Avec des avancées comme AlphaFold de Deepmind et la découverte de médicament in silico d'Aqemia, la recherche de candidat-médicament s'accélère considérablement.

Cela permet de constituer des pipelines d'actifs en phase pré-clinique non seulement plus conséquents, mais aussi mieux conçus et avec des cibles mieux validées.

En parallèle, les processus opérationnels pour réduire les délais de candidature à une première étude sur l'humain sont de plus en plus optimisés.

Cependant, cette accélération des phases en amont de l'essai clinique soulève une problématique majeure : si les essais cliniques ne suivent pas ce rythme, ils risquent devenir un goulot d'étranglement compromettant l'ensemble du processus de R&D.

Heureusement, là aussi, la solution pourrait résider dans la maitrise de l'IA couplée à l’usage des données de vie réelle (RWD).

Voyons comment et pourquoi dans cet article à travers 4 cas d’usage.

1. Repositionnement de médicament

Il s’agit de la découverte de nouvelles indications pour des traitements approuvés ou non dans une autre maladie.

Cela représente l’une des décisions stratégique les plus importantes que doit prendre une société biopharmaceutique.

Aujourd’hui, ces décisions, bien que fondées sur des données, résultent souvent d’une synthèse subjective de plusieurs critères :

• Revue de la littérature

• Analyse des données omiques

• Analyse des données d’essais cliniques

• Contribution des principaux KOL

• Décision des concurrents

L’usage des RWD couplé à l’IA change la donne de différentes manières :

1. Examiner les résultats cliniques chez des patients ayant reçu le médicament dans une autre indication que celle prévue.

   2 principaux exemples illustrent ce cas :

   • Un patient peut se voir prescrire spontanément un médicament dans une autre indication que celle prévue. L’analyse en vie réelle de l’effet de cette prescription peut permettre de déterminer une nouvelle indication potentielle.

   • De la même façon, le médicament peut être prescrit dans l’indication prévue mais chez un patient présentant des comorbidités. Le traitement peut alors présenter une efficacité fortuite sur l’une des comorbidités.

2. Identifier une proximité biologique entre l’indication autorisée et une autre indication potentielle (par exemple : une biomarqueur présent à la fois dans un cancer du foie et un cancer du poumon).

3. Synthétiser et hiérarchiser les preuves précliniques de l’efficacité du mécanisme d’action d’un traitement.

L’IA peut ensuite extrapoler ces résultats à différentes population de patient pour in fine hiérarchiser et prioriser les nouvelles indications potentielles selon :

• Le niveau de preuve clinique

• Le besoin médical

• La faisabilité technique

• L’impact stratégique.

Des entreprises se sont spécialisées sur le sujet :

2. Stratification des essais cliniques

Dans les processus de R&D, une fois qu'une indication est déterminée pour un traitement, le laboratoire va poursuivre le développement clinique en élaborant le conception de l'essai clinique.

À ce stade, l'un des principaux challenge est de déterminer les patients à inclure dans l'étude.

L'objectif étant de ne pas inclure les patients à haut risque et de ne pas oublier des populations susceptibles de présenter une grande efficacité.

Là aussi, cette décision repose sur des données mais aussi sur des informations subjectives (idées reçues, opinions de KOL, etc.), ce qui peut amener des erreurs.

L'IA et des RWD changent la donne de différentes façons : 

• Découverte de sous-groupes

• Affinage des critères d'éligibilité

• Élimination des patients peu susceptibles de bénéficier du traitement

• Raccourcissement de toute la phase de développement clinique.

3. Stratégie de portefeuille

L'IA peut également contribuer à élaborer plus largement toute la stratégie de portefeuille des laboratoires pharmaceutiques.

Souvent, les pipelines (médicaments à l'étude) et les portefeuilles (médicaments autorisés) des laboratoires pharmaceutiques contiennent des médicaments destinés à traiter un ensemble similaire de patients.

Bien que cela présente des avantages, c'est aussi dû au fait que les labos ont peu de preuves cliniques sur d'autres populations et manquent alors potentiellement l'opportunité d'étendre le champ d'action de leurs traitements.

• L'IA peut identifier des essais ciblés à réaliser pour produire des preuves précises correspondant aux besoins des cliniciens.

• Cette technologie est aussi capable de combiner différentes sources de données pour déterminer de nouveaux mécanismes d'action.

• Enfin, il est possible d'estimer l’efficacité d'un nouveau traitement en observant les résultats de traitements similaires déjà approuvés et en extrapolant ces résultats au traitement à l'étude.

4. Déterminer les critères d’évaluation

Dans un essai clinique, il peut être difficile de savoir quel critère mesure le mieux l'efficacité d'un médicament.

L'IA, alimentée par de larges données, constitue une solution pour faciliter ce travail en : 

• Identifiant les attributs des patients utiles à l'évaluation du critère principal

• Contrôlant les biais 

• Identifiant de nouveaux critères secondaires utiles à l'étude.

Merci d’avoir lu cette édition jusqu’au bout !

❤️ Si cette newsletter vous plait, aidez-nous à la faire connaitre !

Parlez-en autour de vous 🙏

Et si cet article vous a inspiré pour un prochain sujet, partagez-le ici :