L’intelligence artificielle (IA) transforme la recherche pharmaceutique, mais son efficacité repose sur la qualité des données et une approche rigoureuse. L’exploitation des données du monde réel (RWD) exige une expertise pointue et une validation constante pour garantir des résultats fiables et pertinents.
Presque 80 % des informations contenues dans les dossiers médicaux électroniques (DME) ne sont pas structurées, ce qui signifie qu’elles ne peuvent pas être facilement analysées. Les détails essentiels, tels que les symptômes décrits par les patients, les résultats d’examens physiques ou les rapports de radiologie, nécessitent des techniques d’IA pour être interprétés à grande échelle.
L’apprentissage automatique (ML), le traitement du langage naturel (NLP) et les grands modèles de langage (LLM) sont des outils puissants, mais ils ne sont pas une solution miracle. Une collaboration étroite entre chercheurs, experts médicaux, scientifiques des données et autres parties prenantes est indispensable pour obtenir des informations significatives.
« Même le modèle le plus sophistiqué appliqué à des données de faible qualité produira des résultats inutilisables », souligne Scott Schliebner, vice-président et responsable mondial du conseil en développement de médicaments chez Novotech. « Il faut commencer avec des données décentes, sinon vous n’obtiendrez jamais quoi que ce soit d’utile ou de productif. »
La qualité des données est primordiale. Tim Hoctor, ancien vice-président des services mondiaux des sciences de la vie chez Elsevier, explique : « Vous commencez par l’approvisionnement. Est-il précis ? Est-il cohérent ? Est-il opportun ? » Les données doivent être adaptées à leur objectif, uniques, valides et conformes aux normes établies.
Le développement et le test des processus d’IA doivent être rigoureux. Les modèles d’apprentissage automatique supervisé doivent être entraînés sur des ensembles de données étiquetées de haute qualité, examinées par des experts. Les résultats doivent ensuite être validés par rapport à des données distinctes et faire l’objet d’un perfectionnement continu pour éviter les biais.
L’expertise en la matière est également cruciale. Une équipe multidisciplinaire, comprenant des cliniciens, des informaticiens cliniques, des data scientists et des biostatisticiens, doit travailler ensemble pour organiser et standardiser les données tout en préservant leur contexte clinique.
« Vous avez besoin de cette compréhension des experts pour analyser et évaluer les résultats du modèle, pour définir l’objectif du modèle et pour vous assurer que les données que vous utilisez pour construire vos modèles sont appropriées à l’objectif que vous souhaitez atteindre », précise Hoctor.
L’évaluation de l’impact de l’IA est essentielle. Il faut examiner comment l’IA et les données du monde réel améliorent l’exhaustivité et l’exactitude des données, et comparer les résultats aux données antérieures. Mariah Baltezegar, vice-présidente et directrice générale de Thermo Fisher Scientific, met en garde contre l’effet Hawthorne, qui pourrait inciter les patients à modifier leur comportement s’ils savent que leurs données sont utilisées à des fins de recherche.
En conclusion, l’IA a le potentiel de révolutionner la recherche clinique, mais son application doit être réfléchie et intégrée dans une stratégie globale. La clé du succès réside dans la qualité des données, l’expertise multidisciplinaire et une validation rigoureuse des résultats.