Une pilule par jour : ce que l'IA peut VRAIMENT faire dans le secteur pharmaceutique

Jetez un oeil à ces statistiques:

• L'intelligence artificielle peut réduire les coûts de découverte de médicaments jusqu'à 70 % selon une étude récente d'Insider Intelligence
• L'IA peut permettre à l'industrie pharmaceutique d'économiser 28 milliards de dollars par an sur la recherche clinique tout en réduisant de moitié la durée de la phase
• L'IA peut épargner aux entreprises pharmaceutiques jusqu'à 54 milliards de dollars par an en frais de R&D

Il n'est pas surprenant que les sociétés pharmaceutiques se tournent vers les services d'IA médicale pour réduire les coûts et le temps nécessaires au développement de médicaments. Le marché mondial de l'IA dans l'industrie pharmaceutique était évalué à environ 905 millions de dollars en 2021 et devrait dépasser 9 241 millions de dollars d'ici 2030, avec un TCAC de 29,4 %.

Vous êtes motivé pour en savoir plus sur la façon dont l'utilisation de l'intelligence artificielle dans l'industrie pharmaceutique peut améliorer vos processus de développement de médicaments ? Continuez ensuite à lire.

5 meilleurs cas d'utilisation de l'IA dans le secteur pharmaceutique

Vous remarquerez qu'il est courant pour les sociétés pharmaceutiques de s'associer à des innovateurs technologiques pour déployer avec succès l'IA. Accenture a mené une enquête dans laquelle 61 % des personnes interrogées ont signalé une augmentation d'au moins 5 % de leurs bénéfices après s'être associées à un fournisseur de technologie, 76 % des dirigeants de l'industrie pharmaceutique citant un partenariat efficace comme facteur clé de succès.

Voici 5 applications phares de l'intelligence artificielle en pharmacie.

Découverte de médicament

Le Congressional Budget Office rapporte que les coûts de R&D liés au développement d'un nouveau médicament peuvent dépasser 2 milliards de dollars , ce qui comprend la recherche et les essais cliniques.

Le déploiement de l'IA dans le secteur pharmaceutique permet aux chercheurs de parcourir d'énormes ensembles de données, tels que des bibliothèques de petites molécules et des schémas de maladies localisées, et d'apprendre quelles compositions chimiques peuvent convenir à diverses cibles biologiques. L'IA peut générer des composés chimiques sous forme de chaîne de texte ou d'architecture graphique. Il est important de valider les composés résultants, car nombre d'entre eux n'auront aucun sens, pourraient être toxiques ou pourraient contenir un composant qui ne devrait faire partie d'aucun médicament.

En plus de découvrir des compositions candidates, les scientifiques peuvent utiliser des algorithmes d'IA pour analyser la littérature médicale sur la meilleure façon de synthétiser le médicament et de concevoir des essais cliniques. La recherche montre que l'intelligence artificielle pharmaceutique peut réduire de 50 % le temps de synthèse et de dépistage des médicaments , ce qui permet au secteur pharmaceutique d'économiser jusqu'à 26 milliards de dollars de dépenses annuelles.

Il existe de nombreux excellents exemples de sociétés pharmaceutiques déployant des solutions d'IA pour faciliter la découverte de médicaments. Par exemple, GSK, une société pharmaceutique britannique dont le siège est à Londres, s'est associée à la société californienne Vir Biotechnology pendant la pandémie pour accélérer la découverte d'anticorps COVID-19 à l'aide de l'IA et d'un outil d'édition de gènes humains, CRISPR. Vir disposait déjà d'une plate-forme d'anticorps qu'il a déployée pour découvrir des médicaments pour différents agents pathogènes respiratoires dans le passé. Et maintenant, dans cette collaboration, ils ont découvert le sotrovimab, un anticorps qui se lie à un épitope du SRAS-CoV-2 pour neutraliser le COVID-19.

