Décrypter les essais cliniques avec ConcertAI

Locutrice 1 :
Bienvenue à Insights de TD Cowen. Ce balado réunit des penseurs de premier plan qui offrent leur éclairage et leurs réflexions sur ce qui façonne notre monde. Soyez des nôtres pour cette conversation avec les esprits les plus influents de nos secteurs mondiaux.
Brendan Smith :
Bonjour et bienvenue à la série de balados de TD Cowen. Intitulé « La médecine à l’ère des machines : IA et soins de santé », l’épisode d’aujourd’hui présente les principaux enjeux dans l’évolution récente de l’IA et des soins de santé. Je suis Brendan Smith, analyste du secteur des soins de santé chez TD Cowen. Je suis en compagnie de Jeff Elton, vice-président du conseil d’administration de ConcertAI. Jeff, je suis ravi de vous accueillir.
Jeff Elton :
Merci beaucoup. Je suis ravi d’être ici, Brendan.
Brendan Smith :
Pour les personnes qui découvrent notre balado, La médecine à l’ère des machines a pour objectif de décomposer l’utilisation de l’intelligence artificielle dans le domaine de la santé en points digestes et faciles à comprendre, un épisode à la fois, de mettre en lumière les idées reçues les plus répandues, puis de replacer chaque élément dans une perspective plus large. Aujourd’hui, Jeff et moi allons nous pencher sur la manière dont ConcertAI réécrit les règles du jeu pour concevoir des essais cliniques, et recruter des gens pour ces essais, grâce à l’IA et à une approche basée sur les données, ainsi que sur le potentiel véritablement transformateur de cette méthode pour le domaine à l’avenir. Jeff, plongeons directement dans le vif du sujet.
Je pense qu’on peut dire sans se tromper que la plupart des investisseurs ont probablement entendu parler de l’IA dans le domaine de la découverte de médicaments, d’une manière ou d’une autre. Cependant, la plupart des gros titres semblent s’être concentrés davantage sur la découverte de cibles, la biosimulation, et autres aspects similaires. Mais vous, chez ConcertAI, vous nous rappelez vraiment que cette technologie peut être appliquée sur l’ensemble du spectre du développement pharmaceutique, et en particulier à la conception des essais cliniques, ainsi qu’à la sélection et l’identification des populations de patients appropriées pour les mener. Alors, commençons par donner une vue d’ensemble : pourquoi, selon vous, cet aspect du développement de médicaments est-il particulièrement propice à des gains d’efficacité basés sur les données, et comment ConcertAI utilise-t-il l’IA pour véritablement piloter ce mouvement?
Jeff Elton :
Merci, Brendan. Je pense que c’est un excellent point de départ. La réponse à votre question comporte plusieurs niveaux. D’abord, les processus de développement clinique eux-mêmes (et probablement la partie la plus banale) impliquent une énorme quantité de tâches administratives, une composante humaine très importante et des processus très séquentiels pour accomplir les différentes étapes. Ce n’est donc pas un domaine caractérisé par son efficacité. Et d’une certaine manière, si l’on pense à l’endroit où l’IA générative et agentique peut vraiment apporter son utilité et est généralement bien acceptée, c’est précisément dans ce type de contexte. C’est d’ailleurs l’une des raisons pour lesquelles les entreprises pharmaceutiques ont probablement déjà commencé à intégrer l’IA générative dans toute leur rédaction scientifique. Une partie du travail consiste donc simplement à transférer à l’IA beaucoup de ce que j’appellerais les tâches « non créatrices de valeur ».
Mais ensuite, on entre dans des aspects plus nuancés et, on pourrait dire, encore plus importants dans ce domaine. Je vais vous donner un exemple sans mentionner le promoteur : un essai clinique rencontrait des difficultés pour recruter des patients aux États-Unis. En utilisant nos outils pour analyser le problème, nous avons constaté que le traitement témoin pour la population américaine n’était pas considéré comme faisant partie des soins standards actuels. Il l’était en Europe de l’Est, mais pas aux États-Unis. Aucun médecin américain ne voulait donc que ses patients soient randomisés dans le bras témoin de cet essai, car cela ne correspondait pas à la pratique actuelle pour ces patients. Résultat : presque aucun patient américain ne participait. Et pour l’entreprise pharmaceutique, c’était un vrai problème, car sans patients américains, l’essai pourrait ne même pas soutenir une autorisation de mise sur le marché aux États-Unis.
