usage médical prévu condition³. Dans le développement de médicaments contre le cancer, on estime que les coûts de recherche et développement nécessaires pour mettre un médicament efficace sur le marché se situent entre 0.9 et 2.1 dollars. milliard⁴. Trouver des moyens plus efficaces pour proposer de nouvelles thérapies aux patients est donc un effort permanent. C'est là que l'intelligence artificielle (IA) peut contribuer à l'ensemble du processus de développement des médicaments.

L’IA peut faciliter le développement de médicaments par plusieurs moyens, notamment l’apprentissage automatique (ML) et le traitement du langage naturel (NLP). Le ML est un sous-domaine de l’IA « qui permet aux ordinateurs d’apprendre sans être explicitement programmé”⁵  comme l'analyse de données ou la catégorisation d'images. Le PNL est une IA qui « permet aux ordinateurs et aux appareils numériques de reconnaître, de comprendre et de générer du texte et discours"⁶.

Avant les tests sur l'homme : l'IA dans le criblage et l'optimisation des composés

1. L'IA dans le criblage de composés pour l'identification de candidats principaux

L'IA peut accélérer la découverte de nouveaux médicaments en analysant de nombreuses structures chimiques afin d'identifier les candidats les plus prometteurs, permettant ainsi aux chercheurs de commencer à tester des médicaments potentiels plus tôt. Des programmes comme AlphaFold améliorent l'intelligence des essais cliniques en prédisant la structure tridimensionnelle des protéines à partir de leur séquence d'acides aminés. L’amélioration de la prédiction de la structure des protéines permet de meilleures conceptions de médicaments ciblant cette protéine, réduisant ainsi le nombre de structures chimiques nécessaires au criblage en laboratoire, augmentant ainsi l’efficacité et réduisant les coûts.

2. Expériences in silico pour l'optimisation des composés

L’IA peut simuler la manière dont un composé principal et ses modifications pourraient interagir dans le corps humain. Ces simulations peuvent réduire considérablement les délais en identifiant les modifications structurelles nécessaires avant le laboratoire de confirmation. études⁷.

Une fois que le candidat principal optimisé est prêt pour les tests cliniques dans le cadre d’essais sur l’homme, l’utilisation de l’IA dans le développement clinique améliore de nombreux aspects, notamment la conception des essais, le recrutement des patients et la personnalisation du traitement. 

3. Utilisation de l'IA dans le développement clinique et les essais cliniques 

L’IA peut améliorer la conception des essais cliniques en analysant de nombreuses données passées et des preuves du monde réel (RWE). Cette analyse peut alerter les chercheurs sur les risques et les pièges potentiels liés à l’inscription des patients et aux critères d’éligibilité, permettant ainsi des études plus approfondies. Teams⁷. Dans certaines situations, cela peut également permettre d'intégrer un groupe témoin synthétique à l'étude. Ce groupe témoin synthétique peut éliminer la nécessité d'inclure des patients dans le groupe de traitement standard de l'étude grâce à l'utilisation de données probantes issues d'autres sources. Cela permet de réduire le coût d'un essai clinique jusqu'à 50 % (puisque la moitié du nombre initial de patients devrait être inclus) et d'accélérer jusqu'à 1.5 fois le délai d'approbation. ans⁸. Il convient de noter que les groupes témoins synthétiques seront probablement réservés aux situations où il existe un traitement standard établi et une évolution de la maladie assez prévisible.

4. Trouver des patients potentiellement éligibles

L'IA peut également contribuer à identifier les patients aptes aux essais cliniques, une tâche complexe et complexe. Le recrutement pour les essais cliniques est complexe et exigeant. De nombreux médicaments d'IA dans les essais cliniques utilisent des algorithmes basés sur l'IA pour analyser les dossiers médicaux afin de trouver des médicaments potentiels. participants⁷. Une fois les patients identifiés, jugés éligibles et participant à une étude, il est également important de les fidéliser et de maintenir leur engagement, ainsi que de respecter les exigences de l'étude. Un trop grand nombre de patients abandonnent ou quittent prématurément l'étude peut compromettre sa fiabilité. Des outils d’IA sont également déployés pour aider les patients inscrits à suivre leur participation à l’étude. exigences⁷.

5. Personnalisation du traitement

L’IA peut utiliser des données sur les gènes, les biomarqueurs et les antécédents médicaux d’un patient pour prédire les traitements les plus efficaces. Pour aller plus loin, l’IA peut également prédire comment un patient pourrait réagir à traitement⁹ ou alerter leur médecin d'un effet secondaire potentiel qui pourrait nécessiter une modification du traitement¹⁰.