Dans un autre exemple de collaboration entre l'Europe et les États-Unis, une société pharmaceutique et de soins de santé française Sanofi s'est associée à l'innovateur biotechnologique californien Atomwise pour découvrir et synthétiser des composés médicamenteux pour cinq cibles différentes. Sanofi voulait éviter l'approche traditionnelle de découverte de médicaments et a versé à Atomwise 20 millions de dollars à l'avance pour ses capacités d'innovation et d'IA.

Essais cliniques

L'IA a de nombreuses applications dans les essais cliniques . L'un d'eux consiste à identifier les bons candidats participants. La technologie peut analyser les données des patients, les informations génétiques, les notes du médecin et d'autres informations, et sélectionner les personnes éligibles pour un essai particulier. L'IA peut même aider à décider de la taille optimale de la population en fonction de la description existante d'essais similaires.

86 % des essais cliniques ne parviennent pas à recruter suffisamment de patients dans le délai imparti. Un tiers des essais cliniques de phase Ⅲ doivent s'arrêter en raison de difficultés liées au recrutement.

Par exemple, IBM Watson s'appuie sur l'analyse et le traitement du langage naturel (NLP) pour analyser les informations sur les patients. L'outil peut gérer des données non structurées, comme les notes du médecin, et produire un résumé perspicace du patient. Les chercheurs cliniciens utilisent ces faits saillants pour sélectionner et recruter des patients.

Comme l'IA aide les entreprises pharmaceutiques à trouver des patients, cela fonctionne également dans l'autre sens. Antidote , une plateforme de recrutement de patients pour des essais cliniques, utilise la PNL pour analyser leur texte et les sélectionner pour les critères d'inclusion/exclusion des essais. Il demande aux patients de répondre à quelques questions simples sur sa plateforme et propose une liste d'essais auxquels la personne peut participer.

Fabrication de médicaments

Le déploiement de l'IA dans l'industrie pharmaceutique offre de multiples opportunités pour améliorer le processus de production de médicaments. La technologie pourrait :

• Participer au contrôle de la qualité des médicaments . L'IA peut inspecter les médicaments sur le tapis roulant et repérer les défauts, tels que les emballages endommagés. De plus, la technologie peut identifier tout problème potentiel en analysant les données de fabrication, comme les tests de contrôle qualité. Par exemple, AstraZeneca utilise l'apprentissage automatique pour analyser les images de médicaments à la recherche de défauts, tandis que Merck applique l'IA pour détecter les problèmes dans les flacons de vaccins.

  

• Faciliter la maintenance prédictive . L'IA peut surveiller l'équipement sur la chaîne de production et identifier les défauts potentiels grâce à des capteurs qui mesurent les vibrations, la température, le son, etc. de l'équipement. Cela donne aux employés le temps de réparer l'appareil avant qu'il ne tombe en panne, ce qui interrompt la production.
• Réduisez le gaspillage de matériaux . L'IA peut analyser les données sur la consommation d'énergie, les déchets de matières premières et d'autres paramètres et proposer des recommandations sur la manière d' améliorer le processus de fabrication . En outre, la technologie peut prédire la demande, de sorte que les fabricants de produits pharmaceutiques évitent de produire de grandes quantités de médicaments qui ne seront pas consommés et seront autrement gaspillés.

Commercialisation des médicaments

Le secteur pharmaceutique dépend largement des ventes. Les entreprises visent à atteindre le plus de clients possible tout en offrant une expérience utilisateur distinctive et une approche personnalisée. L'intelligence artificielle dans l'industrie pharmaceutique peut faciliter la commercialisation des médicaments en :

• Comparer les campagnes marketing passées et identifier les approches les plus rentables. La technologie peut également analyser les tactiques d'engagement des clients et choisir celles qui réussissent le mieux.
• Agréger les données clients en temps réel pour comprendre leur comportement et ce qu'ils recherchent pour créer une publicité sur mesure.
• Optimiser la tarification des nouveaux médicaments en tenant compte de toutes les parties prenantes impliquées et des données sur les médicaments similaires.
• Simuler différents scénarios de marché en prévoyant les changements de la demande, le comportement des concurrents, etc. Cela permet aux entreprises pharmaceutiques de se préparer aux changements soudains du paysage.
• Trouver de nouveaux consommateurs pour les médicaments existants. Par exemple, Pfizer s'est appuyé sur l'IA pour repérer et atteindre de nouveaux clients potentiels pour Chantix (un médicament qui aide les gens à arrêter de fumer). L'outil a analysé les données des Centers for Disease Control and Prevention pour identifier des segments de population jusque-là inexploités.

