Comment réduire les délais des essais cliniques grâce à l’IA

L’IA pourrait accélérer le développement clinique en transformant la manière dont les entreprises pharmaceutiques prennent leurs décisions

L’enquête d’avril 2026 de Bain & Company a révélé que 53% des essais cliniques actuels de phase 2 et 3 connaissaient des retards. Par ailleurs, 76% des répondants s’attendaient à ce que les essais deviennent plus complexes au cours des trois années suivantes. Pourtant, les entreprises pharmaceutiques investissent dans l’intelligence artificielle tout en laissant une grande partie de leur processus de développement inchangée. Seuls 16% des promoteurs et des organismes de recherche sous contrat (CRO) interrogés, qui mènent des recherches pour le compte des développeurs de médicaments, repensaient les rôles et les workflows autour de l’IA.

Cet écart est important, car le développement clinique dépend de décisions prises dans plusieurs fonctions spécialisées. L’IA peut accélérer l’élaboration des protocoles, améliorer l’identification des patients et automatiser le suivi. Mais ces gains peuvent malgré tout laisser subsister des mois d’attente pour l’alignement réglementaire, la préparation industrielle, l’approbation des investissements et les revues transverses. Une tâche plus rapide ne raccourcit le calendrier de développement que si elle modifie une activité ou une décision qui détermine le moment où le programme peut avancer.

Une autre approche consiste à organiser le développement autour de preuves continuellement mises à jour et accessibles aux personnes qui en ont besoin. L’IA peut relier les résultats de recherche, les observations cliniques, les informations opérationnelles et les exigences commerciales afin que les équipes puissent reconnaître quand de nouvelles preuves justifient une action. Pour que cela fonctionne, les entreprises pharmaceutiques doivent repenser leurs processus de décision tout en maintenant clairement la responsabilité humaine sur les jugements cliniques à fort enjeu.

Le développement clinique devient plus difficile à exécuter

La pression sur le développement clinique vient de plusieurs directions. L’enquête Clinical Trials Voice of Customer Survey d’avril 2026 de Bain & Company a porté sur 120 promoteurs, CRO et professionnels des sites d’essais. La plupart des répondants ont déclaré que les essais étaient devenus plus complexes au cours des trois années précédentes, et ils s’attendaient à ce que cette tendance se poursuive.

Les résultats montrent comment la pression opérationnelle augmente alors que la préparation organisationnelle reste en retard.

Les résultats sur l’adoption de l’IA proviennent des 80 répondants promoteurs et CRO au sein de l’échantillon global. Ils décrivent la manière dont les organisations travaillent plutôt que des résultats mesurés en matière de développement.

La complexité croissante reflète des changements à la fois dans les médicaments en cours de développement et dans les ressources disponibles pour les tester. Le nombre de médicaments en développement de phase 2 et 3 augmente d’environ 9% d’une année sur l’autre, tandis que les entreprises de biotechnologie agiles mènent davantage d’essais de phase 3. Le développement rapide en phase précoce en Chine ajoute une pression concurrentielle, car les promoteurs disposent de moins de temps pour réagir lorsque des résultats cliniques prometteurs émergent.

À mesure que davantage de programmes se disputent les investigateurs, les patients et les sites d’essais, les exigences des études deviennent elles aussi plus contraignantes. Les thérapies ciblées dépendent de plus en plus de biomarqueurs, des caractéristiques biologiques mesurables utilisées pour identifier les patients ou évaluer les effets d’un traitement. Ces exigences peuvent réduire les populations éligibles et compliquer le recrutement, même lorsqu’un médicament repose sur une justification scientifique convaincante.

L’identification des patients, le recrutement et l’activation des sites restent donc des défis persistants malgré environ une décennie d’investissement dans les capacités de développement clinique. Les promoteurs réagissent en partie en recrutant davantage de patients en dehors des US, où des sites supplémentaires peuvent améliorer l’accès, réduire les coûts et accélérer le recrutement.

Le recrutement international apporte un autre défi de planification. Les régulateurs accordent davantage d’importance à des populations de patients représentatives localement et à des preuves pertinentes pour des marchés géographiques spécifiques. Un essai peut recruter efficacement des patients dans plusieurs pays, mais ses résultats doivent toujours s’appliquer aux populations qui recevront le traitement.

