L’intelligence artificielle bouleverse l’industrie pharmaceutique : découvrez comment l’IA accélère la recherche, optimise les essais cliniques et personnalise les traitements médicaux, tout en posant des défis éthiques et de conformité pour les entreprises françaises.
L’intelligence artificielle (IA) redessine les contours de l’industrie pharmaceutique, de la découverte à la mise sur le marché des médicaments. Selon une étude du McKinsey Global Institute, l’IA pourrait générer 110 milliards de dollars annuels pour le secteur pharmaceutique. Cette technologie ouvre une ère nouvelle dans le développement de médicaments, les essais cliniques ou la production. Elle offre aux entreprises des chances de compétitivité inégalée. L’adoption croissante de l’IA par des entreprises françaises comme Sanofi, Servier, Ipsen ou Pierre Fabre confirme son rôle central dans l’innovation pharmaceutique. Pour les autres, l’IA reste malgré tout le levier de compétitivité ultime.
Les applications principales de l’IA dans l’industrie pharmaceutique
L’adoption de l’intelligence artificielle (IA) dans le secteur pharmaceutique ouvre la voie à des transformations profondes. L’IA joue un rôle essentiel à chaque étape du processus de développement des médicaments. Une avancée particulièrement innovante est l’utilisation de l’IA pour prévoir la toxicité potentielle des nouvelles molécules avant les essais cliniques. Grâce à des simulations, il est possible de prédire les effets indésirables à un stade précoce pour réduire les risques d’échecs coûteux pendant les essais cliniques.
Découverte de nouveaux médicaments et vaccins
L’IA permet de modéliser pour tester rapidement des milliers de combinaisons de composés chimiques. Avec le machine learning et le deep learning, les chercheurs identifient plus rapidement les molécules prometteuses avec une évaluation de leur potentiel thérapeutique.
Sanofi utilise des algorithmes d’IA pour analyser des bases de data massives contenant des informations sur des millions de composés chimiques. Cette approche a réduit de manière significative le temps nécessaire pour identifier des candidats potentiels dans le domaine de l’immunologie par exemple.
Diagnostic et identification des maladies
L’imagerie médicale connaît également une révolution via l’analyse des radiographies, des IRM et des scanners avec une précision inédite. Grâce aux algorithmes de deep learning, elle détecte des anomalies subtiles (nodules pulmonaires, lésions hépatiques et pancréatiques, microcalcifications dans les mammographies,…) souvent invisibles à l’œil humain, améliorant la détection précoce de maladies graves comme le cancer.
L’IA permet d’identifier des schémas complexes dans les données médicales, ce qui accélère le diagnostic des maladies rares et augmente la précision en exploitant de vastes bases de data. En combinant ces données (antécédents familiaux, analyses de sang et tests cognitifs), les systèmes d’IA prédisent les risques de développer des maladies chroniques.
Elle propose aussi des outils puissants pour améliorer la précision des diagnostics. En France, face aux difficultés persistantes dans le diagnostic de l’épilepsie, BioSerenity, une Medtech française spécialisée dans les dispositifs médicaux connectés et les services innovants en électrophysiologie, a développé le Neuronaute®, un dispositif miniature d’électroencéphalogramme (EEG) ambulatoire, pour faciliter le diagnostic et le suivi des patients. L’IA est utilisée pour l’analyse des tracés EEG, notamment avec des algorithmes de détection des pointes et des crises d’épilepsie.
Personnalisation des traitements médicaux
L’IA effectue une analyse détaillée des données génétiques et biologiques des patients. Cette médecine de précision permet d’adapter les soins aux caractéristiques spécifiques de l’individu pour optimiser ses résultats thérapeutiques. Pour cela, 2 technologies sont utilisées : l’analyse prédictive et l’analyse des données génétiques. La première permet de modéliser des scénarios complexes pour prédire la réponse d’un patient à un traitement spécifique. La seconde consiste à examiner les biomarqueurs spécifiques des patients. L’IA va aider à sélectionner les thérapies les plus efficaces, réduisant ainsi les effets secondaires.
Le test CancerSEEK, développé en 2018 par un consortium d’experts américains, représente une avancée innovante dans la détection précoce des cancers. Cette « biopsie liquide » utilise une combinaison de biomarqueurs pour détecter des cancers à des stades précoces. Le test détecte efficacement 98 % des cancers de l’ovaire et du foie, 60 % à 70 % des cancers de l’estomac, du pancréas, de l’œsophage, du côlon et des poumons, seulement 33 % des cancers du sein (source : Sciencedirect).
D’autre part, des équipes du Laboratoire d’informatique médicale et d’ingénierie des connaissances en e santé (LIMICS, unité Inserm 1142) et de l’Assistance Publique – Hôpitaux de Paris, ont participé à un projet européen, Desiree, pour améliorer la prise en charge des cancers du sein en intégrant l’intelligence artificielle :
- système d’aide à la décision clinique : Desiree utilise des algorithmes d’IA pour analyser les données des patientes et fournir des recommandations de traitement basées sur des cas similaires passés ;
- raisonnement basé sur les cas : le système apprend des décisions prises pour des cas antérieurs, permettant ainsi d’améliorer continuellement ses recommandations ;
- analyse des images médicales : l’IA est utilisée pour caractériser les tumeurs à partir des images médicales, aidant les cliniciens à diagnostiquer et à planifier les traitements de manière plus précise.
