Le médicament que vous avez pris ce matin a parcouru un long chemin pour arriver du laboratoire à votre pilulier. D'abord, il y a des recherches approfondies en laboratoire. Puis, des tests sur les animaux. Mais avant qu'un médicament puisse être approuvé, il doit être testé sur des humains - dans un processus coûteux et complexe appelé essai clinique.
Les bases
Dans sa forme la plus simple, un essai clinique se déroule comme suit : Les chercheurs recrutent des patients atteints de la maladie visée par le médicament expérimental. Les volontaires sont répartis au hasard en deux groupes. Un groupe reçoit le médicament expérimental ; l'autre, appelé groupe témoin, reçoit un placebo (un traitement qui semble identique au médicament testé, mais qui n'a aucun effet). Si les patients qui reçoivent le médicament actif présentent une amélioration plus importante que ceux qui reçoivent le placebo, cela prouve que le médicament est efficace.
L'une des parties les plus difficiles de la conception d'un essai est de trouver suffisamment de volontaires qui répondent aux critères exacts de l'étude. Les médecins peuvent ne pas être au courant des essais qui pourraient convenir à leurs patients, et les patients qui sont prêts à s'inscrire peuvent ne pas avoir les caractéristiques requises pour un essai donné. Mais l'intelligence artificielle pourrait rendre ce travail beaucoup plus facile.
Rencontrez votre jumeau
Les jumeaux numériques sont des modèles informatiques qui simulent des objets ou des systèmes du monde réel. Ils se comportent pratiquement de la même manière, statistiquement, que leurs homologues physiques. La NASA a utilisé un jumeau numérique du vaisseau spatial Apollo 13 pour aider à effectuer des réparations après l'explosion d'un réservoir d'oxygène, laissant les ingénieurs sur Terre se démener pour effectuer des réparations à 200 000 miles de distance.
S'ils disposent de suffisamment de données, les scientifiques peuvent créer des jumeaux numériques de personnes en utilisant l'apprentissage automatique, un type d'intelligence artificielle dans lequel les programmes apprennent à partir de grandes quantités de données plutôt que d'être spécifiquement programmés pour la tâche à accomplir. Les jumeaux numériques de patients participant à des essais cliniques sont créés en formant des modèles d'apprentissage automatique sur des données de patients provenant d'essais cliniques antérieurs et de dossiers individuels de patients. Le modèle prédit l'évolution de la santé du patient au cours de l'essai si on lui donne un placebo, créant ainsi un groupe témoin simulé pour un patient donné.
Voici donc comment cela fonctionnerait : Une personne, que nous appellerons Sally, est affectée au groupe qui reçoit le médicament actif. Le jumeau numérique de Sally (le modèle informatique) est dans le groupe de contrôle. Il prédit ce qui se passerait si Sally ne recevait pas le traitement. La différence entre la réponse de Sally au médicament et la prédiction du modèle de la réponse de Sally si elle prenait le placebo à la place serait une estimation de l'efficacité du traitement pour Sally.
Des jumeaux numériques sont également créés pour les patients du groupe témoin. En comparant les prédictions de ce qui arriverait aux jumeaux numériques recevant le placebo avec les humains qui ont effectivement reçu le placebo, les chercheurs peuvent repérer tout problème dans le modèle et le rendre plus précis.
Remplacer ou augmenter les groupes de contrôle par des jumeaux numériques pourrait aider les patients volontaires ainsi que les chercheurs. La plupart des personnes qui participent à un essai clinique le font dans l'espoir de recevoir un nouveau médicament qui pourrait les aider lorsque des médicaments déjà approuvés ont échoué. Mais il y a une chance sur deux qu'elles soient placées dans le groupe témoin et ne reçoivent pas le traitement expérimental. Remplacer les groupes de contrôle par des jumeaux numériques pourrait permettre à davantage de personnes d'avoir accès aux médicaments expérimentaux.
L'inattendu
La technologie est peut-être prometteuse, mais elle n'est pas encore utilisée à grande échelle - peut-être pour une bonne raison. Daniel Neill, PhD, est un expert de l'apprentissage automatique, notamment de ses applications dans le domaine de la santé, à l'université de New York. Il souligne que les modèles d'apprentissage automatique dépendent d'un grand nombre de données, et qu'il peut être difficile d'obtenir des données de haute qualité sur les individus. Les informations sur des sujets tels que le régime alimentaire et l'exercice physique sont souvent déclarées par les personnes concernées, qui ne sont pas toujours honnêtes. Ils ont tendance à surestimer la quantité d'exercice qu'ils font et à sous-estimer la quantité de malbouffe qu'ils mangent, dit-il.