Optimisation du dosage des médicaments

L'IA peut analyser de grandes quantités de données patient non structurées et calculer la posologie optimale d'un médicament particulier pour cette personne afin d'obtenir les meilleurs résultats possibles avec un minimum d'effets secondaires. Les modèles d'intelligence artificielle dans l'industrie pharmaceutique peuvent analyser les informations suivantes :

• Antécédents médicaux, tels que les notes du médecin, les résultats des tests de laboratoire, la constitution génétique
• Images médicales, telles que les analyses d'imagerie par résonance magnétique (IRM)
• Biomarqueurs, tels que les niveaux de protéines et les mutations génétiques
• Caractéristiques du médicament, telles que son métabolisme
• Effets secondaires potentiels d'un médicament et de médicaments similaires

Lorsque le dosage optimal est calculé, la technologie peut surveiller son efficacité et faire des ajustements si nécessaire.

Pour donner un exemple concret, une société basée en Californie, Dosis, a construit une plate-forme de dosage de médicaments personnalisés basée sur l'IA que les cliniques de dialyse peuvent utiliser pour gérer la consommation chronique de médicaments. Dans son entretien avec HealthcareITNews, le PDG de Dosis, Shivrat Chhabra, a mentionné que cette plateforme avait aidé les clients à réduire leur consommation de médicaments de 25 % tout en améliorant les résultats pour les patients.

Défis associés à la mise en œuvre de l'IA dans l'industrie pharmaceutique

Certains de ces freins sont spécifiques au domaine, d'autres sont plus généraux et s'appliquent à tous les projets impliquant cette technologie. L'un des principaux défis réside dans les coûts énormes associés à l'intelligence artificielle . Ceci est particulièrement difficile car les dépenses associées au développement de médicaments sont déjà assez élevées. Vous pouvez vous tourner vers des consultants expérimentés en IA pour apprendre à réduire les coûts tout en obtenant un produit viable.

Voici d'autres défis importants auxquels vous pouvez être confrontés lors de la mise en œuvre de l'IA pharmaceutique.

Qualité et quantité des données

Selon une étude récente de McKinsey, le manque de sources de données intégrées était le principal obstacle à l'application de l'analytique dans le domaine de la santé.

Les modèles d'IA pharmaceutique nécessitent généralement de grands ensembles de données pour apprendre. Cependant, il est difficile d'obtenir un ensemble de données suffisant pour chaque maladie, en particulier les rares. Ainsi, à mesure que les ensembles de données de formation deviennent plus petits, les données qu'un outil de développement de médicaments alimenté par l'IA doit gérer sont plutôt complexes. Pensez aux données des patients. Il comprend des informations historiques, la constitution génétique, des notes de médecin, des analyses médicales, etc. Dans ces conditions, il est difficile de créer des algorithmes précis.

Lorsque les données de formation font défaut, il est possible d'utiliser des générateurs de données synthétiques pour certaines applications pharmaceutiques. Par exemple, Mostly AI affirme pouvoir générer des données adaptées à un usage pharmaceutique. Les données de santé font partie des types de données les plus sensibles, et la confidentialité est essentielle dans de telles applications. Les ensembles de données synthétiques peuvent résoudre ce problème. Comme le dit Andreas Ponikiewicz, vice-président des ventes mondiales chez Mostly AI, "Avec des données de santé synthétiques basées sur l'IA générative, qui contiennent tous les modèles statistiques, mais qui sont complètement artificielles, les données peuvent être mises à disposition sans risque pour la vie privée."

