Accélérer le pipeline R&D avec les LLMs et l’IA générative dans la pharma : opportunités & pièges courants

5 Opportunités pour le LLMS et l’IA générative dans la R&D pharmaceutique

Opportunité n°1 : Augmenter l’efficacité de la découverte de médicaments

Comme l’ont montré des partenariats récents (par exemple, Isomorphic Labs avec Novartis et Lily¹Isomorphic labs. (s. d.). https://www.isomorphiclabs.com/articles/isomorphic-labs-kicks-off-2024-with-two-pharmaceutical-collaborations), les Protein Language Models (PLMs) et la GenAI ont le potentiel de transformer le processus de découverte de médicaments. Les méthodes traditionnelles nécessitent d’énormes quantités de temps et de ressources, mais avec des modèles dopés à l’IA, il est possible de filtrer des millions de composés chimiques, de prédire les interactions médicamenteuses et même de proposer de nouvelles structures moléculaires. L’efficacité obtenue grâce à ces modèles pilotés par l’IA peut faire gagner des années sur le processus de développement.

Opportunité n°2 : Trouver des opportunités dans votre LIMS

Les systèmes de gestion de l’information de laboratoire (LIMS) sont depuis longtemps l’épine dorsale de la gestion des données en recherche. Intégrer des modèles d’IA de nouvelle génération, comme les LLMs et les VLMs, peut révéler des informations enfouies dans votre LIMS, aidant les équipes à identifier plus efficacement des actifs de recherche de valeur. Cette intégration permet également de rationaliser le processus de décision pour la sélection des actifs²Leveraging Generative AI in Laboratory Businesses : Integration with LIMS and Customer Portals | Sednor. (s. d.). https://www.sednor.io/articles/leveraging-generative-ai-in-laboratory-businesses-integration-with-lims-and-customer-portals.

Opportunité n°3 : Accélérer le recrutement de patients et de centres pour les essais cliniques

Recruter les bons patients et centres pour les essais cliniques est l’un des aspects les plus complexes de la recherche clinique. Les LLMs peuvent passer en revue les dossiers patients, identifier les candidats éligibles, et recommander des sites d’essais en fonction des performances historiques et des données démographiques des patients. En accélérant le recrutement, l’IA peut réduire les retards dans les essais cliniques, permettant aux thérapies d’arriver plus rapidement sur le marché.

Découvrez comment notre équipe peut vous aider à numériser vos essais cliniques >

Opportunité n°4 : Intégrer la médecine in silico et les jumeaux numériques

L’avènement de la médecine in silico et l’utilisation de jumeaux numériques — des répliques virtuelles de patients — présentent une autre opportunité passionnante. Les jumeaux numériques permettent la simulation de traitements et d’interventions, permettant aux chercheurs de tester l’efficacité des médicaments dans un environnement virtuel et contrôlé.

Opportunité n°5 : Faciliter la gestion post-commercialisation et les effets à long terme

La surveillance post-commercialisation est essentielle pour comprendre les effets à long terme des médicaments. Les LLMs et les modèles multimodaux peuvent aider en analysant en continu les données patients, en identifiant les événements indésirables et en prédisant les résultats à long terme. Cette analyse en temps réel pourrait permettre aux entreprises de répondre plus rapidement aux problèmes émergents et, si nécessaire, de collaborer de manière proactive avec la communauté médicale pour apporter les modifications nécessaires aux protocoles de traitement.

Quels sont les défis liés à l’utilisation des LLMs et de l’IA générative dans la R&D pharma ?

Biais, hallucinations et manque d’explicabilité

L’un des principaux défis dans le déploiement des LLMs et de la GenAI en R&D est le risque de biais et d’hallucinations — lorsque le modèle génère des informations fausses ou trompeuses. Les données de santé sont souvent incomplètes ou biaisées, et si les modèles d’IA ne sont pas correctement ajustés, ils peuvent perpétuer ces biais. Des modèles défectueux peuvent conduire à des conclusions incorrectes, mettant potentiellement en danger les patients et créant des responsabilités juridiques pour les entreprises. Des ingénieurs en IA ont suggéré que les données synthétiques — des ensembles de données générés artificiellement qui imitent des données réelles — pourraient être utilisées en complément de ces jeux de données d’entraînement imparfaits. Cependant, des inquiétudes ont été soulevées immédiatement quant au fait que l’utilisation de données synthétiques pourrait au contraire amplifier les biais, les nouveaux modèles apprenant à partir de données générées par des modèles déjà biaisés.