On parle là d’un élément à très fort coût. Revenons à votre question sur la découverte de médicaments par l’IA. Dans ce domaine, lorsqu’on examine les données de différentes entreprises, certains processus qui pouvaient prendre quatre à cinq ans ont pu être ramenés à 18 mois, ce qui est remarquable. L’idée qu’on puisse générer une série de candidats de manière beaucoup plus efficace est fascinante. Mais le problème, c’est qu’une fois ces candidats sélectionnés, ils doivent passer par le même système. Et, sans vouloir manquer de respect aux entreprises de découverte de médicaments, la plupart des gains de temps risquent d’être perdus si le reste du processus ne bénéficie pas des mêmes types d’efficacité et d’optimisation.
Ainsi, notre objectif premier est de pouvoir simuler ce programme (appelons-le la version « IA » d’un processus rationnel) en utilisant toute l’infrastructure et des outils comme AlphaFold pour progresser. Cette simulation permet de déterminer sur quelle population de patients se concentrer pour le bras actif, de décider quels candidats de la série devraient entrer en clinique en premier, et à quoi devrait ressembler la population témoin. Elle permet aussi de créer un dossier expliquant pourquoi tel choix de témoin a été fait, ce qui prépare même les conversations consultatives avec la FDA, dès le début.
Ensuite, comment optimiser la conception de l’essai afin d’utiliser le minimum de patients nécessaires tout en respectant tous les critères, les critères d’évaluation et la solidité biostatistique? Là aussi, l’IA peut intervenir. Et enfin, où mener l’essai? Peut-on déterminer les sites disposant des patients correspondant aux critères d’inclusion, mais aussi capables d’assurer la réussite de l’essai? Chacune de ces étapes pose des problématiques de retard, de rendement et de complexité. Mais tout cela peut être pensé comme un système, et c’est là que nos outils d’IA, et l’IA de manière générale, peuvent vraiment changer la donne.
Brendan Smith :
Oui, je pense que c’est un excellent point de départ pour toute cette conversation. Avec une technologie comme celle-ci, il y a une infinité de directions possibles. Mais même pour nous, une question revient souvent : les ensembles de données utilisés pour entraîner les différents modèles d’IA en santé. D’où viennent ces données? Comment tenir compte des différences de qualité entre les ensembles de données? Plus spécifiquement pour vous, comment trouvez-vous les bonnes données du monde réel et vous assurez-vous qu’elles coordonnent avec les objectifs de vos modèles ou d’un médicament dans un domaine donné?
Jeff Elton :
Si vous consultez nos communiqués de presse ou autres déclarations, vous verrez que nous avons établi des partenariats avec des entreprises comme Caris Life Sciences, NeoGenomics ou Guardant. Vous verrez aussi que nous avons acquis une unité de l’American Society of Clinical Oncology en décembre 2023, appelée CancerLinQ. Toutes ces initiatives visaient essentiellement à répondre à une question : peut-on constituer un ensemble de données hautement représentatif, en particulier de la population américaine, mais aussi de toutes les sous-populations raciales, ethniques et économiques qui la composent? Historiquement, les gens ont souvent utilisé des ensembles de données provenant d’un centre médical universitaire. On connaît alors la région métropolitaine et ce groupe particulier, qui tendent souvent à être un peu plus favorisés que d’autres. Ce n’est pas inhabituel. La plupart des outils d’IA étaient généralement entraînés au sein d’une institution individuelle ou sur un ensemble de données public, relativement restreint et désormais plutôt ancien.
Nous, en revanche, intégrons chaque jour des données provenant de centaines de sites à travers le pays. On doit inclure des données qui ne sont pas nécessairement saisies dans les dossiers médicaux électroniques. C’est pourquoi, en travaillant avec Caris Life Sciences et certains laboratoires, on exploite les données de leurs systèmes d’information de laboratoire, qui n’étaient pas toujours utilisées dans le cadre des protocoles de soins standards. Et on fait cela à une échelle suffisamment large pour que l’ensemble de données soit véritablement représentatif.
