Listen à article
Principaux enseignements
- L’IA permet une sélection de sites basée sur les données en prévoyant la performance du site, la capacité de l’investigateur et la disponibilité des patients
- L’utilisation des DSE, des données de réclamations et des registres (avec des garanties de confidentialité) aide les promoteurs à pré-identifier les patients admissibles et à raccourcir les délais de démarrage
- La sensibilisation personnalisée et multicanale et les signaux précoces de risque réduisent les échecs de sélection et les abandons de patients
- La supervision humaine demeure essentielle : les modèles doivent être explicables, audités et conformes aux BPC, RGPD et HIPAA
- Un cadre pratique en cinq étapes pour définir les objectifs, préparer les données, modéliser, piloter et surveiller, ce qui aide les équipes à opérationnaliser l’IA en toute sécurité
Les essais cliniques sont cruciaux pour la recherche médicale et le développement de médicaments, permettant aux organisations pharmaceutiques de recueillir des données essentielles sur la sécurité et l’efficacité des interventions de santé.
Ces essais, allant d’études de phase 1 à petite échelle impliquant 20 à 100 participants à des études de phase 3 à grande échelle avec plus de 1 000 volontaires, jouent un rôle clé dans l’avancement des connaissances médicales et l’apport de nouveaux traitements aux patients. La durée de ces études peut varier de plusieurs mois à plusieurs années.
Défis dans la conduite des essais cliniques
La recherche clinique menée par des Organisations de Recherche sous Contrat (CRO) évolue au sein d’un vaste écosystème. Cet écosystème comprend divers intervenants tels que des sociétés pharmaceutiques, des chercheurs biomédicaux, des autorités réglementaires, des patients et des fournisseurs de soins de santé. Il se caractérise par d’innombrables connexions et de multiples permutations et combinaisons. Malgré de grands progrès dans l’industrie pharmaceutique et la recherche biomédicale, le parcours menant à la commercialisation des médicaments demeure complexe, avec un potentiel d’amélioration considérable. Les essais cliniques, en raison de leur durée et de leurs coûts élevés, posent des défis échappant souvent au contrôle direct d’une entreprise, notamment les contraintes réglementaires, l’accès aux patients, les coûts, l’infrastructure et la complexité des essais.
Le choix du site approprié est l’une des décisions les plus critiques ayant un impact considérable sur le succès de l’essai. Une sélection optimale des sites peut atténuer les défis liés à l’infrastructure, à la disponibilité des patients et aux coûts dans les essais décentralisés et axés sur le patient.
Qu’est-ce que la sélection de sites dans les essais cliniques ?
La sélection de sites est le processus d’identification, d’évaluation et de hiérarchisation des sites d’essais cliniques (établissements et investigateurs) capables de recruter la population cible, d’exécuter le protocole selon les normes de qualité et de se conformer aux règlements, dans les délais et le budget impartis. Son objectif est de maximiser la faisabilité opérationnelle et la qualité des données tout en minimisant les risques.
Portée : Examen des performances historiques des sites, de l’expertise et de la disponibilité des investigateurs, de la prévalence des patients et des parcours de soins, de la préparation opérationnelle (personnel, laboratoires, pharmacie, imagerie), des délais de démarrage, des antécédents contractuels et réglementaires, des systèmes de données et des pratiques de gestion de la qualité
Différences avec la faisabilité et la qualification :
- L’évaluation de la faisabilité recueille des informations au niveau du marché et du site afin de déterminer si un essai pourrait être mené (disponibilité des patients, norme de soins, études concurrentes)
- La qualification du site (par exemple, visites pré-étude) confirme qu’un site présélectionné répondra aux exigences du protocole et des BPC en inspectant les installations, les processus et la documentation
- La sélection de sites utilise les preuves issues des étapes de faisabilité et qualification pour choisir et classer les sites à activer
Défis courants : Rapports optimistes, données fragmentées à travers le CTMS/DSE/Registres, attention variable des investigateurs en raison d’études concurrentes, retards contractuels, procédures opérationnelles incohérentes et estimations peu fiables de la disponibilité des patients
Défis majeurs lors de l’optimisation de la sélection des sites
- Expérience du site et performance de l’investigateur : Choisir le bon site d’essai clinique nécessite l’évaluation de nombreux facteurs. Il s’agit notamment du nombre de patients sélectionnés, de la priorisation de la qualité sur la quantité et de l’analyse des échecs de sélection pour optimiser les stratégies de recrutement. L’inscription efficace des patients, la compréhension du temps moyen nécessaire pour recruter un patient, la surveillance des taux d’abandon et l’accent mis sur la rétention des patients sont essentiels tout au long de l’étude. Enfin, il est important d’assurer le respect du protocole en minimisant les déviations. Une approche intégrée tient compte des métriques quantitatives, mais aussi des aspects qualitatifs tels que l’expertise des sites, l’engagement envers le succès de l’essai et la disponibilité de l’équipement approprié.