La stratégie de recrutement façonne donc la planification réglementaire et la sélection des marchés commerciaux. Une expansion à l’international peut aider un promoteur à aller plus vite, mais les preuves qui en résultent doivent soutenir sa stratégie visée d’enregistrement et d’accès au marché.

Les conséquences vont au-delà de l’exécution des essais. Lorsqu’un programme de développement prend du retard par rapport à des thérapies concurrentes, sa valeur commerciale finale peut évoluer. Les premiers entrants peuvent établir des habitudes de prescription, des relations de remboursement et une familiarité chez les médecins, laissant les produits arrivant plus tard sous une pression accrue pour démontrer des différences significatives.

Ces pressions expliquent pourquoi les promoteurs se tournent vers l’IA. Des études plus complexes, un accès limité aux patients et une concurrence plus forte créent une demande pour de meilleures prévisions, des analyses plus rapides et des opérations plus efficaces. La question est de savoir comment ces capacités peuvent transformer les décisions qui déterminent quand un médicament parvient aux patients.

L’écart d’adoption de l’IA reflète la manière dont fonctionnent les organisations de développement

Les résultats de Bain sur l’adoption révèlent la différence entre l’introduction d’une technologie et la transformation de la manière dont le travail de développement est réalisé. Les promoteurs peuvent déployer l’IA au sein de départements individuels tout en conservant les mêmes revues, approbations et transferts qui déterminent le calendrier global.

Prenons l’exemple de la rédaction de protocoles assistée par l’IA. Les rédacteurs médicaux et les équipes cliniques peuvent produire plus rapidement un protocole initial, réduisant le temps nécessaire à la préparation d’une étude. Mais si le document passe ensuite par les mêmes revues et approbations séquentielles, une grande partie du temps gagné pendant la rédaction peut disparaître avant même le début de l’essai.

Les applications opérationnelles font face à une contrainte similaire. Un système peut identifier plus tôt les problèmes de recrutement, un autre peut améliorer le reporting de sécurité, et un troisième peut automatiser le nettoyage des données. Chacun améliore une activité spécifique, mais résoudre un problème de recrutement peut toujours nécessiter des changements coordonnés dans l’allocation des sites, les critères d’éligibilité, l’approvisionnement industriel et les plans réglementaires.

Ces problèmes de coordination découlent de la manière dont les responsabilités du développement clinique sont réparties. Les opérations cliniques gèrent l’exécution des essais, les équipes médicales et scientifiques interprètent les preuves, les affaires réglementaires gèrent les exigences des agences, et les groupes commerciaux évaluent les opportunités de marché. Chacun apporte une expertise nécessaire, mais l’information circule souvent entre les fonctions via des réunions, des documents et des transferts formels.

Ces transferts comptent surtout lorsque de nouvelles preuves suggèrent un changement de stratégie. Une équipe clinique peut, par exemple, identifier un sous-groupe de patients prometteur, mais modifier le plan de développement peut nécessiter l’avis de la biostatistique, des affaires réglementaires, de la production et de la planification commerciale. Même lorsque tout le monde dispose des informations pertinentes, la décision peut attendre la prochaine revue de gouvernance planifiée.

Une gouvernance fondée sur des jalons crée des périodes d’attente

Le développement clinique a traditionnellement concentré les décisions majeures autour de jalons prédéfinis, notamment la fin de phase, le verrouillage de la base de données et les réunions formelles de gouvernance. Le verrouillage de la base de données intervient lorsque les données d’essai ont été nettoyées et finalisées pour l’analyse. Ces jalons apportent de la discipline, mais ils peuvent aussi retarder les décisions lorsque des preuves suffisamment fiables deviennent disponibles entre deux revues.

L’implication des équipes commerciales montre le coût de cette séquence. Les promoteurs sélectionnent souvent les critères d’évaluation, les comparateurs et les populations de patients des années avant le lancement, tandis que les équipes d’accès au marché et les équipes commerciales peuvent apporter leur point de vue après que des décisions importantes sur le protocole ont déjà été prises. Une étude peut donc atteindre ses objectifs cliniques et réglementaires immédiats tout en générant peu de preuves sur l’efficacité comparative, l’expérience patient ou la valeur économique.