6. Possibilités futures de l'IA dans les essais cliniques

L’IA est sur le point de jouer un rôle plus important dans la manière dont elle est utilisée pour accélérer les essais cliniques. En outre, l’IA pourrait contribuer à accélérer les soumissions et les examens réglementaires afin de réduire davantage les délais d’approbation réglementaire de nouveaux médicaments sûrs et efficaces pour les patients.

Étude de cas : l'IA dans les essais cliniques d'immunothérapie

L’IA transforme l’intelligence des essais cliniques dans la recherche en immunothérapie. Dans les domaines thérapeutiques du mélanome, du carcinome rénal, du cancer du poumon non à petites cellules, du carcinome épidermoïde de la tête et du cou, entre autres, l'immunothérapie s'est révélée très prometteuse. Cependant, prédire avec précision l'efficacité du traitement reste un défi. De nouveaux radiotraceurs ciblant le récepteur CD8 des lymphocytes T humains pour une imagerie TEP quantitative et non invasive sont en cours de développement. Quibim crée un algorithme basé sur l'imagerie pour interpréter les examens PET/CT, visant à évaluer quantitativement l'efficacité d'un minicorps marqué au 89Zr pour cibler le récepteur CD8 dans le microenvironnement tumoral. Cette technologie optimise l'utilisation de l'IA dans le développement clinique en fournissant des méthodes précises et non invasives pour évaluer l'efficacité de l'immunothérapie. Les données obtenues fournissent des informations précieuses sur la biodistribution et la spécificité de ciblage du minicorps, éclairant ainsi le développement clinique futur et les applications thérapeutiques potentielles. 

L’IA transforme les essais cliniques et l’intégration de l’intelligence artificielle dans le développement de médicaments. Des médicaments IA aux essais cliniques, en passant par l'intelligence artificielle, l'IA réduit les coûts, améliore l'efficacité et personnalise les stratégies thérapeutiques. Si des défis subsistent, le rôle de l'IA dans le développement clinique continuera de s'accroître, façonnant l'avenir de la médecine et accélérant l'accès à des traitements vitaux.

Références

1. Hughes JP, Rees S, Kalindjian SB, Philpott KL. Principes de la découverte précoce de médicaments. Br J Pharmacol. 2011;162(6):1239-1249. doi:10.1111/j.1476-5381.2010.01127.x
2. Hefti FF. Exigences pour qu'un composé principal devienne un candidat clinique. BMC Neurosci. 2008;9 Suppl 3(Suppl 3):S7. Publié le 2008 décembre 10. doi:10.1186/1471-2202-9-S3-S7
3. Jain R, Subramanian J, Rathore AS. Une revue des échecs thérapeutiques dans les essais cliniques de stade avancé. Expert Opin Pharmacother. 2023;24(3):389-399. doi:10.1080/14656566.2022.2161366
4. Schlander M, Hernandez-Villafuerte K, Cheng CY, Mestre-Ferrandiz J, Baumann M. Combien coûte la recherche et le développement d'un nouveau médicament ? Une revue et une évaluation systématiques. Pharmacoéconomie. 2021;39(11):1243-1269. doi:10.1007/s40273-021-01065-y
5. https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
6. https://www.ibm.com/topics/natural-language-processing
7. Hutson M. Comment l'IA est utilisée pour accélérer les essais cliniques. Nature. 2024;627(8003):S2-S5. doi:10.1038/d41586-024-00753-x
8. https://www.statnews.com/2019/02/05/synthetic-control-arms-clinical-trials/#:~:text=By%20reducing%20or%20eliminating%20the,speed%20lifesaving%20therapies%20to%20market
9. Zhang B, Shi H, Wang H. Machine Learning et IA dans le pronostic, la prédiction et la sélection des traitements du cancer : une approche critique. J Multidiscip Healthc. 2023 ; 16 : 1779-1791. Publié le 2023 juin 26. doi : 10.2147/JMDH.S410301
10. Lippenszky L, Mittendorf KF, Kiss Z, et al. Prédiction de l'efficacité et de la toxicité des inhibiteurs des points de contrôle immunitaire à l'aide de données de patients réels. JCO Clin Cancer Inform. 2024 ; 8 : e2300207. doi : 10.1200/CCI.23.00207