Mais encore plus important, les programmes sur lesquels travaillent la plupart des entreprises pharmaceutiques et biopharmaceutiques sont souvent très restreints en termes de population ciblée, car elles essaient de démontrer l’efficacité dans un groupe le plus étroit possible, ce qui facilite l’interprétation et la décision des agences réglementaires. Cela signifie que l’« entonnoir » de patients (que l’on commence parfois avec plus de huit millions de patients) peut se réduire à seulement quelques centaines de personnes lorsque l’on applique ces caractéristiques très précises.
Il faut donc tenir compte de cela lorsqu’on entre dans ce type de domaine : il est essentiel de disposer de données représentatives et de qualité, sinon le modèle d’IA risque d’être entraîné sur un ensemble de données biaisé ou inadéquat, ce qui influencera évidemment les décisions prises par la suite.
Brendan Smith :
Et cela nous amène directement à toute cette discussion, qui ne concerne pas seulement la sélection générale des patients, mais aussi les espaces thérapeutiques, les indications et quelles sous-populations, parmi les sous-populations, sont les plus pertinentes, non seulement pour le traitement, mais aussi pour la technologie elle-même. Je sais, en particulier, que vous avez quelques domaines de prédilection; évidemment, il faut bien commencer quelque part, puis explorer le vaste monde des occasions que l’IA nous offre. Mais je suppose que la question est : pourquoi l’oncologie? Après tout, il y a tant de maladies différentes, tant de médicaments en développement pour chacune d’elles. Qu’est-ce qui, dans ce domaine en particulier, se prête à ces approches basées sur les données pour la conception d’essais et le recrutement des patients?
Jeff Elton :
Il y a d’abord un aspect émotionnel et éthique : ce sont des maladies dévastatrices. Elles détruisent des familles, bouleversent des vies et peuvent frapper à tout âge, sans discrimination.On pourrait aussi ajouter les répercussions économiques : ces maladies réduisent la productivité collective en retirant des personnes actives de la population au cours de leurs années les plus productives. C’est d’ailleurs l’une des principales causes de mortalité, particulièrement chez les personnes en âge de travailler.
Mais il y a une autre dimension : depuis des décennies, on a décidé de « déclarer la guerre » à l’oncologie – c’était même appelé la guerre contre le cancer. Cela a permis de financer des initiatives via le NCI et d’autres programmes, et a conduit à une meilleure compréhension que certaines mutations génétiques étaient responsables de la croissance tumorale. Progressivement, on a étudié la génétique humaine, la génétique des cellules mutées et des différents systèmes organiques, et on a compris les mécanismes sous-jacents de ces maladies.
Ainsi, grâce à toutes ces recherches, on dispose aujourd’hui de plus de connaissances sur la biologie de certaines maladies et d’un volume de données moléculaires plus riche que pour toute autre maladie, qu’il s’agisse de maladies cardiovasculaires, métaboliques ou autres. Pour une entreprise spécialisée en IA, c’est idéal si l’on veut modéliser un état pathologique, une population de patients ou une intervention et prédire l’efficacité d’un traitement. Autre avantage : les cycles sont courts. Lorsqu’une personne développe un cancer, il peut s’écouler seulement quelques semaines ou mois avant que sa vie ne soit menacée. À l’inverse, pour certaines maladies cardiovasculaires ou métaboliques, il faut parfois 20 ou 30 ans pour observer un résultat, ce qui rend l’évaluation des interventions beaucoup plus longue et complexe.
Il existe donc de nombreuses raisons pour que les interventions aient une incidence réelle, les données disponibles permettant de mesurer rapidement leur efficacité. De plus, le cancer touche différents systèmes d’organes et se manifeste à travers des stades précurseurs. Par exemple, une personne atteinte d’un cancer du foie a peut-être d’abord eu une fibrose hépatique ou une exposition au virus de l’hépatite C. Grâce à ces connaissances, nous en savons beaucoup sur d’autres maladies et sur le statut immunologique des patients, ce qui nous permet d’aborder l’immunologie. C’est donc pour toutes ces raisons qu’on a estimé que l’oncologie était le point de départ idéal pour créer une entreprise comme la nôtre.
Brendan Smith :
Comme je le disais, il faut bien commencer quelque part. Avec des avancées technologiques qui évoluent presque quotidiennement, il devient presque impératif pour les personnes qui disposent des leviers d’action de réellement tirer parti de cette dynamique.