Corriger ces lacunes plus tard peut nécessiter des amendements au protocole, des études supplémentaires ou une stratégie commerciale plus restreinte. Réunir les équipes plus tôt les aiderait à prendre en compte les preuves nécessaires pour l’approbation réglementaire et le remboursement alors que l’étude est encore en cours de conception.

L’information fragmentée crée un problème connexe. Les grandes entreprises pharmaceutiques ont accumulé des décennies de résultats de recherche propriétaires, de données cliniques, d’expérience opérationnelle et d’interactions réglementaires. Ces actifs pourraient améliorer de nouveaux programmes impliquant des voies biologiques, des populations de patients ou des approches thérapeutiques similaires.

Pourtant, ces connaissances restent souvent dispersées entre bases de données, documents, fonctions et experts individuels. Les résultats précliniques peuvent avoir peu d’influence sur la conception des essais, tandis que les enseignements tirés d’amendements précédents au protocole ou d’écarts de fabrication peuvent ne jamais parvenir à l’équipe de développement suivante.

Des déploiements d’IA indépendants par département peuvent préserver ces frontières. Ils facilitent le traitement de l’information au sein de chaque fonction tout en laissant l’organisation dépendante d’une coordination manuelle entre les fonctions.

Cela change la manière dont l’investissement dans l’IA doit être évalué. Une documentation plus rapide, des données plus propres et un meilleur reporting opérationnel peuvent améliorer la qualité et réduire les coûts. Leur effet sur le temps total de développement dépend de leur capacité à supprimer une dépendance, à raccourcir une activité critique ou à permettre qu’une décision importante soit prise plus tôt.

Des preuves connectées changent l’unité d’amélioration

Une organisation de développement connectée commence par les décisions que ses équipes doivent prendre et identifie les preuves requises pour chacune d’elles. Les experts scientifiques, cliniques, réglementaires, industriels et commerciaux peuvent ensuite travailler à partir d’informations partagées et continuellement mises à jour.

L’IA soutient ce processus en réunissant les preuves, en testant les hypothèses, en identifiant les incohérences et en alertant les équipes lorsque des conditions prédéfinies ont été remplies. Les experts responsables conservent l’autorité sur les décisions, tandis que les systèmes automatisés réduisent le travail nécessaire pour rassembler et interpréter les informations.

Cette approche donne aux entreprises pharmaceutiques établies un avantage potentiellement important. Leurs données propriétaires accumulées peuvent améliorer les décisions sur plusieurs programmes, à condition que l’organisation rende ces informations accessibles et utiles au-delà de la fonction qui les a initialement produites.

Des preuves connectées peuvent améliorer cinq décisions de développement

Construire le développement autour de preuves connectées transforme la manière dont les programmes sont planifiés et exécutés. Au lieu de commencer par des activités menant à la fin d’une phase, les équipes identifient les décisions nécessaires pour faire progresser un actif et déterminent quelles preuves les étayeront.

Cinq activités sont particulièrement importantes : sélectionner les opportunités de développement, concevoir les études, préparer les capacités industrielles et analytiques, gérer les essais à mesure que les preuves s’accumulent, et prendre les décisions d’investissement et de développement lorsque des conditions prédéfinies sont remplies.

1. Sélectionner les actifs, les indications, les doses et les populations de patients

La première opportunité se présente avant qu’un promoteur n’engage des ressources substantielles dans un programme clinique. Les décisions concernant l’actif, l’indication, la dose et la population de patients visée établissent des hypothèses qui façonnent chaque étude ultérieure.

Des hypothèses fragiles peuvent conduire à des essais coûteux avec des perspectives limitées de démontrer une efficacité, une sécurité ou une différenciation significatives. Des preuves connectées peuvent aider les équipes à examiner ces hypothèses à partir de résultats précliniques, de résultats cliniques antérieurs, de preuves en vie réelle et d’informations concurrentielles.

Des modèles soutenus par l’IA peuvent comparer des stratégies de développement à partir d’informations qui exigeraient autrement une analyse manuelle approfondie entre équipes scientifiques et opérationnelles. Cela est particulièrement utile lorsque les décisions dépendent des relations entre mécanismes biologiques, exposition au médicament, caractéristiques des patients et résultats cliniques.

