L’IA dans l’industrie chimique et pharmaceutique : 3 sujets à suivre

Sujet n°1 : les capacités prédictives de l’IA permettent des traitements plus rapides et plus efficaces tout au long de la chaîne de valeur de l’entreprise

L’analyse de grandes quantités de données et l’aide apportée aux humains dans leur interprétation constituent  l’essence même de l’apprentissage automatique (machine learning). L’analyse prédictive peut aider les industries pharmaceutiques dans différentes applications, de l’optimisation des expériences de R&D précliniques à l’analyse rapide des résultats dans les phases cliniques, en passant par la rationalisation des processus de production et même la gestion de projets au niveau de l’entreprise.

L’IA pour optimiser le nombre d’expériences à réaliser en recherche préclinique

Parmi les applications présentées, nous avons vu par exemple comment les approches de machine learning peuvent soutenir la recherche préclinique en optimisant le nombre d’expériences à réaliser pour tester les composés et les molécules dans de nouvelles formulations. Cela permet de réduire à la fois le temps et les coûts des phases initiales de la recherche, tout en fournissant suffisamment d’informations pour choisir les meilleurs candidats pour les phases de développement ultérieures.

L’IA pour analyser l’imagerie médicale

Nous avons également vu comment les algorithmes de machine learning sont utilisés pour trier les résultats d’examens médicaux en analysant les données à la recherche d’anomalies ou d’erreurs. Si des problèmes sont détectés, non seulement l’examinateur peut être alerté directement, mais cela permet également de s’assurer que seuls des résultats d’examen exacts et valides sont envoyés aux médecins pour une analyse plus approfondie et la rédaction d’un rapport.

Lire aussi : L’IA dans l’imagerie médicale, une révolution dans le diagnostic médical et les soins aux patients

L’IA pour analyser l’état des outils et des équipements

Dans la chaîne de production, l’IA peut être utilisée pour l’analyse prédictive de l’état des outils et des machines : en utilisant des capteurs combinés à un logiciel d’IA, nous pouvons prédire quand une pièce d’équipement est sur le point d’avoir besoin d’être vérifiée. Cela permet une maintenance plus précise et nécessaire par rapport aux méthodes préventives actuellement répandues, qui reposent sur des intervalles réguliers – souvent trop longs ou trop courts, selon les cas – pour le contrôle et la vérification des machines.

Sujet n°2 : le défi de l’élaboration de cadres réglementaires pour l’intelligence artificielle qui progresse rapidement

Alors que l’intelligence artificielle continue d’évoluer, les organismes de réglementation sont confrontés à un défi de taille : élaborer des cadres réglementaires capables de suivre le rythme des progrès rapides.

Contrairement aux logiciels traditionnels, qui fonctionnent sur la base d’instructions prédéfinies et restent statiques jusqu’à ce qu’ils soient explicitement mis à jour, les systèmes d’intelligence artificielle ont la capacité d’apprendre à partir des données et de faire évoluer leur comportement au fil du temps. Cette nature adaptative complique les aspects réglementaires de tout processus ou dispositif intégrant des fonctionnalités d’intelligence artificielle, car ces systèmes pourraient potentiellement changer de manière autonome et imprévisible après leur déploiement. Si cela signifie que nous ne pouvons pas nous contenter d’examiner la qualité des résultats pour réglementer les systèmes d’IA, la création de règles pour un système évolutif est une tâche difficile sur laquelle les organismes de réglementation travaillent encore.

Deux aspects clés des solutions d’intelligence artificielle ont été particulièrement soulignés lors de la discussion sur ce qui est pertinent pour les réglementations :

• Qualité des données : l’utilisation de données de haute qualité pour former les systèmes d’intelligence artificielle est essentielle pour obtenir des résultats solides et fiables. Cet aspect est une exigence à la fois du point de vue réglementaire – pour garantir l’exactitude des systèmes – et du point de vue de la productivité – puisque des données d’entrée de haute qualité conduisent à des modèles plus efficaces et plus performants.
• Méthodes de formation : les organismes de réglementation voudront savoir comment les systèmes d’IA sont formés et testés, afin de s’assurer qu’ils ne peuvent pas s’écarter de leur objectif.