Jeff Elton :
Si l’on regarde le pipeline des entreprises pharmaceutiques, environ 40 % de leurs programmes concernent l’oncologie. Ce chiffre s’explique en partie par la confiance qu’elles ont dans ce domaine, alors que la catégorie suivante ne représente qu’environ 10 %. Donc, quand on collabore avec la pharma et la biopharma, il est logique de commencer par l’oncologie. D’ailleurs, 90 % des programmes de traitements innovants désignés par la FDA concernent ce domaine. Il y a donc de nombreuses raisons de nous concentrer sur ce domaine.
Brendan Smith :
Tout à fait. On sait aussi que vous ne vous limitez pas à l’oncologie. Quand on pense à l’application de cette technologie au-delà de ce domaine, comment ces approches centrées sur l’oncologie pourraient-elles, à terme, être adaptées à d’autres domaines thérapeutiques? Existe-t-il des obstacles importants à cela qui pourraient être levés grâce à une prise de conscience plus large? Quelles sont les considérations principales à garder à l’esprit?
Jeff Elton :
Excellente question, Brendan. Pour commencer, l’architecture de notre IA, que l’on appelle CARA (pour Clinical and Research Accelerators) n’est pas spécifique à l’oncologie. Rien n’a été changé dans la façon dont on gère les données pour qu’elles soient uniquement adaptées aux modèles de langage ou à l’IA agentique. On est passés d’une approche centrée sur la biostatistique et le logiciel-service à une préparation des données permettant leur exploitation par des modèles de langage avancés et l’IA agentique. Rien de tout cela n’est limité à l’oncologie. On pourrait transférer ce paradigme, ces flux de travail et ces méthodes à d’autres domaines. La sélection de patients, la capacité à travailler dans les flux de travail d’un site de soins ou de recherche et à choisir les patients admissibles à un essai : tout ce qu’on fait là peut être appliqué à n’importe quelle autre maladie.
La modélisation des essais cliniques, leur optimisation, la simulation d’un programme et d’une population de patients : dès lors qu’on dispose des données nécessaires, on peut créer des jumeaux numériques et des outils de simulation d’essai pour d’autres maladies. Rien dans nos méthodes n’est limité à l’oncologie. Lors de la conception de ces outils, on a dès le départ prévu qu’ils devaient pouvoir être généralisés à des maladies que nous ne pouvions pas encore anticiper. Cela a toujours été un principe central dans la manière dont on a pensé la création de l’entreprise.
Brendan Smith :
On a déjà discuté en détail du développement en phase clinique pour certains de ces outils. Mais, de manière générale, si un traitement fonctionne en clinique, que l’on sélectionne la bonne population de patients et que l’on conçoit l’essai approprié, avec des résultats positifs en phase II et III, il semble logique de penser que ces méthodes pourraient ensuite être utilisées dans un cadre commercial. Peut-on considérer cette hypothèse comme juste? Lors de la transition de ces approches du domaine clinique au domaine commercial, existe-t-il des considérations supplémentaires pour lesquelles vous devez anticiper plusieurs étapes, ou quel est l’état actuel de cette transition?
Jeff Elton :
C’est une excellente question. Au départ, nos travaux se concentraient sur la recherche, le développement clinique, la médecine et la sécurité épidémiologique. Mais désormais, certaines de nos nouvelles solutions s’adressent, par exemple, à la situation où un nouveau médicament vient d’être approuvé : il faut alors sélectionner les patients répondant aux critères d’admissibilité et observer comment le paradigme des soins standards évolue. On déploie donc une nouvelle catégorie de solutions dans ce domaine particulier. Dans le flux de travail des professionnels de santé, nous disposons désormais de RxLink, qui notifie les cliniciens traitants des médicaments nouvellement approuvés. Cet outil permet de les informer de l’existence d’un traitement, même s’il n’a pas encore été intégré aux recommandations officielles, mais qu’il est approuvé pour une catégorie précise de patients.
On applique donc nos solutions à ce domaine. On travaille également dans l’interprétation radiologique, en modifiant complètement le paradigme des flux de travail. Cette démarche est motivée par la diminution du nombre de radiologues, le départ à la retraite de nombreux professionnels et le faible nombre de nouveaux diplômés. On doit donc compléter les technologies qui soutiennent leur travail. La direction prise est donc très claire.