La pharmacocinétique décrit comment un médicament est absorbé, distribué, métabolisé et éliminé par l’organisme. La pharmacodynamie examine comment le médicament affecte les systèmes biologiques. Ensemble, la modélisation pharmacocinétique et pharmacodynamique peut aider à expliquer comment différentes doses peuvent produire différents effets thérapeutiques.

L’analyse exposition-réponse apporte une autre perspective en examinant la relation entre l’exposition au médicament et l’efficacité ainsi que la sécurité. En intégrant les observations cliniques émergentes et les données de sécurité, ces analyses aident les équipes de développement à faire des choix mieux informés sur les niveaux de dose, les schémas thérapeutiques et les populations les plus susceptibles d’en bénéficier.

Un modèle peut indiquer qu’un schéma particulier offre un meilleur équilibre entre effet thérapeutique et événements indésirables. Il peut aussi suggérer qu’un bénéfice significatif est concentré chez des patients présentant des caractéristiques biologiques spécifiques.

Ces résultats peuvent influencer la conception des essais avant qu’un grand nombre de patients ne reçoive le traitement. Ils peuvent aussi étayer des décisions d’arrêt ou de réorientation de programmes dont la probabilité de démontrer un bénéfice significatif a diminué.

La sélection des patients offre une autre application. Les critères d’éligibilité traditionnels reposent souvent sur des classifications de maladies, des caractéristiques cliniques ou des biomarqueurs individuels. Une analyse soutenue par l’IA peut combiner des informations génomiques, de l’imagerie médicale, des mesures de santé numérique, l’historique clinique et des données de traitement en vie réelle pour construire des profils plus détaillés des patients susceptibles de répondre.

Ces profils multidimensionnels peuvent identifier des sous-groupes de patients chez lesquels un traitement produit un effet plus net. Un effet thérapeutique plus fort peut améliorer l’efficacité statistique, permettant potentiellement à un essai plus petit de répondre à la question clinique pertinente.

Les modèles nécessitent une validation prospective avant que leurs prédictions puissent déterminer de manière fiable le recrutement ou étayer des allégations réglementaires. Les données historiques peuvent contenir des biais de sélection, des mesures incomplètes ou des relations qui ne se vérifient pas dans la population d’essai visée. La validation scientifique et un jugement clinique responsable restent donc essentiels pour transformer des hypothèses générées par modèle en critères d’éligibilité.

Une meilleure sélection des patients éclaire aussi l’allocation du portefeuille. Lorsque plusieurs indications semblent plausibles pour un actif, une modélisation connectée peut comparer leur justification biologique, leurs exigences de développement, leur position concurrentielle et leur potentiel commercial avant que le promoteur ne s’engage sur une voie.

2. Concevoir les études autour des besoins de preuves réglementaires et commerciales

Une fois qu’une équipe de développement a sélectionné un actif et une population cible, elle doit décider ce que les études doivent démontrer. Ce choix affecte l’approbation réglementaire, le remboursement, l’adoption par les médecins et l’acceptation par les patients.

Ces résultats dépendent d’exigences de preuve qui se recoupent mais diffèrent de manière importante. Un essai peut établir une efficacité et une sécurité suffisantes pour une autorisation réglementaire tout en fournissant peu d’informations sur la valeur du traitement par rapport aux alternatives disponibles.

Par exemple, un comparateur peut satisfaire un objectif réglementaire tout en aidant peu les payeurs à évaluer un médicament par rapport à la pratique clinique actuelle. Un critère d’évaluation peut démontrer une activité biologique ou clinique tout en laissant subsister une incertitude sur des résultats qui comptent pour les patients, les cliniciens ou les organismes d’évaluation des technologies de santé.

L’évaluation des technologies de santé, ou HTA, évalue la valeur clinique et économique des interventions de santé afin d’éclairer les décisions de couverture et de remboursement. Ses exigences en matière de preuves peuvent différer de celles des régulateurs, en particulier lorsque les payeurs doivent comprendre les bénéfices comparatifs et les coûts d’un traitement.

