La data science, cette discipline croisant l’informatique, les mathématiques et les statistiques, s’est imposée comme un outil essentiel dans de nombreux domaines. Parmi eux, le secteur de la santé connaît une véritable métamorphose notamment dans l’élaboration des nouveaux traitements.
A la fois dans la drug discovery (découverte par IA et Data Science de nouvelles entités thérapeutiques) mais aussi, dans l’optimisation de traitements existants sur la base de données en vie réelle (Real World Data).
1ère application : la découverte et le développement de thérapeutiques plus rapidement que par le passé
La conception de médicaments est un processus long et coûteux. Grâce à l’analyse de données à grande échelle (Big Data), il est désormais possible de prédire l’efficacité d’une molécule sur une cible biologique.
La simulation informatique permet également de tester virtuellement des milliers de molécules, accélérant ainsi la phase de découverte.
L’essor des modèles de Jumeaux Numériques (Digital Twins) confirme cette révolution.
On notera :
- Les jumeaux numériques des structures moléculaires qui peuvent simuler l’interaction d’une molécule de médicament avec sa cible, permettant aux chercheurs de prédire son efficacité et ses effets secondaires potentiels
- Les jumeaux numériques « patients » : pour une approche plus personnalisée de la médecine. Les jumeaux numériques peuvent simuler des patients individuels en fonction de leur génétique, de leurs antécédents médicaux et d’autres facteurs propres et environnementaux. Cela pourrait prédire comment un patient pourrait réagir à un médicament particulier.
Ces nouvelles technologies permettent clairement d’envisager la conception et/ou l’adaptation de traitement au plus près du patient et de ses particularités. C’est l’essor de la médecine de précision.
Ainsi, au lieu d’une approche « taille unique », les médecins pourront prescrire des traitements basés sur le profil génétique, environnemental et historique du patient.
L’oncologie est une aire thérapeutique particulièrement investie dans la recherche de nouvelles entités et nouvelles stratégies thérapeutiques. Pour soigner chaque patient ou chaque type de cancer, les cliniciens doivent définir des protocoles de soins complexes et procéder à des combinaisons thérapeutiques par une approche empirique. La mobilisation des données de santé constitue un atout considérable dans le développement de nouvelles thérapies en oncologie.
En juin 2023, le Health Data Hub, en collaboration avec le centre Léon Bérard, Inria et Sanofi, a annoncé un nouveau partenariat afin de développer un algorithme d’intelligence artificielle (IA) capable d’évaluer la pertinence des nouvelles combinaisons de molécules en oncologie à l’aide des données de vie réelle.
L’enjeu est d’identifier la meilleure combinaison de molécules existantes pour proposer et lancer de nouveaux traitements qui soient les plus efficaces et personnalisés possibles.
Le projet Combo (evaluating new COMBinations in Oncology with real-world data) a donc pour objectif de développer un algorithme d’intelligence artificielle (IA) de prédiction afin de créer de nouvelles combinaisons de molécules pertinentes les plus efficaces et sûres de passer en phase 1 d’essai clinique, capable de lutter contre tous les types de cancer.
Le projet se fera en deux étapes. La première vise à utiliser les données de vie réelle (données du CLB chaînées au SNDS) et les graphes de connaissance pour faire une première identification des premières combinaisons de molécules en immuno-oncologie à étudier. La seconde se concentre sur le développement d’un modèle prédictif de la pertinence des combinaisons de molécules en intégrant les bases résultant de l’étape 1 et d’autres bases de données fournies par Sanofi ainsi que la connaissance des experts.
Les premiers résultats sont attendus en juin 2024.
2ème application : l’optimisation du design d’essais cliniques
Avec des algorithmes de pointe, il est désormais possible de mieux sélectionner les patients pour les essais cliniques, assurant ainsi une meilleure représentativité et augmentant les chances de succès. De plus, l’analyse des données issues de ces essais permet d’ajuster rapidement le protocole si nécessaire.
Il s’agit de modéliser la meilleure méthodologie d’essai clinique pour un candidat médicament. Potentiel considérable lorsque l’on connaît le coût et le risque des essais cliniques traditionnels (Phase 3).
Avec la data science, l’enrichissement de la conception des essais améliore la fiabilité / reproductibilité des résultats des essais et leur acceptation réglementaire. La cartographie des critères d’inclusion/exclusion sur des données de vie réelle a permis de simuler des scénarii d’enrichissement et de sélectionner celui qui est optimal. Cela a permis de réduire le délai de recrutement de plusieurs mois tout en maintenant les chances de réussite.
En septembre 2023, Unicancer et Quinten Health ont annoncé le lancement d’un consortium public-privé, ouvert aux industriels de la santé, dédié au développement et à l’exploitation de jumeaux numériques de patients en vie réelle, permettant de réduire les risques et d’accélérer la conception et la réalisation des essais cliniques de phase III, de mieux différencier et positionner les produits en développement et de simuler leur impact en vie réelle dans le cancer du poumon.
La révolution apportée par la data science dans le domaine thérapeutique est manifeste. Elle promet une médecine plus précise, prédictive et personnalisée. Toutefois, cette évolution nécessite également une réflexion éthique et réglementaire, notamment en matière de protection des données personnelles et de garantie de l’équité dans l’accès aux soins. Cependant, une chose est sûre : la data science est au cœur de la médecine de demain.
Si cet article a éveillé votre intérêt et que ce sujet vous parle, n’hésitez pas à nous contacter pour en savoir plus sur notre expertise et nos prestations : sessions d’acculturation, formations, études et bien plus encore !
