L'IA dans les essais cliniques

À rebours des discours alarmistes ou naïvement enthousiastes, Luca Mollo, vice-président et directeur médical chez Pfizer, pose un regard pragmatique sur l'IA dans la recherche biomédicale : une technologie qui ne remplace pas le médecin, mais qui lui donne accès à ce qui lui échappait jusqu'ici. Il démontre, exemples à l'appui, comment l'intelligence artificielle transforme la conduite des essais cliniques tout en maintenant l'humain au cœur de la décision.

L'IA dans les essais cliniques : ce qu'elle fait vraiment  
"Ni baguette magique, ni menace : portrait d'une technologie qui décuple la vision humaine." 

Le corps humain est d’une complexité vertigineuse. Quarante mille milliards de cellules. Un nombre vertigineux d’atomes en interaction constante. Le déplacement d’un seul atome peut déclencher une maladie ou, à l'inverse, la conjurer. Face à ce gigantisme, l’esprit humain, aussi brillant soit-il, bute sur ses propres limites computationnelles et mathématiques. 

C’est ici que se joue la véritable révolution de notre siècle pour la recherche biomédicale. Non pas celle d’une machine qui remplacerait l'Homme, mais celle d’une technologie qui décuple sa vision. Je veux parler de l’intelligence artificielle appliquée aux essais cliniques. Loin des fantasmes de science-fiction, l’IA est aujourd’hui un allié concret au profit de l'accès concret des patients à l’innovation. 

De la donnée brute à l'intervention préventive 

Aujourd'hui, une proportion encore importante des essais cliniques s'interrompt en cours de route, faute de participants. Les patients quittent l'étude, souvent parce que leur prise en charge n'est pas adaptée. Et l'enjeu devient critique dans les domaines les plus lourds, comme en oncologie où les cohortes sont réduites, les traitements éprouvants, le suivi exige un encadrement serré et une attention constante aux signaux faibles. Chaque abandon peut alors compromettre la poursuite de l'essai. 

Or piloter ces études n'a jamais été aussi complexe. Un essai clinique se déroule en trois phases successives, et à chaque étape la cohorte s'élargit : il faut recruter des populations toujours plus vastes, réparties sur des centaines de sites, pour établir avec certitude la sécurité et l'efficacité d'un traitement. Traduire tous ces événements du monde réel en données numériques génère un volume d'informations considérable. Les données collectées lors des essais ont triplé en dix ans et continuent de croître d'environ 11 % par an. À cela s'ajoute leur diversité : un essai de Phase III moderne combine en moyenne une dizaine de sources différentes : résultats cliniques, dossiers médicaux électroniques (EHR), imagerie, génomique, biomarqueurs digitaux ou encore données en temps réel issues des objets connectés (wearables). 

Face à un tel flux, l'analyse humaine, même experte, atteint ses limites. C’est pourquoi les intelligences artificielles sont mises au service de l’anticipation des risques, tels que les problèmes de recrutement ou l'abandon des patients, permettant ainsi d'intervenir préventivement pour sécuriser l'essai et garantir une meilleure expérience aux participants.  

Chez Pfizer, notre approche de l'IA est avant tout pragmatique. J’aimerais reprendre le constat du Demetris N. Zambas, responsable mondial des sciences des données cliniques. En effet, il rappelle que l'IA est un outil opérationnel permettant d'analyser la cohérence des données et l'application des protocoles pour détecter précocement les anomalies, permettant ainsi de corriger rapidement des problèmes évitables pendant que l'étude est encore en cours.

C'est tout l'enjeu des modèles que nous avons développés pour attribuer un véritable “score de performance” aux centres d'investigation avant même qu'ils ne commencent à recruter. Cette capacité prédictive s'appuie sur l'historique et les données de nombreux sites, fruit d'un travail rigoureux de structuration que nous avons initié bien avant le Covid-19 : c'est la qualité exceptionnelle de ces bases de données qui garantit aujourd'hui la fiabilité et la précision de nos algorithmes. En analysant ces informations, l'algorithme identifie les sites capables de recruter dans les délais impartis, de faire preuve de réactivité face aux imprévus, et d'engager efficacement les malades sur la durée. Ce ciblage intelligent garantit ainsi la viabilité de l'essai tout en sécurisant l’expérience des participants. 