Ces différences rendent une coordination précoce précieuse. Les équipes cliniques, réglementaires, commerciales et d’accès au marché peuvent évaluer ensemble les critères d’évaluation proposés, les comparateurs, les contextes de traitement, les périodes de suivi et les résultats rapportés par les patients, tant que les protocoles sont encore relativement faciles à modifier.

La synthèse de preuves soutenue par l’IA peut aider les équipes à comparer les exigences selon les marchés et à revoir leurs choix à mesure que de nouvelles informations émergent. Elle peut aussi intégrer plus tôt les mesures de santé économique dans le développement des protocoles cliniques.

Prenons le cas d’un traitement censé améliorer les résultats des patients tout en réduisant les hospitalisations ou d’autres coûts de santé. Démontrer ces bénéfices peut nécessiter des mesures spécifiques d’utilisation des ressources, des périodes de suivi ou des résultats rapportés par les patients. Les inclure de manière prospective donne aux promoteurs des preuves plus utiles lorsque commencent les décisions de remboursement.

Découvrir ces exigences après la fin des études pivots peut créer un besoin de recherche supplémentaire. Une implication commerciale précoce affecte donc la valeur des preuves générées tout au long du développement.

Les systèmes connectés peuvent aussi suivre les changements de l’environnement externe. De nouveaux résultats de concurrents, l’évolution des standards de soins ou des attentes réglementaires changeantes peuvent affecter la pertinence d’un critère d’évaluation ou d’un comparateur proposé.

Repérer ces changements avant le début d’une étude peut éviter des amendements évitables. Cela aide aussi les promoteurs à s’assurer qu’un essai techniquement réussi répondra aux questions cliniques et commerciales nécessaires pour soutenir l’usage prévu du médicament.

3. Relier les plans cliniques à la préparation industrielle et analytique

Même un programme clinique bien conçu peut subir des retards si les capacités industrielles ou analytiques ne sont pas prêtes. Les progrès cliniques doivent donc être évalués parallèlement à la capacité du promoteur à produire, tester et fournir le traitement.

La chimie, la fabrication et les contrôles, communément appelés CMC, couvrent les procédés de production et les exigences qualité utilisés pour fabriquer un médicament de manière constante. Les capacités bioanalytiques fournissent des mesures des concentrations du médicament, de l’activité biologique et des preuves cliniques associées.

Les deux peuvent déterminer quand un programme est prêt à avancer. Un promoteur peut atteindre un jalon clinique important tout en restant incapable de démarrer l’étude suivante parce que la capacité de production, les méthodes analytiques ou l’approvisionnement en traitement sont insuffisants.

Pour des modalités thérapeutiques complexes, ces contraintes peuvent peser davantage sur le calendrier que la performance du recrutement. Attendre la finalisation des résultats cliniques pour résoudre les dépendances industrielles peut retarder l’étape suivante du développement.

Une planification connectée réunit dans le même processus de décision les prévisions de fabrication, les exigences analytiques, les calendriers d’essais et les hypothèses d’approvisionnement. L’IA peut identifier les contraintes plus tôt, aidant les équipes à évaluer si une stratégie cliniquement attractive est faisable sur le plan opérationnel.

Les spécialistes de la fabrication et de l’analytique peuvent alors traiter les exigences de capacité, de validation et de préparation pendant que les preuves cliniques continuent de s’accumuler. Leur implication aide aussi les promoteurs à distinguer un calendrier de développement prometteur d’un calendrier qu’ils peuvent réellement exécuter.

4. Utiliser des essais adaptatifs et un suivi continu pour améliorer l’exécution

Une fois l’étude commencée, des preuves connectées peuvent améliorer le recrutement, la gestion des sites, la supervision de la sécurité et les réponses aux résultats émergents.

Une sélection des sites soutenue par l’IA peut combiner disponibilité des patients, performance historique de recrutement, capacité des investigateurs et faisabilité opérationnelle. Cette base de preuves plus large peut aider les promoteurs à identifier des sites mieux placés pour recruter des patients éligibles.

Les systèmes d’appariement des patients peuvent aussi relier des individus appropriés à des études disponibles. Ces applications s’attaquent directement aux retards de recrutement en améliorant l’identification des patients et en aidant les promoteurs à sélectionner des sites susceptibles d’atteindre les objectifs de recrutement.

