"L’intelligence artificielle est un «changeur de jeu» mondial. Elle transformera nos vies et nos sociétés. On dit parfois que le meilleur moyen de rencontrer l’avenir est de le créer. Ne le laissons pas à d’autres." Morten Irgens, vice-recteur, Université métropolitaine d’Oslo, Norvège.
“Il y a deux façons de voir l'IA : comme un outil d'amélioration ou comme un substitut de la créativité, ce qui entraîne un appauvrissement intellectuel, rendant difficile la découverte de grands écrivains et créateurs.” Johnny Geller, CEO de The Curtis Brown Group
L'identification et le dépistage des patients sont des défis persistants dans le recrutement des essais cliniques et entraînent souvent un retard et un nombre incomplet des patients, ce qui exacerbe le coût élevé des essais sur les résultats cardiovasculaires, qui peut se chiffrer à des centaines de millions de dollars.1-3 Les méthodes de dépistage manuel traditionnelles sont exigeantes en main-d'œuvre et peuvent contribuer jusqu'à un tiers des coûts des essais cliniques.4 Les requêtes structurées sur les dossiers de santé électroniques améliorent l'efficacité du dépistage des essais cliniques, mais nécessitent toujours un examen manuel des données non structurées.
Les grands modèles de langage (LLM) analysent les données non structurées, ce qui permet un changement dans la façon dont les patients sont dépistés et recrutés. Nous avons développé un outil LLM, le Retrieval Augmented Generation Enabled Clinical Trial Infrastructure for Inclusion Exclusion Review (RECTIFIER), et avons démontré rétroactivement qu'il peut évaluer l'admissibilité des patients à des critères spécifiques d'inclusion et d'exclusion avec une sensibilité, une spécificité et une précision supérieures à celles du personnel de l'étude.
Diagramme du flux d'études
Pour tester l'outil RECTIFIER, nous avons mené un essai clinique prospectif, aveugle et randomisé appelé dépistage manuel vs d'essai clinique assisté par l'IA à l'aide de modèles de grande langue (NCT06588452) au sein du système de santé général de Brigham de masse du 31 mai 2024 au 28 septembre 2024. Le protocole d'essai figure dans le supplément 1. Nous avons utilisé les normes consolidées de déclaration des essais pour l'intelligence artificielle (IA) comme ligne directrice pour l'étude.
Cet essai a été achevé dans le cadre d'un essai de mise en œuvre de l'insuffisance cardiaque (HF) en cours (NCT05734690). Nous avons divisé les critères d'éligibilité pour l'essai HF en 2 catégories : ceux qui peuvent être déterminés de manière fiable avec une requête de données structurées et ceux qui ne le peuvent pas. Les patients ont été inclus dans cet essai s'ils répondaient aux critères d'admissibilité structurés. Une requête de données structurées du dossier de santé électronique pour les critères d'admissibilité a été exécutée plusieurs fois tout au long de la période d'étude, la dernière requête ayant eu lieu le 28 août 2024.
L'admissibilité est généralement évaluée par du personnel d'étude formé au mien d'un examen manuel des données non structurées (par exemple, du texte, des notes PDF ou des rapports). Après avoir retiré 193 616 patients qui répondaient aux critères d'exclusion dans cet essai, 4476 ont été randomisés (Figure 1) en utilisant la randomisation par bloc après chaque requête structurée dans un rapport 1:1 par rapport au dépistage manuel par le personnel de l'étude ou au dépistage assisté par l'IA par l'outil RECTIFIER. Le même temps a été alloué au personnel de l'étude à chaque méthode de dépistage.
La période de suivi pour chaque participant variait entre 1 et 4 mois avec un temps moyen entre la randomisation et la fin de l'étude de 81,3 jours (SD, 25,8 jours). Les estimations cumulatives de l'incidence représentent la probabilité d'admissibilité (pourcentage d'occupation de l'État d'admissibilité) à chaque moment, en tenant compte des risques concurrents plutôt que de la proportion de patients qui se terminent finalement dans chaque État à la fin de l'étude. Par conséquent, le plateau d'une courbe reflète la probabilité de vivre l'événement tout en tenant compte des risques concurrents et n'est pas directement équivalent aux proportions finales observées des patients dans chaque état. Les bandes autour des lignes de la partie A représentent des IC à 95 %. Pour les patients qui pouvaient compléter le dépistage, la proportion de patients éligibles était similaire entre les groupes (20,8 % [458/2205] pour le groupe de dépistage de l'intelligence artificielle [AI] et 21,1 % [284/1347] pour le groupe de dépistage manuel ; P = 0,86). Pour les patients qui ont terminé le dépistage de l'admissibilité, plus de 99 % des patients ont été identifiés dans les 15 jours dans le groupe d'IA et dans les 50 jours dans le groupe manuel. À la fin de l'essai, le groupe IA avait 37 patients restants à dépister contre 887 patients dans le groupe manuel.