Un exemple d’effort réglementaire intégrant ces aspects est le Good Machine Learning Practice (GMLP) de la FDA pour le développement de dispositifs médicaux. La GMLP fournit un cadre basé sur 10 principes directeurs, soulignant l’importance d’une expertise multidisciplinaire pour garantir une ingénierie robuste et sûre, la nécessité de disposer de données d’entraînement diverses et représentatives et la transparence dans les modèles d’IA, ainsi que des tests cliniques en situation réelle. En outre, il souligne l’importance de la surveillance post-déploiement associée à des mécanismes de retour d’information pour garantir une sécurité et une efficacité constantes.

En particulier dans le domaine pharmaceutique hautement réglementé, l’introduction de réglementations et de lignes directrices sera nécessaire pour encourager et contrôler l’utilisation des systèmes d’IA.

Découvrez comment notre équipe peut vous accompagner dans vos projets d’intelligence artificielle >

Sujet n°3 : le rôle de l’intelligence artificielle dans le développement durable

L’intelligence artificielle peut contribuer aux efforts de développement durable dans tous les secteurs industriels, y compris ceux de la chimie et de la pharmaceutique. En optimisant les processus, l’IA peut aider les entreprises à adopter des pratiques plus écologiques et à réduire les déchets. Dans le secteur pharmaceutique, par exemple, l’IA peut aider à sélectionner des matières premières ou des solvants plus durables pour les réactions chimiques, à optimiser l’utilisation de l’énergie dans les processus de fabrication et à affiner les opérations pour minimiser le gaspillage d’énergie.

Toutefois, la durabilité de l’intelligence artificielle elle-même doit également être prise en compte. Le déploiement des technologies d’intelligence artificielle nécessite une puissance de calcul considérable et le stockage de grandes quantités de données, ce qui peut entraîner une augmentation de la consommation d’énergie et de l’impact sur l’environnement. Cela va dans le sens de l’article de Kate Crawford paru dans Nature, dans lequel l’auteur, citant Sam Altman (PDG d’OpenAI), indique que les systèmes d’IA les plus récents et les plus puissants auront une demande d’énergie incroyablement élevée.

Pour aider les entreprises à comprendre leur impact sur l’environnement, des efforts initiaux sont également déployés pour estimer les émissions de CO2 de leurs opérations informatiques (par exemple : ML CO2 Impact ou CodeCarbon).

L’intelligence artificielle devenant de plus en plus répandue dans tous les environnements de travail, il sera essentiel de développer des algorithmes efficaces sur le plan énergétique et d’investir dans des sources d’énergie renouvelables pour alimenter les centres de données, afin de s’assurer que les avantages de l’intelligence artificielle ne s’accompagnent pas d’un coût environnemental insoutenable.

L’intelligence artificielle est sur le point de transformer la plupart de nos industries, y compris le secteur pharmaceutique, en proposant des capacités prédictives améliorées, en rendant nécessaires de nouveaux cadres réglementaires et en présentant à la fois des opportunités et des défis en matière de durabilité. Dans l’industrie pharmaceutique, ces transformations incluent des innovations dans la recherche clinique, la production et la gestion des données, ouvrant la voie à des processus plus rapides et plus précis.

Un dernier point a été soulevé pour des raisons éthiques : dans quelle mesure devons-nous craindre l’intelligence artificielle ? Dans quelle mesure pouvons-nous lui faire confiance en toute sécurité ? L’IA atteindra-t-elle un niveau d’intelligence que nous pourrions qualifier de « conscient » ? Nous devrons tenir compte de ces considérations à mesure que nous intégrerons l’IA dans tous les domaines de la vie et de l’industrie, ce qui rendra crucial l’équilibre entre l’innovation et les pratiques responsables pour gérer les impacts sociétaux potentiels. Alcimed peut vous aider à explorer les opportunités de l’intelligence artificielle en santé et à maîtriser cette technologie qui évolue rapidement. N’hésitez pas à contacter notre équipe !

A propos de l’auteur,

Lorenzo, Consultant au sein de l’équipe Santé d’Alcimed en Italie.