La prise en compte d'événements indésirables rares peut également poser problème, ajoute-t-il. "Le plus souvent, il s'agit d'événements que vous n'avez pas modélisés dans votre groupe de contrôle". Par exemple, une personne pourrait avoir une réaction négative inattendue à un médicament.
Mais la plus grande préoccupation de Neill est que le modèle prédictif reflète ce qu'il appelle "les affaires courantes". Supposons qu'un événement majeur inattendu - quelque chose comme la pandémie de COVID-19, par exemple - modifie les comportements de chacun et que les gens tombent malades. "C'est quelque chose que ces modèles de contrôle ne prendraient pas en compte", dit-il. Ces événements imprévus, qui ne sont pas pris en compte dans le groupe de contrôle, pourraient fausser les résultats de l'essai.
Eric Topol, fondateur et directeur du Scripps Research Translational Institute et expert de l'utilisation des technologies numériques dans les soins de santé, pense que l'idée est excellente, mais qu'elle n'est pas encore prête pour le prime time. "Je ne pense pas que les essais cliniques vont changer à court terme, car cela nécessite de multiples couches de données au-delà des dossiers médicaux, comme une séquence du génome, le microbiome intestinal, les données environnementales, et ainsi de suite." Il prédit qu'il faudra des années avant de pouvoir réaliser des essais à grande échelle en utilisant l'IA, en particulier pour plus d'une maladie. (Topol est également le rédacteur en chef de Medscape, le site web frère de Doctor).
Rassembler suffisamment de données de qualité est un défi, selon Charles Fisher, PhD, fondateur et PDG d'Unlearn.AI, une start-up pionnière dans le domaine des jumeaux numériques pour les essais cliniques. Mais, dit-il, la résolution de ce type de problème fait partie des objectifs à long terme de l'entreprise.
Selon M. Fisher, deux des préoccupations les plus fréquemment citées au sujet des modèles d'apprentissage automatique - la confidentialité et les biais - sont déjà prises en compte. "La confidentialité est facile. Nous travaillons uniquement avec des données qui ont déjà été rendues anonymes."
En ce qui concerne la partialité, le problème n'est pas résolu, mais il n'est pas pertinent - du moins pour l'issue de l'essai, selon Fisher. Un problème bien documenté avec les outils d'apprentissage automatique est qu'ils peuvent être formés sur des ensembles de données biaisés - par exemple, ceux qui sous-représentent un groupe particulier. Mais, selon M. Fisher, comme les essais sont randomisés, les résultats sont insensibles à la partialité des données. L'essai mesure la façon dont le médicament testé affecte les personnes participant à l'essai en se basant sur une comparaison avec les témoins, et ajuste le modèle pour qu'il corresponde davantage aux témoins réels. Ainsi, selon Fisher, même si le choix des sujets pour l'essai est biaisé, et que l'ensemble de données original est biaisé, "nous sommes capables de concevoir des essais de manière à ce qu'ils soient insensibles à ce biais".
Neill ne trouve pas cela convaincant. Vous pouvez supprimer les biais dans un essai randomisé au sens strict, en ajustant votre modèle pour estimer correctement l'effet du traitement pour la population étudiée, mais vous ne ferez que réintroduire ces biais lorsque vous tenterez de généraliser au-delà de l'étude. Unlearn.AI "ne compare pas des individus traités à des témoins", dit Neill. "Il compare les individus traités à des estimations basées sur des modèles de ce que le résultat de l'individu aurait été s'il avait fait partie du groupe de contrôle. Toute erreur dans ces modèles ou tout événement qu'ils ne parviennent pas à anticiper peut entraîner des biais systématiques - c'est-à-dire une sur- ou sous-estimation de l'effet du traitement."
Mais unlearn.AI va de l'avant. Elle travaille déjà avec des entreprises pharmaceutiques pour concevoir des essais sur des maladies neurologiques, telles que la maladie d'Alzheimer, la maladie de Parkinson et la sclérose en plaques. Comme il existe plus de données sur ces maladies que sur beaucoup d'autres, elles constituaient un bon point de départ. Selon M. Fisher, cette approche pourrait éventuellement être appliquée à toutes les maladies, ce qui réduirait considérablement le temps nécessaire à la mise sur le marché de nouveaux médicaments.
Si cette technologie s'avère utile, ces frères et sœurs invisibles pourraient profiter aux patients comme aux chercheurs.
