Quel impact l'IA aura-t-elle sur la sécurité des médicaments et les pratiques réglementaires ?

Jusqu'à présent, la justification commerciale a été compromise par la quantité massive de travail nécessaire pour valider et mettre les systèmes d'automatisation intelligente à pleine fonctionnalité à des fins de R&D dans les sciences de la vie, telles que la transformation des rapports d'événements indésirables (AE). 

Ces obstacles sont maintenant supprimés, et la conformité est renforcée par les LLM (grands modèles de langage) qui alimentent l'intelligence artificielle générative.

Les entreprises pharmaceutiques peuvent avoir une chance unique en un siècle avec cette technologie IA – mais seulement si elles peuvent la mettre à l'échelle et faire face aux difficultés particulières rencontrées par le secteur.

Qu'est-ce qui peut être rendu possible ?

L'apprentissage automatique et les grands modèles de langage ont rendu possibles les recherches rapides de nouveaux médicaments, ainsi que des études cliniques plus efficaces et des autorisations plus rapides des régulateurs, ce qui produit des supports marketing extrêmement ciblés. 

Presque tous les aspects du secteur pharmaceutique changent grâce à l'IA générative, qui modifie également les normes des opérations commerciales et pourrait potentiellement libérer des milliards de dollars de valeur.

Selon les estimations de l'Institut mondial McKinsey (MGI), la technologie pourrait générer entre 60 milliards et 110 milliards de dollars par an pour les industries pharmaceutiques et des produits médicaux. 

Cela est principalement dû au fait que la technologie peut augmenter la productivité en accélérant le processus de découverte de composés qui pourraient devenir de nouveaux médicaments, en accélérant le développement et l'approbation de ces médicaments et en améliorant leur commercialisation.

La possibilité réside dans l'utilisation de l'apprentissage « in context », de l'extrapolation narrative et de la découverte spontanée de données d'une manière que les régulateurs peuvent comprendre. Les spécialistes de l'IA chez ArisGlobal, Ramesh Ramani et Ravikanth Valigari, ont discuté des applications potentielles auprès d'un fabricant pharmaceutique.

IA pour une transformation efficace des données en matière de sécurité des médicaments

Lorsque de grandes quantités de données sont présentes dans divers formats et proviennent de nombreuses sources, comme dans le cas de la surveillance de la sécurité, par exemple, il faut beaucoup de travail administratif pour compiler toute découverte notable et la rendre utile. 

C'est là que réside un potentiel significatif de transformation des processus offert par les développements les plus récents en apprentissage automatique et en IA. Non seulement en termes d'efficacité, mais aussi d'une précision nettement accrue – à condition que le logiciel comprenne ce qu'il recherche.

Afin de combler ces lacunes et de faire de l'automatisation avancée une réalité sûre et fiable dans les processus importants de R&D en sciences de la vie – et surtout, sans nécessiter une surveillance constante et fastidieuse – les LLM, les vastes banques de données auxquelles les outils GenAI font référence, et des techniques avancées de traitement du langage naturel (NLP) comme la génération augmentée par récupération (RAG) sont désormais appliquées. 

Pour faire simple, en permettant aux LLM de combiner des données confidentielles avec des informations accessibles au public, le RAG facilite le réglage fin des modèles IA en leur fournissant une base de connaissances et un contexte plus larges.

Amélioration de la compilation des données grâce aux solutions LLM-RAG

La charge d'entraînement a été le problème des solutions ML jusqu'à présent. Mais maintenant, une solution technologique unique peut gérer toutes les variantes des données entrantes grâce aux LLM, ce qui élimine le besoin d'apprendre aux modèles IA ou algorithmes ce qu'il faut surveiller et/ou ce que quelque chose implique. 

En ce qui concerne la guidage d'un LLM à travers une procédure opérationnelle standard en anglais courant, les schémas RAG peuvent être très utiles. De cette manière, le système sera capable de gérer des milliers de formulaires différents sans nécessiter de paramètres uniques pour chacun.

Il a été démontré que l'application de la technologie LLM-RAG pour transformer les entrées de cas AE peut entraîner des gains d'efficacité allant jusqu'à 65 % et une qualité et une précision d'extraction de données de 90 %+ lors des premiers essais. Son impact potentiel est incroyable. Ce même système présente actuellement une cohérence de 80 à 85 % dans les résumés qu'il génère pour le développement des histoires de cas de sécurité. Et tout cela sans aucune exposition antérieure, en partant de zéro.

Il fournit en effet les bases permettant aux entreprises pharmaceutiques de simplifier considérablement certaines de leurs opérations les plus complexes basées sur les données. 

Les craintes concernant la conformité ou la fiabilité qui freinaient auparavant l'adoption d'une automatisation plus intelligente ont laissé place à une forte volonté d'adopter de nouvelles versions de la technologie qui répondent directement à ces problèmes et offrent des améliorations mesurables en matière de productivité et d'efficacité.

« Pour créer un élan en faveur du changement, les organisations devraient créer des équipes de champions adopteurs précoces afin de façonner le déploiement de cas d'utilisation de l'IA de nouvelle génération et d'en prouver la valeur. » McKinsey.