Brendan Smith :
Tout à fait. Vous faites également référence aux recommandations, qui rappellent l’implication de la FDA. Ces derniers mois, la FDA s’est clairement positionnée en faveur de certaines technologies récentes de modélisation computationnelle et de l’IA. On a observé un effort notable pour adopter ces approches, tout en cherchant à intégrer plus largement ces outils dans différents domaines de la supervision et de l’évaluation réglementaires. Dans ce contexte, ces orientations récentes de la FDA ont-elles modifié vos discussions avec vos partenaires ou votre approche interne pour les prochaines étapes de la plateforme?
Jeff Elton :
Comme vous le savez probablement, sous la direction de Marty Makary, Jeremy Walsh a été nommé le premier directeur de l’IA à la FDA. En janvier, un document d’orientation préliminaire a été publié, indiquant qu’il était possible d’intégrer l’IA pour appuyer toute décision réglementaire, avec un processus intégré en sept étapes. Plus récemment, l’outil Elsa a été annoncé par la FDA.
Brendan Smith :
Oui, c’est vrai.
Jeff Elton :
Effectivement. L’outil Elsa a été déployé un peu plus tôt que prévu : initialement prévu pour le 30 juin, il a été opérationnel deux à trois semaines avant la date annoncée par Marty Makary. L’IA est désormais intégrée à l’infrastructure de la FDA, qui encourage également les promoteurs à l’intégrer à leurs programmes, par exemple pour sélectionner les patients d’un essai clinique ou même développer un biomarqueur basé sur l’IA, pouvant être commercialisé avec le traitement. De nombreux articles populaires ont suscité certaines inquiétudes, mais je considère que cette évolution est positive.
L’agence dispose désormais d’un processus sécurisé et cloisonné de revue par l’IA générative, capable de prétraiter des données, d’examiner des précédents et d’analyser d’autres programmes similaires. Ces outils, utilisés par des experts, permettent d’accélérer et de faciliter les analyses de sécurité. Les évaluateurs et l’équipe responsable de la science des données ne sont pas remplacés; au contraire, de nouveaux collaborateurs viennent soutenir le déploiement de ces outils. Pour un promoteur, savoir que l’agence utilise ces outils d’IA générative implique qu’il est pertinent de développer des capacités similaires. Cela permet de comprendre ce que l’agence sait et d’anticiper les tendances que ces outils vont révéler, afin de se préparer efficacement aux discussions réglementaires.
Certains considèrent ces outils comme révolutionnaires et pensent qu’ils vont tout changer, tandis que d’autres préfèrent observer plusieurs cycles pour comprendre leur fonctionnement. La question à se poser est que, avec les générations actuelles d’IA, le rythme s’accélère et les capacités disponibles dépassent souvent ce que l’on imaginait, permettant de mieux déterminer où l’IA peut être utilisée efficacement. Ces cycles se raccourcissent et progressent rapidement.
Ceux qui ne développent pas cette compétence auront plus de difficultés à rattraper leur retard dans cet environnement.
Brendan Smith :
C’est un excellent point pour illustrer la distance entre la réalité opérationnelle, l’agence et le point de vue des commanditaires. Mais nous évoluons également dans une communauté d’investisseurs. La question suivante est donc : existe-t-il des aspects que la communauté d’investissement sous-estime ou ne comprend pas totalement, par rapport à ce qui se passe réellement et à ce que ConcertAI a déjà accompli, en dévoilant ce qui se cache derrière certaines inquiétudes médiatiques?
Jeff Elton :
Je vais diviser la réponse… Brendan, vous avez abordé des sujets très larges dans vos travaux, et je tiens à le souligner : vous faites partie des personnes que je lis pour comprendre ce qui se passe.
Brendan Smith :
Merci, c’est très apprécié.
Jeff Elton :
Merci à vous.
Brendan Smith :
Content de savoir que quelqu’un apprécie mon travail.
Jeff Elton :
J’ai tout lu.
Brendan Smith :
Merci.