Enfin, la complexité et l’opacité de certains systèmes d’IA, souvent appelés algorithmes « boîte noire », rendent difficile pour les cliniciens d’expliquer pleinement les décisions prises par l’IA aux patients.

Sans explicabilité claire, établir la confiance entre chercheurs, régulateurs et patients devient un obstacle majeur.

Propriété intellectuelle et traçabilité

L’utilisation de la GenAI introduit des complexités dans la gestion de la propriété intellectuelle (PI) et la garantie de la traçabilité des données. Avec les insights produits par l’IA, il est souvent difficile de savoir à qui appartient le résultat — l’organisation, le fournisseur d’IA ou les développeurs du modèle. De plus, il est crucial de pouvoir retracer l’origine et les modifications des données à travers les processus pilotés par l’IA, pour maintenir la conformité légale et réglementaire. L’échec à établir une traçabilité claire pourrait mener à des litiges de PI et compromettre l’intégrité des résultats de recherche.

Confidentialité des données et menaces pour la sécurité

Les données de santé sont l’un des types d’informations les plus sensibles et les plus réglementés. L’intégration de la GenAI dans les flux de travail R&D amplifie le risque de fuites de données et d’accès non autorisés. Les systèmes d’IA traitant d’énormes volumes de données patients, il est essentiel de garantir que ces données soient stockées et transmises de manière sécurisée. Tout manquement en matière de sécurité pourrait entraîner des violations de confidentialité dévastatrices, des amendes financières, et une perte de confiance parmi les patients et les parties prenantes. Une solution potentielle serait l’adoption de systèmes décentralisés.

Préoccupations éthiques et de confiance : consentement des patients

Obtenir le consentement des patients pour des analyses pilotées par l’IA reste une zone grise. La complexité et l’opacité de ces systèmes d’IA, dont certains reposent sur des modèles « boîte noire » ou des services tiers, compliquent le processus de consentement éclairé. De plus, la sensibilité des données utilisées, telles que les dossiers médicaux électroniques et les informations génétiques, renforce l’importance de ces préoccupations, car les individus pourraient ne pas pleinement comprendre ou accepter l’ampleur de l’utilisation et la propriété de ces données très critiques. Pour répondre à ces enjeux, il faut développer des mécanismes de consentement robustes qui garantissent que les patients soient suffisamment informés de la manière dont les technologies d’IA influencent leurs décisions de santé, et que les médecins soient correctement formés pour utiliser ces outils, répondre à ces préoccupations et mettre en place des procédures pour garantir la protection des données.

Conformité réglementaire

La réglementation en santé exige que les modèles d’IA en R&D soient conformes à des règles strictes sur la sécurité des patients et l’intégrité des données. Les entreprises qui adoptent l’IA à toute vitesse sans s’assurer de la conformité réglementaire risquent des retards, des amendes ou des retraits de produits. Pour naviguer dans ces défis, de nombreuses entreprises présentent les outils d’IA comme des « assistants » plutôt que comme des dispositifs médicaux, permettant ainsi une entrée plus rapide sur le marché sous des réglementations moins strictes. Cependant, à mesure que l’IA joue un rôle croissant dans les décisions cliniques, les régulateurs renforcent leur surveillance pour empêcher que des outils non réglementés n’impactent les soins aux patients. En réponse, la FDA et l’EMA développent de nouveaux cadres pour équilibrer innovation et sécurité. Des initiatives comme l’AI Act européen ou le cadre “Software as a Medical Device (SaMD)” de la FDA illustrent l’approche évolutive de la gouvernance de l’IA dans la santé.

L’adoption rapide des LLMs et de la GenAI dans la R&D santé présente à la fois des opportunités et des risques. Bien que le potentiel pour rationaliser les processus et générer de nouvelles perspectives soit enthousiasmant, les entreprises doivent avancer prudemment pour éviter les pièges liés aux biais, aux violations de données et aux défis réglementaires. Naviguer dans ces complexités nécessite une expertise en IA et une bonne connaissance des enjeux du secteur santé, ainsi qu’une approche stratégique de l’implémentation. Nautilus.ai, l’équipe Data & IA d’Alcimed, est là pour aider votre organisation à surmonter ces obstacles, et faire en sorte que votre pipeline R&D piloté par l’IA tienne ses promesses sans se retourner contre vous. Si vous souhaitez discuter d’un projet, n’hésitez pas à contacter notre équipe !

À propos de l’auteur,
Matthieu, Manager chez Nautilus.ai au sein de l’équipe Data & IA d’Alcimed aux États-Unis.