Des changements plus substantiels deviennent possibles lorsqu’un essai est conçu pour réagir à des preuves intermédiaires. Les essais cliniques adaptatifs autorisent des modifications prédéfinies sur la base des informations collectées pendant l’étude. Selon la conception, ces changements peuvent affecter la taille de l’échantillon, l’allocation des traitements ou d’autres éléments prédéfinis.

Les règles d’adaptation doivent être établies de manière prospective et préserver la validité statistique de l’essai. L’IA peut soutenir la simulation et l’analyse, tandis que les biostatisticiens, les cliniciens et les régulateurs déterminent si la conception proposée et les adaptations sont scientifiquement acceptables.

Pour les programmes adaptés, des conceptions sans couture de phase 2/3 peuvent combiner des objectifs qui nécessiteraient autrement des études distinctes. Cela peut réduire les transitions entre phases de développement, à condition que la conception permette une interprétation fiable et réponde aux attentes réglementaires.

Les stratégies alternatives de contrôle offrent une autre possibilité. Les bras de contrôle externes utilisent des informations provenant de patients traités en dehors de l’étude randomisée. Les contrôles synthétiques construisent des groupes de comparaison à partir de données existantes appropriées sur des patients.

Avec l’accord des régulateurs, ces approches peuvent compléter ou réduire le recrutement conventionnel dans le groupe contrôle dans des circonstances appropriées. Leur pertinence dépend de la qualité des preuves et de leur comparabilité, notamment du fait que des différences entre populations de patients pourraient biaiser les estimations de l’effet du traitement.

La simulation aide les promoteurs à évaluer ces choix de conception avant d’exposer des patients à l’étude proposée. La simulation au niveau du patient et les méthodes de jumeau numérique utilisent des modèles computationnels pour représenter des trajectoires cliniques possibles. Elles peuvent tester des hypothèses sur la progression de la maladie, la réponse au traitement et la performance de l’essai, révélant potentiellement des faiblesses dans les critères d’éligibilité, les stratégies de dosage ou les critères d’évaluation.

Les résultats simulés restent des hypothèses tant qu’ils ne sont pas étayés par des preuves prospectives appropriées. Leur valeur pratique réside dans l’amélioration des questions posées par une étude et de la manière dont elle est conçue pour y répondre.

Le suivi continu offre une application opérationnelle plus immédiate. Les systèmes connectés peuvent examiner les rapports d’événements indésirables et les résultats de laboratoire à mesure que les informations arrivent. Lorsqu’un schéma suggère un problème de sécurité, le système peut alerter les experts cliniques et de sécurité responsables alors qu’il est encore temps d’enquêter et d’intervenir.

Une identification plus précoce peut protéger les patients et réduire les retards causés par la découverte tardive de problèmes importants dans une étude. Des requêtes automatisées auprès des sites peuvent de même signaler des données d’essai manquantes, incohérentes ou potentiellement erronées pendant que les sites collectent encore les informations.

Résoudre ces problèmes tout au long de l’essai réduit le nettoyage nécessaire après la dernière visite du dernier patient. Cela peut aussi raccourcir l’intervalle entre la fin de la collecte des données et le verrouillage de la base de données.

Ces bénéfices opérationnels augmentent lorsque les résultats parviennent aux fonctions chargées d’agir. Les prévisions de recrutement peuvent éclairer l’investissement dans les sites et la planification des approvisionnements. Les signaux de sécurité peuvent déclencher une revue médicale et d’éventuelles modifications du protocole. Les résultats émergents sur l’efficacité peuvent guider les discussions réglementaires et les décisions de portefeuille.

5. Prendre des décisions de développement lorsque les preuves deviennent exploitables

La dernière activité relie le travail précédent à la gouvernance formelle du développement. Dans les processus conventionnels, les équipes préparent des dossiers de preuves pour des revues de jalons planifiées. Les comités décident ensuite si les programmes doivent avancer, changer ou s’arrêter.

Un modèle connecté préserve ces droits de décision tout en permettant aux revues de commencer lorsque les preuves pertinentes deviennent disponibles. Les équipes de développement établissent des seuils prédéfinis pour les décisions impliquant l’efficacité, la sécurité, la performance du recrutement, la préparation industrielle et la poursuite de l’investissement. Les systèmes d’IA peuvent surveiller les informations à l’appui et signaler lorsque les conditions convenues ont été remplies.