Le résultat principal était le moment de déterminer l'admissibilité, qui a été évaluée à l'aide d'un cadre d'analyse de la survie et a pris en compte la détermination de l'inéligibilité comme un risque concurrent.Un résultat exploratoire était le nombre de patients inscrits. L'approbation du comité d'examen institutionnel de Mass General Brigham pour le procès HF englobait les méthodes utilisées ici ; aucun consentement n'était requis car cela faisait partie du processus de recrutement pour le procès HF. Toutes les analyses ont été réalisées à l'aide de la version R 4.3.3 (Fondation R pour l'informatique statistique). Un seuil de signification à 2 côtés a été fixé à P < .05.
Sur les 4476 patients randomisés, l'âge moyen était de 74,9 ans (SD, 11,6 ans), 50,3 % étaient des femmes, 5,6 % étaient des patients noirs et 5,0 % étaient des patients hispaniques. Pour le résultat primaire, les patients dépistés avec la méthode assistée par l'IA ont atteint le critère principal de détermination de l'admissibilité beaucoup plus rapidement que les patients dépistés manuellement (rapport de risque de sous-distribution, 1,78 [IC à 95 %, 1,54-2,06], P < 0,001). Le taux d'éligibilité était de 20,4 % (458/2242 patients) pour la méthode de dépistage assistée par l'IA contre 12,7 % (284/2234 patients) pour la méthode de dépistage manuel (P < .001 ). À la fin de l'essai, il y avait 35 inscriptions (1,6 %) en utilisant la méthode de dépistage assistée par l'IA contre 19 inscriptions (0,9 %) en utilisant la méthode de dépistage manuel (rapport de risque de sous-distribution, 1,79 [IC à 95 %, 1,02-3,15], P = 0,04 ; Figure 2B).
Le dépistage assisté par l'IA des patients à l'aide de l'outil RECTIFIER a considérablement amélioré le taux de détermination de l'admissibilité et d'inscription par rapport au dépistage manuel dans un essai clinique randomisé de l'IC. Ces résultats fournissent des essais cliniques une technologie qui pourrait transformer les opérations de l'étude.
Les limitations comprennent un centre unique et un essai clinique randomisé sur l'ICF comme cas d'utilisation.
Les efforts futurs nécessiteront un déploiement sur de nombreux sites et une expansion du nombre d'États de la maladie tout en restant dans une infrastructure sécurisée pour protéger les données des patients.
La mise en œuvre d'outils de dépistage assistés par l'IA comme RECTIFIER améliore l'efficacité des essais cliniques et accélère le processus de dépistage et de recrutement, ce qui peut conduire à une achèvement plus rapide des essais et à un accès plus précoce aux nouvelles thérapies pour les patients.
Commentaire
Les essais cliniques, la recherche sont devenus le terrain de jeu de l'IA avec des résultats très probants
Cet article fait un point IA remarquable
https://jamanetwork.com/journals/jama/fullarticle/282514
Cet article à le mérite de clarifier le rôle de l'IA en médecine
Deux parties distinctes à cette clarification
* le domaine du médecin clinicien
* le domaine du développement des thérapies
Cette séparation artificielle reste logique et évite de partir avec l'IA dans tous les sens
Il est important de séparer ces deux domaines et j'insisterai sur la partie médicale , avec une recommandation d'experts, type C
* l'interaction avec le patient type bureautique
* la stratification du risque par exemple CV (médecine de précision),
* Apport sur le diagnostic
* Interprétation des examens biologique sous forme de synthèse rapide
* La préférence des patients, entretien ave ChatBot
* Assistance traitement chirurgical : la robotique
* Les interactions médicamenteuses
* Suivi en direct par exemple du diabète
* Recherche et éducation
* Simulation virtuelle en médecine et chirurgie dans le cade de la formation
* Rôle majeur dans les essais thérapeutiques
Comme on peut le voir il s'agit de l'IA OUTIL
A LIRE
IA et recherche médicale et pharmaceutique
Le machine learning pour accélérer les phases cliniques
Une des composantes de l’intelligence artificielle est le machine Learning, appelé également apprentissage automatique, qui vise à donner aux machines la capacité d’« apprendre » à partir de données, via des modèles mathématiques. Il permet d’accélérer des processus et de traiter un volume massif de données et d’informations permettant de développer l’analyse prédictive. Cette technologie est aujourd’hui au cœur des stratégies R&D.
Les modèles d’intelligence artificielle permettent d’accélérer les phases de développement et de réduire les délais et évidemment les coûts associés.
https://www.digitalpharmalab.com/digital-pharma-review/lintelligence-artificielle-au-service-de-la-recherche-medicale-et-pharmaceutique#:~:text=Optimisation%20des%20essais%20cliniques,-
Intelligence artificielle et recherche clinique
Au%20niveau%20des&text=Pour%20l'identification%20des%20patients,médicales%20et%20les%20données%20génomiqueshttps://kpmg.com/fr/fr/articles/innovation/intelligence-artificielle-recherche-clinique.html
Jumeaux numérique et essais in Silico
https://medvasc.info/archives-blog/les-jumeaux-numériques
Copyright : Dr Jean Pierre Laroche / 2025