Comment l’intelligence artificielle façonne l’avenir de la recherche clinique en 3 exemples

En 2020, une majorité d’entreprises ont augmenté leurs investissements dans l'intelligence artificielle (IA) en raison de la pandémie de COVID-19. RELX(S’ouvre dans une nouvelle fenêtre), fournisseur mondial d'outils d'analyse et de décision basés sur l'information et maison mère d'Elsevier, a récemment publié son 2020 Emerging Tech Executive Report(S’ouvre dans une nouvelle fenêtre) . Ce rapport révèle que 81% des cadres utilisent l’intelligence artificielle (IA) dans leurs activités professionnelles et que 68% d’entre eux déclarent avoir dû augmenter l’utilisation de l’IA en raison de la pandémie.

Les dirigeants de nombreux secteurs ont été les témoins de l'impact de l'IA sur leur réussite commerciale, leurs projets professionnels, la concurrence internationale et la réponse mondiale au COVID-19. La santé et plus particulièrement la recherche clinique, sont des domaines qui ont particulièrement bénéficié de l'IA. Les réflexions alimentées par l'IA fournissent des données clés aux cliniciens qui leur permettent d'améliorer la qualité des soins aux patients. Les radiologues par exemple utilisent l'IA pour analyser des images médicales complexes afin de faciliter la détection et le diagnostic des pathologies. Les algorithmes d'IA ont également analysé les données des dossiers médicaux électroniques (DME) pour prédire l'évolution de la santé des patients.

Le travail des cliniciens-chercheurs a un impact direct sur les progrès dans le développement de nouveaux traitements qui améliorent le niveau des soins et la santé des patients. Elsevier est fier de soutenir le travail des praticiens et des chercheurs. En tant que leader dans le domaine de l'information scientifique qui repose sur les données de santé des patients, Elsevier est depuis longtemps une ressource de confiance pour la pratique médicale des professionnels de santé. Nous facilitons également le travail des chercheurs grâce à des plateformes et des outils qui permettent des analyses fines des grandes quantités de données (big data) grâce à des moteurs de recherche puissants.

Je pense que l’IA influencera l’avenir de la recherche clinique de trois façons :

1. Données du monde reel et médecine factuelle

Les DSE peuvent fournir beaucoup d'informations sur les patients. Ils ont toutefois la réputation d'être complexes et sont parfois difficiles à exploiter par les médecins et les infirmières. Heureusement, ils deviennent plus faciles à utiliser. Nous pouvons donc nous attendre à ce que les données et les informations mises à la disposition des utilisateurs soient de meilleure qualité. Les données générées par les DSE à partir des diagnostics, des plans de traitement et des documentations cliniques sont particulièrement riches et alimentent l'intelligence artificielle. Les DSE contiennent une grande partie des données du monde réel et des preuves nécessaires à la médecine factuelle pour faire progresser l'innovation dans le secteur de la recherche clinique.

La capacité d'analyse des données du monde réel et les preuves continuent d'avoir un impact important sur l’évolution des essais cliniques. L'identification des participants éligibles pour les essais cliniques, l'optimisation du développement des médicaments et l'analyse des données issues de leur réglementation et de la pharmacovigilance ne sont que le début de ce que l'IA peut faire avec les données et les preuves du monde réel.

Pour encourager l'application de données du monde réel à des fins de recherche, Elsevier propose ClinicalPath, une solution d’aide à la décision qui permet de standardiser les soins en oncologie et radiothérapie à partir des données probantes qui couvrent plus de 95 % des cas de cancers les plus courants. ClinicalPath fournit un soutien intégré pour promouvoir les essais cliniques afin d'améliorer la qualité de leurs résultats. Les essais pertinents en fonction des critères d'inclusion et d'exclusion sont proposés en temps réel sur les lieux d'intervention des soins. Lorsque les patients sont sélectionnés, un message de confirmation sécurisé est envoyé à l'équipe de recherche clinique pour permettre la coordination des soins, et lorsque le patient n'est pas retenu pour l'essai, une argumentation spécifique est envoyé aux investigateurs coordinateurs pour recommander quels essais avec une population de patients similaires seraient plus appropriés.

2. Macro-données issues des essais cliniques

Alors que des goulets d'étranglement importants dans l'accès et la qualité des données sont devenus plus courants et difficiles à résoudre, il existe des outils qui permettent de suivre les données des essais cliniques de manière plus rationnelle. Ces solutions permettent de recueillir, de gérer et d'analyser facilement les données de nombreux essais cliniques qui se déroulent à tout moment. La saisie électronique des données (EDC) est une technologie qui rationalise la collecte des données tout en minimisant les erreurs humaines et en assurant la sécurité des données.

Elsevier propose des solutions telles que Veridata™ EDC, qui facilite la recherche clinique et favorise la collaboration scientifique grâce à la saisie électronique des données sécurisée et conforme aux recommandations de bonne pratique (RPC). L'outil dispose également d'une interface intuitive qui permet de saisir facilement les données, de surveiller et d'extraire rapidement des rapports portant sur les données des essais cliniques. Par ailleurs et afin d'obtenir une vue plus fiable des tendances en matière de santé, il est possible de combiner plusieurs data sets, comme par exemple des données historiques par rapport aux données d'essais cliniques actuels et des preuves du monde réel.

3. Le text-mining ou la fouille des textes pour détecter des idées uniques

La quantité d'études disponibles sur les nouvelles tendances, la recherche, les traitements et les diagnostics peut rendre l'accès aux informations pertinentes et actuelles difficiles. Le texte-mining combiné à l'apprentissage automatique et l'amélioration des algorithmes de l'intelligence artificielle peut apporter une valeur précieuse à la recherche clinique dans la mesure où ces techniques permettent de tirer rapidement des conclusions des données existantes et permettent aux médecins un accès aux données récentes, aux preuves et aux dernières recommandations.

ClinicalKey(S’ouvre dans une nouvelle fenêtre) d'Elsevier exploite la littérature existante pour y extraire des références qui aideront les praticiens à améliorer les soins de leurs patients. Les modèles d'IA et de text-mining peuvent également être utilisés pour analyser les données d'essais cliniques dans le but de les affiner et d’aider ainsi les chercheurs à mieux respecter la réglementation.

L'impact des défis créés par la pandémie de COVID-19 a augmenté la nécessité d'adoption de technologies innovantes, telles que l'IA et l'apprentissage automatique, plus rapidement que prévu. Grâce au recours systématique à ces technologies, nous pourrons améliorer la collaboration et la standardisation des soins, pour un niveau de soins et des bénéfices pour les patients que nous commençons à peine à imaginer.