IA et nouveaux traitements : la révolution a déjà commencé

Comme l’a rappelé le Pr Bernard Nordlinger (Académie nationale de médecine) en introduction d’une séance commune des Académies de médecine et de pharmacie, le 18 novembre dernier, "les premières applications de l’intelligence artificielle (IA) en santé ont concerné l’analyse des images, notamment en radiologie, anatomopathologie et dermatologie, où l’IA est devenue aujourd’hui incontournable. Puis, progressivement, toutes les spécialités médicales ont été impactées. Aujourd’hui, l’IA transforme toutes les dimensions du cycle de vie du médicament".

Selon Philippe Moingeon (Académie nationale de pharmacie), il existe plusieurs grands champs d’application de l’IA, qui permet l’analyse et l’exploitation d’un volume considérable de données, au développement de nouveaux médicaments. Il s’agit, tout d’abord, de la modélisation des maladies (caractérisation multiomique de cohortes de milliers de patients, identification de biomarqueurs de stratification, établissement de taxonomies moléculaires des maladies), ouvrant sur une meilleure compréhension de l’hétérogénéité des patients (catégorisation des patients en sous-groupes homogènes, analyse des voies moléculaires dérégulées). L’IA permet aussi l’identification de cibles thérapeutiques pertinentes, voire totalement nouvelles – notamment de gènes, protéines et voies de signalisation moléculaires impliqués dans la physiopathologie – ainsi que l’identification/optimisation de candidats médicaments en exploitant des banques de molécules chimiques (fixation à la cible, absorption, distribution, métabolisme, toxicité, solubilité, stabilité). Enfin, l’IA contribue à l’évaluation in silico de l’efficacité et de l’innocuité des potentiels nouveaux médicaments.

Au total, en plus d’accélérer la mise au point de nouveaux médicaments, avec des taux de réussite en phase I très supérieurs à la moyenne (80-90 % vs 40-60 %), l’IA apparaît comme un moyen efficace d’élargir les applications de la médecine de précision/personnalisée à travers tous les champs thérapeutiques, en aidant, par exemple, à la conception de médicaments adaptés à des sous-populations de patients.

"Une accélération de la phase découverte est déjà perceptible", s’est enthousiasmé Philippe Moingeon, avec une diminution de deux ans en moyenne (5 ans au lieu de 7) du délai d’entrée en clinique des candidats médicaments, tandis que plus d’une centaine de candidats médicaments conçus avec l’IA sont actuellement en évaluation clinique.

Un futur riche en perspectives

Philippe Moingeon a également souligné la possibilité, à terme, d’utiliser l’IA pour tester des médicaments virtuels chez des patients tout aussi virtuels avant de passer aux études confirmatoires classiques.

Enfin, selon ce dernier, quatre grands domaines d’application peuvent être d’ores et déjà envisagés. En priorité, les traitements de maladies génétiques rares touchant très peu de patients – par l’identification de cibles et la conception d’oligonucléotiques et de thérapies géniques (avec prédiction in silico de l’efficacité vs placebo). L’IA permettra aussi l’identification des meilleures combinaisons pour le traitement des maladies chroniques (par exemple, déterminer en oncologie les associations chimiothérapies-immunothérapies). Le développement de médicaments préventifs est aussi particulièrement concerné, en s’appuyant sur la capacité de l’IA à prédire des risques de santé bien avant qu’ils ne se manifestent sous forme de symptômes. Et, enfin, la mise au point de véritables médicaments antivieillissement susceptibles, par exemple, de cibler et d’éliminer les cellules sénescentes avant que ne s’installe un état d’inflammation chronique pourrait être une cible privilégiée de l’IA, en évitant d’avoir à suivre des centaines de milliers de personnes pendant des dizaines d’années.

Les apports de l’IA en recherche clinique

"Dans ce domaine aussi, les applications de l’IA sont en train de prendre leur envol", a souligné le Pr Jean-Yves Blay (directeur du centre Léon-Bérard, Lyon, et président d’Unicancer).

En pratique, les outils d’IA, en corrélant au mieux les caractéristiques de chaque patient (cliniques, anatomopathologiques, moléculaires, génomiques…) aux critères d’inclusion, permettent de réduire le nombre d’essais inutiles de phases I et II et peuvent aider les centres investigateurs à recruter les "bons patients" pour les essais de phase III avec un meilleur accès aux essais nationaux et aussi internationaux où la compétition est intense.

Un autre objectif prioritaire est d’augmenter le pourcentage des patients pouvant entrer dans les essais cliniques (actuellement 6 à 8 %) et ainsi de pouvoir en faire profiter davantage de patients, notamment en cancérologie, en réduisant également le risque de sortie précoce.