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 l'énorme quantité de travail nécessaire pour valider et rendre pleinement fonctionnels les systèmes d'automatisation intelligents à des fins de R&D en sciences de la vie, comme la transformation du signalement des événements indésirables (EI). 

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

Les entreprises pharmaceutiques pourraient avoir une chance unique en un siècle avec cette technologie d'IA, mais seulement si elles parviennent à la déployer à grande échelle et à surmonter les difficultés spécifiques auxquelles le secteur est confronté.

Qu'est-ce qui peut être rendu possible ?

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

Quasiment tous les aspects du secteur pharmaceutique évoluent grâce à l'IA générative, qui modifie également les normes des opérations commerciales et pourrait générer des milliards de dollars de valeur.

Selon les estimations du McKinsey Global Institute (MGI), cette technologie pourrait rapporter entre 60 et 110 milliards de dollars par an aux industries pharmaceutiques et des produits médicaux. 

Cela s'explique principalement par le fait que cette technologie peut accroître la productivité en accélérant le processus de recherche de composés susceptibles de devenir de nouveaux médicaments, en accélérant le développement et l'approbation de ces médicaments et en améliorant leur commercialisation.

La solution réside dans l'utilisation de l'apprentissage contextualisé, de l'extrapolation narrative et de la découverte spontanée de données, de manière à être compréhensible par les autorités réglementaires. spécialistes en IA chez ArisGlobal, ont présenté des applications potentielles chez un fabricant de produits pharmaceutiques.

L'IA au service d'une transformation efficace des données en pharmacovigilance

Lorsque de grandes quantités de données sont présentes dans des formats variés et proviennent de nombreuses sources, comme dans le cas de la surveillance de la sécurité par exemple, compiler les découvertes importantes et les rendre utiles demande un travail administratif considérable. 

C’est là que réside le potentiel considérable de transformation des processus offert par les dernières avancées en matière d’apprentissage automatique et d’intelligence artificielle. Non seulement en termes d’efficacité, mais aussi avec 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 laborieuse —, les LLM, les vastes banques de données auxquelles font référence les outils GenAI, et des techniques avancées de traitement du langage naturel (NLP) comme la génération augmentée par récupération (RAG) sont désormais appliquées. 

En termes simples, en permettant aux LLM de combiner des donnéesdentavec des informations accessibles au public, RAG facilite le réglage fin des modèles d'IA en leur fournissant une base de connaissances et un contexte plus larges.

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

Jusqu'à présent, le principal inconvénient des solutions d'apprentissage automatique résidait dans la charge de formation. Désormais, grâce aux LLM (Learning Learning Models), une solution technologique unique peut gérer toutes les variantes de données entrantes, éliminant ainsi la nécessité d'apprendre aux modèles ou algorithmes d'IA ce qu'ils doivent rechercher et/ou ce que chaque élément implique. 

Pour guider un LLM à travers une procédure opérationnelle standard en langage clair, les modèles RAG peuvent s'avérer très utiles. Ainsi, le système pourra gérer des milliers de formulaires différents sans nécessiter de paramètres spécifiques pour chacun.

Il a été démontré que l'application de la technologie LLM-RAG à la modification des données d'entrée des cas d'événements indésirables (EI) peut entraîner des gains d'efficacité allant jusqu'à 65 % et une amélioration de la qualité et de la précision de l'tracdes données supérieure à 90 % lors des essais précoces. Son potentiel est considérable. Ce même système affiche actuellement une cohérence de 80 à 85 % dans les résumés qu'il génère pour l'élaboration des analyses de sécurité. Et ce, sans aucune expérience préalable, en partant de zéro.

Elle 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 liées à la conformité ou à la fiabilité qui freinaient auparavant l'adoption d'une automatisation plus intelligente ont cédé la place àtrondésir 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 une dynamique de changement, les organisations devraient constituer des équipes de champions pionniers afin de façonner le déploiement des cas d’usage de l’IA générationnelle et de prouver leur valeur. » McKinsey.