Par exemple, un programme peut avoir un critère défini prospectivement pour déterminer si un signal d’efficacité émergent justifie un investissement supplémentaire. Lorsque les preuves satisfont ce critère, des agents IA spécialisés peuvent assembler les analyses, identifier les résultats contradictoires et alerter l’équipe responsable.

Un agent IA est un système conçu pour accomplir une séquence de tâches liées en utilisant des sources d’information et des outils logiciels. Dans le développement clinique, les agents pourraient récupérer des preuves, rapprocher des écarts, coordonner l’analyse entre fonctions et préparer des recommandations pour une revue par des experts.

Les directeurs médicaux, statisticiens, spécialistes réglementaires et responsables de portefeuille peuvent alors examiner ensemble les informations. L’autorité formelle reste entre les mains de décideurs qualifiés, qui déterminent si les preuves étayent l’action proposée.

Une gouvernance déclenchée par les preuves nécessite des seuils soigneusement définis. Des analyses continuellement mises à jour peuvent produire des signaux plus fréquents, mais ces signaux doivent rester scientifiquement fiables, auditables et conformes aux exigences réglementaires.

Lorsque ces conditions sont réunies, l’organisation peut agir plus tôt sur les décisions de poursuivre, modifier ou arrêter le développement. Les promoteurs peuvent identifier plus tôt les programmes non concluants et réorienter les investissements vers des candidats plus solides.

Le même processus peut améliorer l’apprentissage à l’échelle du portefeuille. Un amendement au protocole peut révéler qu’un critère d’éligibilité était inutilement restrictif. Un écart de fabrication peut mettre en lumière un risque de production sous-estimé. Un essai terminé peut montrer qu’une caractéristique particulière du patient prédit la réponse plus efficacement qu’une hypothèse antérieure sur un biomarqueur.

Dans une organisation fragmentée, ces enseignements restent souvent enfouis dans les dossiers de projet ou l’expérience individuelle. Les systèmes connectés peuvent les intégrer dans les modèles, hypothèses de planification et décisions de développement ultérieurs.

Chaque programme contribue alors à des preuves qui améliorent les choix futurs. Le bénéfice dépasse l’étude individuelle, car les programmes suivants peuvent utiliser les connaissances générées par les précédents.

Les entreprises de biotechnologie AI-native testent des modèles de développement intégrés

Le potentiel du développement connecté devient visible dans des entreprises de biotechnologie qui ont construit leurs processus autour de systèmes technologiques intégrés.

Formation Bio en fournit un exemple. Cette entreprise de biotechnologie AI-native a organisé le développement clinique autour d’une plateforme qui relie des activités traditionnellement gérées par des équipes spécialisées distinctes.

Formation Bio affirme que sa plateforme peut générer et évaluer des milliers de scénarios potentiels de conception d’essais, rédiger des builds d’étude en quelques minutes et identifier des signaux importants à mesure que les études progressent. L’entreprise a un intérêt commercial à démontrer que son approche centrée sur l’IA peut améliorer la performance du développement ; ces capacités sont donc des exemples de son modèle opérationnel rapportés par l’entreprise elle-même.

Ces capacités illustrent un processus de planification différent. Au lieu d’évaluer un petit nombre de conceptions d’essais via des activités analytiques et opérationnelles séparées, une équipe de développement peut explorer davantage de possibilités avant de choisir sa stratégie.

La plateforme relie aussi les choix de conception à l’exécution des essais et aux informations émergentes. Les équipes peuvent revoir leurs hypothèses à mesure que les preuves évoluent, au lieu de traiter le protocole initial comme une décision isolée des opérations ultérieures.

Formation Bio a indiqué avoir atteint l’administration de la première dose au premier participant dans un essai de phase 1 cinq mois après la conclusion de l’accord concerné. Ce jalon montre le délai atteint pour le programme rapporté, tandis que la contribution des activités individuelles, y compris l’IA, reste distincte du temps total écoulé.