Une autre option pour acquérir des données pour expérimenter l'IA et la pharma est de faire partie d'une collaboration spécialisée. Par exemple, le Massachusetts Institute of Technology a lancé le Machine Learning for Pharmaceutical Discovery and Synthesis Consortium. 13 sociétés pharmaceutiques ont rejoint le consortium pour concevoir et construire des algorithmes d'IA pour la découverte de petites molécules.

Vous devez vous assurer que les données utilisées dans les applications pharmaceutiques sont toutes réalistes. Mais c'est assez coûteux de vérifier cela, car cela nécessite l'intervention d'experts humains.

Manque d'interopérabilité et de norme de données unifiée

Il existe encore de multiples normes et réglementations en matière d'informatique de santé , ce qui signifie que chaque hôpital peut adopter une norme de son choix pour le stockage et le formatage des données. Il est donc difficile d'intégrer et d'utiliser les données des patients nécessaires à la recherche sur les médicaments provenant de différents établissements médicaux.

Ces problèmes d'IA dans l'industrie pharmaceutique peuvent être résolus au niveau gouvernemental. Par exemple, le Réseau suisse de santé personnalisé (SPHN) est une initiative fédératrice des données de santé du gouvernement suisse. Le SPHN devait construire une infrastructure nationale qui rationalise l'échange de données médicales entre les hôpitaux suisses, les instituts de recherche et les organismes de réglementation.

Au niveau individuel, les chercheurs pharmaceutiques peuvent bénéficier de plateformes telles que Deep 6 AI , qui utilise la PNL pour analyser et extraire des données de systèmes de dossiers de santé électroniques (DSE) hétérogènes.

Biais algorithmique

« Toutes les données sont biaisées. Ce n'est pas de la paranoïa. C'est un fait."

– Dr Sanjiv Narayan, professeur de médecine à l'Université de Stanford.

Les modèles alimentés par l'IA peuvent facilement développer des biais si leur ensemble de données d'entraînement n'était pas représentatif de la population cible. Le biais des données a été un problème spécifique dans les secteurs pharmaceutique et de la santé. La recherche montre que seuls quelques produits alimentés par l'IA soumis à l'approbation de la FDA offrent des preuves sur la couverture du problème des biais.

Certains professionnels de la santé pensent que cela aidera à réduire les biais si les scientifiques des données travaillent plus étroitement avec les cliniciens et en apprennent davantage sur les données lors de la construction des algorithmes. Ils peuvent demander des informations, telles que l'origine des données et l'objectif initial de leur collecte. Ensuite, les ingénieurs peuvent apporter des modifications aux algorithmes pour remédier à toute fausse représentation de la population.

Les algorithmes peuvent également acquérir des biais à mesure qu'ils continuent à apprendre sur le tas. Par conséquent, des audits systématiques sont essentiels pour garantir que tous les outils basés sur l'IA sont toujours pertinents et fonctionnent comme prévu.

Intégration avec les systèmes existants

Déployer l'IA dans l'industrie pharmaceutique implique de l'intégrer aux plateformes et applications existantes. De nombreuses sociétés pharmaceutiques s'appuient encore sur des systèmes hérités obsolètes qui ne sont pas conçus pour fonctionner avec l'IA ou traiter une grande quantité de données. De tels systèmes utilisent leurs protocoles propriétaires et sont difficiles à intégrer aux applications modernes .

Les entreprises pharmaceutiques qui souhaitent utiliser la technologie moderne parallèlement aux systèmes hérités peuvent bénéficier de solutions logicielles pharmaceutiques personnalisées conçues pour s'intégrer parfaitement aux systèmes hérités existants.

