Les essais cliniques en oncologie présentent un problème structurel qui persiste depuis des décennies. Ils recrutent des patients trop lentement, échouent à des taux élevés et produisent des résultats qui ne se traduisent souvent pas bien pour la population générale des personnes atteintes de cancer. Il ne s’agit pas de mineures inefficacités. Ils représentent un fossé fondamental entre l’ambition scientifique de la recherche sur le cancer et sa réalité opérationnelle. Une revue publiée dans Nature Reviews Clinical Oncology examine où l’intelligence artificielle peut véritablement combler ce fossé, et où elle ne le peut pas encore.
Le goulet d’étranglement opérationnel que l’IA peut réellement résoudre
Le rôle le plus immédiat et soutenu par des données probantes pour l’IA dans les essais en oncologie n’est pas le plus spectaculaire. Il ne s’agit pas de remplacer le jugement clinique ou de générer des patients synthétiques. Il s’agit, plus précisément, de résoudre le problème de la paperasse à grande échelle.
Identifier quels patients sont éligibles à un essai donné nécessite d’analyser des critères d’éligibilité complexes par rapport à des antécédents médicaux détaillés, un processus qui prend du temps, est source d’erreurs et est souvent réalisé manuellement. Les systèmes d’IA entraînés sur de grands ensembles de données de dossiers de santé électroniques peuvent automatiser une part importante de ce travail : le filtrage des dossiers de patients pour l’éligibilité, l’extraction de données structurées à partir de notes cliniques et le signalement de candidats pour le recrutement. Ces applications sont déjà déployées dans certains centres anticancéreux universitaires, selon la revue.
La surveillance à distance des patients et l’extraction de données d’essais en temps réel relèvent de la même catégorie. Ce sont des tâches où le volume d’informations dépasse ce que les équipes humaines peuvent traiter efficacement, et où l’IA renforce le flux de travail existant plutôt que de le concevoir à nouveau. La revue est explicite sur ce point : le rôle à court terme le plus justifiable pour l’IA est le renforcement opérationnel sous la supervision humaine, et non la prise de décision autonome.
C’est ce que la plupart des reportages sur l’IA en médecine manquent. Les applications qui font la une des journaux, telles que l’IA diagnostiquant le cancer à partir d’images, attirent l’attention. Le travail plus discret consistant à associer un patient à un essai dont il n’aurait jamais entendu parler autrement pourrait finalement compter davantage pour le nombre de personnes qui bénéficient de la recherche.
Là où l’IA n’est pas prête : preuves synthétiques et jumeaux numériques
La revue trace une ligne claire entre ce que l’IA peut faire maintenant et ce qu’on lui demande de faire prématurément. Les applications conçues pour se substituer à la génération de preuves cliniques, notamment les bras de contrôle synthétiques, les simulations de prédiction de résultats et les jumeaux numériques, en restent aux premiers stades de développement. Les défis méthodologiques ne sont pas résolus, la validation prospective est limitée et les cadres réglementaires n’ont pas encore rattrapé leur retard.
Un bras de contrôle synthétique, pour expliquer le concept, est un groupe de comparaison construit par calcul à partir de données historiques ou du monde réel, destiné à remplacer un bras traditionnel sous placebo ou sous traitement standard dans un essai. L’attrait est évident : moins de patients nécessaires, des essais plus rapides, des coûts moindres. Le problème est que la valadité d’une telle approche dépend de la question de savoir si la population synthétique ressemble réellement aux patients de l’essai, et cette hypothèse est difficile à vérifier et facile à violer d’une manière qui n’est pas immédiatement visible.
Les jumeaux numériques, des modèles virtuels de patients individuels utilisés pour simuler leur réaction potentielle à un traitement, font face à des défis similaires. Le concept est scientifiquement convaincant. La base de données probantes pour les utiliser afin de prendre des décisions cliniques lourdes de conséquences n’est pas encore là.
La surveillance réglementaire de ces outils est mieux comprise, soutient la revue, comme un continuum proportionnel au risque plutôt que comme un simple binaire réglementé ou non. La FDA et l’EMA convergent toutes deux vers des cadres qui mettent l’accent sur la transparence des modèles, l’évaluation de la crédibilité et la surveillance après le déploiement. Cette convergence importe car elle signale que les régulateurs n’attendent pas qu’une norme définitive unique émerge avant de s’engager avec la technologie.
Pourquoi cette distinction compte au-delà de la médecine
Le cadre que la revue établit, séparant les applications d’IA qui renforcent les flux de travail humains de celles qui tentent de remplacer la génération de preuves, présente une pertinence bien au-delà de l’oncologie. C’est une optique utile pour évaluer les revendications en matière d’IA dans n’importe quel domaine à forts enjeux.
Le modèle est cohérent d’un domaine à l’autre : l’IA donne de bons résultats lorsqu’elle gère le volume, la reconnaissance de formes et l’extraction de données structurées pour soutenir les décideurs humains. Elle devient peu fiable lorsqu’on lui demande de se substituer au type de génération de preuves prospectives et contrôlées qui existe précisément parce que l’intuition humaine et les données historiques sont des guides insuffisants quant à ce qui va réellement se produire.
La revue soulève également des préoccupations transversales qui s’appliquent largement : le biais algorithmique, la dérive des données au fil du temps, l’échec d’étalonnage et l’équité dans l’accès. Un système d’IA entraîné principalement sur des données provenant de centres médicaux universitaires bien dotés en ressources peut ne pas donner des résultats aussi satisfaisants lorsqu’il est déployé dans des hôpitaux communautaires ou auprès de populations qui étaient sous-représentées dans les données d’entraînement. Ce n’est pas une préoccupation théorique. C’est un mode de défaillance connu qui nécessite une surveillance active et divers ensembles de données de validation.
L’appel à la coordination entre cliniciens, chercheurs menant des essais, régulateurs, industrie et patients reflète quelque chose d’important : aucun acteur de ce système ne détient à lui seul l’information ou l’autorité nécessaires pour résoudre ces problèmes.
En bref
L’IA commence à rendre les essais cliniques en oncologie plus efficaces, principalement en automatisant l’identification et le filtrage des patients éligibles et en soutenant la surveillance des données en temps réel. Ces applications sont opérationnelles, soutenues par des données probantes et émergent déjà dans la pratique. Des utilisations plus ambitieuses de l’IA, telles que les bras de contrôle synthétiques et les jumeaux numériques, restent non validées et font face à des questions réglementaires et méthodologiques non résolues. La distinction entre le renforcement des flux de travail humains et le remplacement de la génération de preuves cliniques est la ligne la plus importante à tenir à mesure que cette technologie se développe.
D’après un reportage de Nature: Machine Learning.