- Préparation de l’infrastructure et de l’équipement : Des installations adéquates et de l’équipement sont essentiels au bon déroulement d’un essai. Des installations inadéquates peuvent entraîner des erreurs, des retards ou altérer la qualité des données. Les sites doivent être bien équipés en laboratoires, espaces de stockage et outils spécialisés pertinents pour l’étude. La présence d’instruments calibrés et de personnel formé est essentielle. Un entretien régulier et des contrôles de qualité sont impératifs pour éviter toute interruption durant l’essai.
- Accès, prévalence des patients et parcours de soins : L’identification de sites ayant accès à la population cible est cruciale. Tenez compte des données démographiques locales, de la prévalence de la maladie et de l’infrastructure de santé. Les sites situés à proximité d’hôpitaux ou de cliniques fréquentés par les participants potentiels sont plus bénéfiques. Collaborer avec ces sites peut améliorer le recrutement et la rétention des sujets.
Le dilemme de la surcharge de données
Sélectionner le site adéquat pour un essai nécessite une collecte de données étendue, englobant des aspects comme les données démographiques des patients, les capacités des sites et les considérations réglementaires. Cependant, des défis tels que la complétude des données, le maintien de leur qualité et la gestion des incohérences nuisent à l’efficacité des méthodes traditionnelles d’exploitation des données.
En appliquant des techniques d’analyse de données et d’IA dans l’évolution technologique des essais cliniques, les promoteurs peuvent promouvoir une prise de décision plus objective et fondée sur les données. Une gestion efficace des données optimise l’utilisation des ressources, accroît la collaboration scientifique et améliore la prise de décision. De plus, exploiter ces données aide à prédire la performance des sites, améliorant ainsi l’efficacité globale des essais.
Comment l’IA transforme-t-elle la sélection des sites dans les essais cliniques ?
Les avancées en IA permettent aux CRO d’identifier l’emplacement optimal des sites en transformant des quantités massives de données en informations exploitables, ce qui favorise la prise de décision éclairée quant à la sélection ou l’exclusion d’un site. Malgré la disponibilité des données, les trier, les analyser et s’assurer qu’elles répondent aux exigences peut s’avérer accablant et même paralyser le processus.
L’IA automatise le nettoyage des données, améliorant leur qualité et leur exhaustivité. Les algorithmes d’apprentissage automatique détectent les tendances dans les données historiques pour prévoir la performance des sites, perfectionnant ainsi l’efficacité de la sélection. L’analyse en temps réel des données d’essais permise par l’IA soutient aussi la prise de décision proactive. La mise à profit de la technologie avancée d’IA permet aux promoteurs d’intégrer l’analytique prédictive, d’automatiser les flux de données et d’améliorer l’efficacité globale des essais. De plus, l’IA et l’apprentissage automatique personnalisent les stratégies de recrutement en fonction des tendances, ce qui augmente les taux d’inscription. Enfin, ils modélisent les relations complexes entre variables, complétant ainsi les méthodes statistiques traditionnelles pour une sélection de sites plus précise.
Comment l’IA améliore le recrutement et la rétention des patients
L’IA analyse des données structurées (DSE, réclamations, registres) et non structurées (notes cliniques, rapports d’imagerie) afin de faire correspondre les critères d’inclusion/exclusion avec les parcours de soins locaux, produisant des listes de pré-sélection classées pour les investigateurs. Elle personnalise la sensibilisation en choisissant les canaux (SMS, portails, courrier), le moment et le contenu des messages les plus susceptibles d’engager chaque cohorte, et anticipe le risque d’abandon pour déclencher des interventions précoces (aide au transport, élargissement des plages de visite, rappels ePRO).
Exemples :
- Accélération de la pré-sélection : Un promoteur en oncologie applique le NLP aux rapports de pathologie et aux notes de stadification pour pré-identifier les candidats répondant aux exigences de biomarqueurs et de ligne de traitement, réduisant ainsi la révision manuelle des dossiers et permettant aux sites de contacter les patients admissibles plus tôt
- Signalement du risque de rétention : Un essai sur un dispositif en cardiologie utilise un modèle combinant les rendez-vous manqués antérieurs, la distance au site et les déterminants sociaux (comme l’accès au transport) pour signaler les participants à risque élevé, incitant les coordonnateurs à planifier des visites par télésanté ou un soutien de covoiturage, ce qui réduit les interruptions précoces.