Validée à grande échelle lors des essais vaccinaux, dont l'intensité en données constitue un test de robustesse rigoureux, cette approche démontre aujourd'hui sa transposabilité à d'autres aires thérapeutiques impliquant de vastes cohortes, telles que l'obésité ou les pathologies cardiovasculaires. 

Faire parler les "archives invisibles" 

Un exemple souvent méconnu illustre bien cet apport. Je pense notamment à l'analyse de ce que l'on appelle les “traces d'audit”, ces millions de lignes de codes qui enregistrent chaque action informatique d'un essai.  

Je vais ici citer Lynne Cesario, responsable des programmes d’IA chez Pfizer. Elle explique que l’IA excelle à faire parler ces archives invisibles. Une saisie de données à une heure suspecte ? Une répétition anormale de valeurs ? L'IA lève un drapeau. Derrière ces alertes, il y a pourtant rarement des négligences, mais souvent un besoin d'accompagnement, un matériel défectueux ou un protocole mal compris.  

L'humain dans la boucle : une exigence non négociable

Malgré ces avancées, une inquiétude persiste : l'algorithme va-t-il destituer le médecin ? Va-t-il décider, in fine, de la vie des patients ? 

Ma réponse est catégorique : non. Et elle ne doit pas le faire. Les autorités de santé mondiales imposent un garde-fou non négociable : l'humain dans la boucle. Elle propose, alerte, synthétise mais ce sont toujours des experts humains qui interprètent, décident et assument la responsabilité scientifique et médicale. Cela étant, les approches réglementaires divergent : la FDA américaine se montre déjà très opérationnelle et “AI-ready”, tandis que l'EMA européenne privilégie une approche systémique et juridique dictée par l'AI Act.  

L’une des leçons les plus importantes de l’expérience de Pfizer est peut-être la suivante : l’IA n’est pas une “baguette magique”. Demetris Zambas le rappelle avec lucidité : vouloir appliquer l’IA partout, sans objectif précis, conduit rarement à des résultats concrets. À l’inverse, les projets les plus réussis sont ceux qui partent de problèmes bien identifiés (améliorer la qualité des données, réduire les tâches répétitives, détecter plus tôt les risques) et démontrent rapidement une valeur mesurable. Cela se traduit par des outils comme le Smart Data Quality, qui automatise la détection d'anomalies et la génération de textes pour les requêtes, ou le Smart Medical Coder, qui assiste le codage médical. 

Mais l'essentiel est ailleurs. Pour que les experts s'approprient ces méthodes, la confiance est centrale. Quand un outil fait gagner du temps, réduit les erreurs ou simplifie une tâche fastidieuse, son adoption va de soi. L'IA cesse alors d'être vécue comme une menace pour devenir un levier de montée en compétence.

Ce qui s'est forgé avec une intensité inédite dans le domaine des vaccins s'applique déjà aux grands défis de notre temps. Les essais en obésité, en prévention cardiovasculaire ou dans d’autres maladies chroniques mobilisent eux aussi de vastes cohortes, de multiples centres et des données complexes recueillies sur de longues périodes. 

D'ici cinq à dix ans, la réussite de l’IA ne se mesurera pas à l’effacement de l’humain, bien au contraire. Elle se mesurera à la capacité de redonner du temps aux scientifiques et aux cliniciens pour ce qu’ils font de mieux : réfléchir, interpréter, confronter les hypothèses et produire des connaissances utiles pour la santé publique. 

C’est dans cet équilibre exact, entre innovation technologique et responsabilité éthique, que se dessine le véritable leadership de la médecine de demain.

Luca Mollo, vice-président et directeur médical