Jeff Elton :
Prenons les sociétés de thérapeutiques, de diagnostic et d’outils, car vous avez déjà abordé ces sujets. Si je suis une société de biotechnologie, je peux considérer que mon programme repose avant tout sur un agent biologique : un anticorps ou une petite molécule chimique. Mais derrière cette entité, il y a une logique : pourquoi elle a été conçue ainsi, pourquoi telle population de patients a été sélectionnée, et quelles connaissances sur la biologie de la maladie ont été prises en compte. À l’avenir, ces couches de renseignements et de modèles feront autant partie du programme que l’agent biologique ou chimique lui-même.
Plus les entreprises comprendront cela, mieux elles seront préparées. Si je devais formuler une hypothèse sur la direction que prend l’agence, elle s’est engagée à offrir les délais de révision les plus rapides du secteur. Cela implique que, grâce à l’IA générative, la surveillance d’un programme se poursuivra même après une décision ou une approbation. En un sens, toutes les décisions deviennent provisoires, car elles peuvent être réévaluées à mesure que de nouvelles données apparaissent.
Ce n’est pas une mauvaise chose : c’est la nouvelle structure qui se met en place. Pour les sociétés de diagnostic, que vous avez également évoquées, beaucoup deviennent aussi des entreprises d’IA. Le diagnostic consiste à collecter des renseignements donnant un aperçu de l’état de santé et permettant d’anticiper la réponse à un traitement. Certains parlent de « signatures » d’autres de modèles d’IA. Je pense que les diagnostics intégreront une couche d’IA, une couche intermédiaire basée sur l’IA et une couche de décision : c’est la direction que prendra ce secteur, une évolution attendue depuis longtemps et qui s’accélère. Quant aux sociétés d’outils qui produisent de vastes ensembles de données, elles auront elles aussi besoin d’une couche intermédiaire basée sur l’IA, placée entre leurs données et les programmes des fabricants ou commanditaires avec lesquels elles travaillent.
Brendan Smith :
Cette conversation illustre bien l’étendue des cas d’usage potentiels de ces technologies, qui ne se limitent pas à un seul domaine. Certaines applications disposent de plus de données et de modèles plus avancés, mais dans l’ensemble, cela s’apparente à une progression inévitable. On a abordé beaucoup de points essentiels aujourd’hui, et je suis sûr que la discussion se poursuivra dans les mois à venir. Mais avant de conclure, j’aime poser cette question à tous nos invités : si tout ce dont on a parlé aujourd’hui passe au-dessus de la tête d’une personne de notre auditoire, mais qu’elle nous a écoutés jusqu’ici, qu’est-ce que vous aimeriez surtout qu’elle retienne de notre conversation, quelle que soit son expertise?
Jeff Elton :
D’abord, merci à tout le monde d’avoir écouté jusqu’au bout.
Brendan Smith :
En effet.
Jeff Elton :
Ensuite, je voudrais insister sur un point : dans le domaine de la santé et des sciences de la vie, l’expression « l’IA au service du bien » a une véritable signification. Je suis convaincu que les professionnels des sociétés pharmaceutiques et de dispositifs médicaux conçoivent ces solutions parce qu’ils veulent améliorer la condition humaine, stopper des maladies, mieux diagnostiquer les patients ou proposer de nouveaux traitements. L’IA agit comme un accélérateur de ces efforts et peut aussi constituer une garantie supplémentaire. Elle n’est pas une menace.
Au contraire, son perfectionnement passe par l’usage, la transparence et la publication scientifique, un domaine dans lequel notre secteur excelle. Pensez aux rapports d’analystes ou aux publications : tout cela permet un suivi rigoureux. En réalité, l’IA ne remplace pas la réflexion humaine. Un grand modèle de langage repose sur des réseaux de neurones inspirés de notre propre fonctionnement cognitif. Ce sont des accélérateurs de nos façons de penser et d’agir, conçus pour améliorer la vie des patients. C’est le message principal que j’aimerais que les gens retiennent.
Brendan Smith :
Parfait. Merci beaucoup, Jeff, d’avoir pris le temps de nous avoir fait part de votre vision et de nous avoir éclairés sur les cas d’usage en pleine évolution de l’IA. Je suis certain que nous aurons encore beaucoup à discuter dans les semaines et mois à venir, à mesure que ces travaux porteront leurs fruits. Merci encore de votre participation.
Jeff Elton :
Merci beaucoup, Brendan.
Locutrice 1 :
Merci d’avoir été des nôtres. Ne manquez pas le prochain épisode du balado Insights de TD Cowen.