Selon
Taconic Biosciences, seulement 12 % des candidats médicaments qui entrent dans la phase d’essai clinique sont approuvés par les organismes de réglementation. Étape la plus longue et la plus coûteuse du processus de création des médicaments, les essais cliniques impliquent plusieurs phases de test chez l’humain qui mobilisent des centaines ou des milliers de participants.
Le processus linéaire traditionnel des essais contrôlés randomisés (ECR) n’a pas changé depuis des décennies. Il manque la flexibilité, la rapidité et la puissance d’analyse nécessaires au développement du modèle de médecine de précision. Les entreprises ont du mal à trouver les bons participants, sans parler de les recruter, de les fidéliser et de les gérer efficacement. Cette inefficacité du processus contribue grandement à l’augmentation des coûts de découverte et de développement de médicaments, ainsi qu’aux faibles taux d’approbation. Cela freine également l’innovation.
Les sociétés pharmaceutiques peuvent utiliser des modèles d'IA prédictifs tout au long de la phase d'essai clinique du développement de médicaments, de la conception jusqu'à l'analyse des données, pour aider à :
- d’identifier les patients éligibles en explorant le contenu disponible publiquement.
- d’évaluer les performances du site des essais en temps réel.
- d’automatiser le partage des données entre diverses plateformes.
- de fournir des données pour les rapports finaux.
La combinaison d’algorithmes à une infrastructure technique performante garantit que le flux constant des données cliniques est nettoyé, agrégé, stocké et géré efficacement. Ainsi, les chercheurs peuvent mieux saisir le niveau de sécurité et d’efficacité des médicaments testés sans avoir à rassembler et analyser manuellement les vastes jeux de données générés par les essais.