La complexité des applications pharmaceutiques

Les cas d'utilisation de l'intelligence artificielle dans l'industrie pharmaceutique sont plutôt complexes, et il y a une grande marge d'erreur dans les prédictions que fait la technologie. Voici ce qui rend l'industrie pharmaceutique si complexe :

• Chaque patient a des caractéristiques individuelles et de nombreux facteurs à prendre en compte dans les essais cliniques. Si vous développez un médicament pour des problèmes liés au foie, vous devez trouver des participants à l'essai sans autres problèmes de santé susceptibles d'influencer et d'influencer vos résultats.
• La nécessité de tenir compte de l'interaction entre différents médicaments, car une personne peut prendre plusieurs médicaments pour traiter différentes conditions.
• La variabilité de la maladie en tant que condition médicale peut avoir plusieurs variantes et se manifester de différentes manières.
• Les ensembles de données de formation décrivant les maladies et les traitements ne sont pas équilibrés, ce qui peut forcer l'algorithme à recommander la solution la plus fréquente même si ce n'est pas la bonne.

Résumer

Deloitte rapporte que seules quelques-unes des 7 000 maladies rares que nous connaissons ont connu des progrès au cours des dernières années. Et le cabinet de conseil pense que l'IA dans le secteur pharmaceutique peut changer cela. En plus des applications mentionnées ci-dessus, l'IA peut aider les entreprises pharmaceutiques à se mettre en conformité , ce qui est vital dans ce domaine.

Si vous souhaitez intégrer cette technologie de pointe dans votre entreprise, vous devrez probablement faire équipe avec un fournisseur de technologie de votre choix. Aussi, c'est une bonne pratique de :

• Assurez-vous que votre ensemble de données d'entraînement est réaliste, même si le processus de vérification est coûteux et nécessite l'intervention d'un expert humain
• Intégrez l'IA dans votre stratégie au lieu de la traiter comme un projet parallèle
• Développez de solides compétences en IA ou confiez-les à des équipes dédiées
• Encouragez une collaboration étroite entre vos data scientists et vos cliniciens
• Méfiez-vous des dernières réglementations concernant l'utilisation de l'IA dans l'industrie pharmaceutique, car elles évoluent rapidement
• Construisez votre propre expertise éthique pour répondre à toute préoccupation associée à l'IA et accordez une attention particulière à la confidentialité et à la sécurité si vous décidez de collaborer avec d'autres acteurs du domaine et de partager vos données
• Surveillez régulièrement les performances des algorithmes pour détecter les biais et les inexactitudes, que ce soit pour la découverte de maladies, le recrutement de participants à des essais ou même la publicité pour les médicaments. Par exemple, l'Université de Californie a mené une étude sur la publicité des médicaments pour la santé mentale sur les réseaux sociaux et a découvert que les modèles d'IA ont tendance à recommander excessivement ces médicaments aux clients latinos et afro-américains.
• Lorsque vous utilisez l'IA pour générer des composés chimiques, validez toujours les résultats, car ils peuvent fournir des composants toxiques ou autrement inadaptés

Parlant de l'avenir de l'intelligence artificielle dans l'industrie pharmaceutique, PwC prédit l'émergence d'un nouvel écosystème de santé numérique qui comprendra les acteurs suivants :

• Des vendeurs de solutions, qui proposeront des traitements personnalisés, des dosages de médicaments, etc.
• Des orchestrateurs, qui peuvent utiliser l'IA et l'analytique pour répondre aux besoins des patients
• Les fournisseurs de plateforme, qui assureront la médiation entre les acteurs susmentionnés

Et selon le cabinet de conseil, les entreprises qui refuseront toujours d'intégrer l'IA à leurs opérations se transformeront en simples "fabricants sous contrat" pour le reste de l'écosystème. Donc, si vous n'avez pas encore envisagé d'améliorer vos processus métier avec l'IA, cela semble être le bon moment pour expérimenter cette technologie.

Vous cherchez à gagner du temps et de l'argent sur le développement de médicaments et l'organisation d'essais cliniques ? Écrivez-nous ! Nous vous aiderons à créer et à former des modèles d'IA et à les intégrer de manière transparente dans votre système.