Équilibrer le volume de données et les signaux pertinents
Alors, comment trouver le juste équilibre ? En utilisant l’IA et l’apprentissage automatique, nous pouvons donner du sens à cette surcharge d’informations. Plutôt que de se noyer dans un excès ou un manque de données, on se concentre sur ce qui importe. Voici comment :
Métriques d’enrôlement antérieur (sélection, randomisation, rétention) : Les modèles d’IA peuvent rapidement analyser les données historiques liées à l’enrôlement des patients lors d’essais précédents. Cette analyse prédit les taux d’inscription pour les essais futurs et aide à optimiser la planification et l’allocation des ressources.
Accès des patients, admissibilité et signaux SDoH : En identifiant les obstacles potentiels à l’inscription et en suggérant des moyens d’en améliorer l’accès à partir d’informations sur la capacité des patients à accéder aux sites, leur état de santé et d’autres facteurs pertinents.
Disponibilité, étalonnage et temps de fonctionnement de l’équipement : Les solutions avancées d’IA peuvent aider à garantir que les essais sont bien équipés et à prévenir les problèmes d’équipement en accédant aux informations sur les dispositifs médicaux utilisés, comme leur disponibilité, leur fonctionnalité et leur usage.
L’IA et l’apprentissage automatique peuvent éviter aux promoteurs d’avoir à faire des compromis sur le volume de données, leur permettant de prendre une décision éclairée pour la sélection des sites tout en respectant tous les critères requis afin d’être un site optimal pour l’essai.
Risques, éthique et considérations réglementaires
L’IA peut introduire des biais, comme la sous-représentation de certaines démographies, des risques liés à la vie privée et à la sécurité, une dérive du modèle et de l’opacité dans la prise de décision. Les promoteurs et les CRO doivent :
- Aligner les processus sur l’ICH-BPC (qualité, surveillance, documentation) et se conformer aux lois sur la protection des données telles que le RGPD (base légale, minimisation, EIPD, droits des personnes concernées) et HIPAA (protection des IPS, minimum nécessaire)
- Utiliser l’anonymisation/pseudonymisation, l’accès basé sur les rôles et les pistes d’audit, et obtenir les consentements/autorisations appropriés là où requis
- Assurer la transparence et la surveillance humaine en documentant l’objectif du modèle, ses fonctionnalités et limites, permettre l’explicabilité du classement des sites et des jumelages de patients, et impliquer les investigateurs dans la prise de décision finale
- Valider les modèles de façon prospective, surveiller la performance et les biais dans le temps, et maintenir le contrôle des versions pour les algorithmes et ensembles de données
Cadre pratique – sélection de sites assistée par l’IA en 5 étapes
- Définir les objectifs et balises : Préciser les objectifs propres au protocole (taux d’inscription, diversité, délais), les géographies ciblées, les contraintes d’équité et les indicateurs de réussite
- Assembler et gouverner les données : Intégrer les KPI historiques des sites, signaux DSE/réclamations, SDoH, délais de démarrage et indicateurs de qualité, tout en établissant des dictionnaires de données, la lignée et des contrôles de confidentialité
- Construire et sélectionner les modèles : Ingénierie des fonctionnalités (prévalence des patients, disponibilité des investigateurs, prévision de démarrage), entraînement des modèles de classement/prédiction et vérification de l’explicabilité et des biais
- Piloter et valider : Réaliser un projet pilote à portée limitée sur un sous-ensemble de pays/sites, comparer à la sélection traditionnelle, capter les écarts, échecs de sélection, temps de cycle et preuves d’audit.
- Opérationnaliser et surveiller : Intégrer les résultats dans les flux de travail (listes de sites, files de pré-sélection), permettre la revue humaine, définir des alertes pour la dérive/biais et revoir les indicateurs lors de comités de gouvernance ; itérer.
La voie à suivre
À mesure que l’IA s’impose, le contexte des essais cliniques est en pleine transformation. Le succès réside dans l’identification de sites dotés d’investigateurs principaux capables d’attirer des sujets de qualité répondant aux critères de base des essais cliniques. Les modèles d’IA, sous la direction d’experts CRO, peuvent analyser méticuleusement les données et classer les résultats, institutions, sites, investigateurs, pays et régions, permettant au promoteur de cibler les bons sites. Cela facilite l’engagement fluide et la conduite de l’essai, et démontre la valeur des solutions biopharmaceutiques avancées pour accélérer le développement de médicaments.
En adoptant les capacités offertes par l’IA, les entreprises biopharmaceutiques peuvent :
- Optimiser la sélection des sites
- Développer des compétences centrales en IA
- Réinvestir stratégiquement les ressources
La généralisation de l’IA dans le domaine clinique est à la fois prometteuse et méritée. Toutefois, cette relation symbiotique entre la technologie et la biopharma nécessite une collaboration étroite, des tests rigoureux et une compréhension collective approfondie.