Ces technologies permettent aux cliniciens d’adapter les protocoles de traitement et de suivi des patientes (source : Inserm).
Quels sont les avantages de l’IA dans l’industrie pharmaceutique ?
Les applications de l’IA dans l’industrie pharmaceutique ne se limitent pas à la découverte de médicaments. Elles s’étendent à l’optimisation des processus de production comme les essais cliniques, la réduction des coûts ou l’amélioration globale de la productivité. Dans le cadre des essais cliniques par exemple, les jumeaux numériques peuvent recréer des patients virtuels en utilisant des données de santé réelles. Ces tests permettent d’anticiper les résultats des essais en prédisant comment les patients réels pourraient réagir sans les mêmes circonstances. Le développement des médicaments s’avère plus rapide, plus efficace.
Optimisation des essais cliniques et réduction des coûts
Sanofi et la start-up anglaise Exscientia collaborent au développement d’un portefeuille de médicaments de précision conçus grâce à l’IA. La cancérologie et l’immunologie sont les deux secteurs sélectionnés. Exscientia dirige les activités de conception des petites molécules thérapeutiques et d’optimisation des principales molécules candidates jusqu’à leur éventuel passage au stade de développement. De son côté, Sanofi se charge de leur développement préclinique, clinique, de leur fabrication et de leur commercialisation.
La découverte de nouveaux médicaments est l’un des enjeux les plus importants des futures années. Les bactéries pathogènes résistent de plus en plus aux antibiotiques remettant en cause la capacité à soigner les infections, même les plus courantes. À ce titre, l’IA est une technologie très utile pour simplifier ces travaux grâce à sa capacité à traiter d’énormes quantités de données.
Ces tests en amont représentent une part significative des coûts totaux de développement des médicaments. L’utilisation de la puissance de calcul de l’entreprise française Iktos – spécialiste de la chimie médicinale et découverte de nouveaux médicaments – permet de réaliser des gains de productivité majeurs dans la phase amont de la R&D pharmaceutique.
Amélioration de la productivité et des processus de création des nouveaux remèdes
L’industrie pharmaceutique a de plus en plus de mal à développer et commercialiser des médicaments efficaces. L’industrie biopharmaceutique a été l’un des principaux bénéficiaires de l’intelligence artificielle. L’IA définit le traitement du patient en analysant ses antécédents médicaux avec ses caractéristiques génétiques ou ses tests biologiques. Des schémas complexes sont identifiés par l’IA pour personnaliser ces soins médicamenteux.
Les enjeux de l’intégration de l’IA dans l’industrie pharmaceutique
L’intelligence artificielle offre des opportunités considérables pour le secteur pharmaceutique, son intégration implique de nombreux défis. Les entreprises doivent naviguer entre innovation et conformité, tout en garantissant la sécurité et l’éthique dans l’utilisation des données de santé. La nouvelle réglementation de l’usage de l’intelligence artificielle dans l’Union européenne, baptisée IA Act, est entrée en vigueur en janvier 2024. Elle élabore un nouveau cadre réglementaire avec le socle « sécurité, santé et droits fondamentaux ».
Protection des données sensibles et conformité réglementaire
Des régulateurs sont chargés de respecter les normes légales et éthiques en protégeant notamment la confidentialité des données des patients et en garantissant la sécurité des dispositifs médicaux. Deux caractéristiques clés des solutions d’IA vont garantir le respect des réglementations :
- La qualité des données d’entrée : pour garantir l’exactitude des résultats et la performance des modèles. Les régulateurs exigent cette qualité pour s’assurer que les systèmes respectent les normes de précision et de fiabilité. L’Agence nationale de sécurité du médicament et des produits de santé (ANSM) supervise l’évaluation, l’autorisation et la surveillance des médicaments et des dispositifs médicaux en France.
- Les méthodes de conformité : les organismes de réglementation veillent à ce que les systèmes d’IA adhèrent strictement à leurs directives. La Commission nationale de l’informatique et des libertés (CNIL) veille à la protection des informations personnelles et à la conformité des pratiques avec le RGPD en France. Les entreprises doivent s’assurer du respect des exigences réglementaires en vigueur par les technologies employant ces algorithmes. Elles vont donc mettre en œuvre des mécanismes d’alerte et de prévention.
Risque de biais dans les résultats de l’IA
Les entreprises doivent mettre en place des audits réguliers de leurs algorithmes pour détecter avant de corriger les biais ; les ensembles de données diversifiés et représentatifs de la population générale permettent de réduire les risques de biais.
Les biais peuvent affecter les conclusions des diagnostics, des traitements ou des essais cliniques, entraînant des conséquences potentiellement graves pour les patients.
Des data biaisées utilisées pour entraîner les algorithmes seront à leur tour biaisées dans les résultats. Par exemple, des données médicales sous-représentant certains groupes démographiques peuvent conduire à des diagnostics moins efficaces pour ces groupes. Une mauvaise sélection des variables ou des méthodes de pondération au moment de la conception peut aussi favoriser certains résultats au détriment d’autres.