Cet exemple est important parce qu’une technologie intégrée peut modifier les ressources dont les petites entreprises de biotechnologie ont besoin. La modélisation avancée, la simulation, la planification opérationnelle et le suivi des preuves ont historiquement exigé une capacité spécialisée substantielle.

Les plateformes d’IA peuvent donner aux petites organisations accès à des capacités similaires avec moins de fonctions internes et moins de surcharge de coordination. Cela crée un défi concurrentiel pour les entreprises pharmaceutiques établies, dont l’échelle apporte à la fois des avantages et une complexité organisationnelle.

Les grands promoteurs disposent de vastes données cliniques et scientifiques propriétaires, d’une expérience réglementaire accumulée et d’une infrastructure de développement importante. Ces actifs sont particulièrement précieux pour des programmes mondiaux complexes nécessitant des capitaux significatifs et une forte capacité opérationnelle.

Les concurrents plus petits et AI-native peuvent disposer de moins de preuves historiques, mais ils peuvent mettre en place des workflows connectés sans avoir à reconstruire des décennies de structures existantes. La performance concurrentielle dépendra de l’efficacité avec laquelle chaque organisation combine ses preuves, son expertise, ses ressources et ses processus de décision.

Les régulateurs explorent une revue des preuves plus continue

Les changements dans les pratiques réglementaires pourraient étendre les bénéfices du développement connecté au-delà des décisions prises au sein des entreprises pharmaceutiques.

La Food and Drug Administration des US teste une collaboration appuyée par la technologie avec AstraZeneca et Amgen à l’aide d’une plateforme de Paradigm Health. L’initiative explore une revue et un dialogue plus continus entre promoteur et régulateur, en réduisant la dépendance à la séquence conventionnelle de préparation des documents, soumission, retour et révision.

AstraZeneca et Amgen participent en tant qu’entreprises pharmaceutiques cherchant à améliorer les interactions de développement. Paradigm Health a un intérêt commercial dans l’utilisation de sa plateforme technologique. Leur implication montre comment les promoteurs et les fournisseurs de technologie testent de nouvelles approches de collaboration réglementaire.

Le bénéfice potentiel vient de la réduction du délai entre l’identification d’une question scientifique et la réception du retour nécessaire pour avancer. Une interaction réglementaire plus précoce peut aider les promoteurs à lever les incertitudes sur la conception des études, les exigences de preuve et les plans de développement avant que ces sujets ne retardent le travail ultérieur.

Des responsables de la FDA ont suggéré que des systèmes promoteur-régulateur activés par l’IA pourraient potentiellement réduire les délais globaux des essais cliniques de 20% à 40%. Il s’agit d’une amélioration projetée associée à l’approche proposée, et non d’un résultat établi par le projet pilote.

L’approche pourrait compléter les voies réglementaires existantes. Pour les programmes visant la désignation FDA Breakthrough Therapy, une planification clinique plus précoce peut aider les promoteurs à établir la base d’échanges plus fréquents avec l’agence.

D’autres initiatives portent sur les méthodes scientifiques utilisées pour générer des preuves. Operation TrialBlazer, associée au Department of Health and Human Services des US, reflète un intérêt croissant pour la modernisation du développement clinique. Parmi les initiatives connexes de la FDA figurent un projet de lignes directrices concernant la sélection de dose pour les essais de première administration chez l’humain fondée sur la pharmacologie quantitative des systèmes, ainsi que des frameworks actualisés de protocoles maîtres soutenant des stratégies de développement plus adaptatives.

La pharmacologie quantitative des systèmes, ou QSP, utilise des modèles computationnels des systèmes biologiques et des effets des médicaments pour éclairer les décisions de développement. Appliquée à la sélection de dose pour la première administration chez l’humain, elle aide les équipes à combiner connaissances biologiques et résultats expérimentaux lors de l’évaluation des doses initiales potentielles.

Les protocoles maîtres fournissent un cadre d’étude commun pour évaluer plusieurs traitements, populations ou questions de recherche. Des frameworks actualisés peuvent soutenir des conceptions plus flexibles qui intègrent des preuves accumulées tout en maintenant des contrôles scientifiques appropriés.

Ces évolutions créent des opportunités pour améliorer la manière dont les études sont organisées et dont les promoteurs interagissent avec les régulateurs. Un programme de développement peut être en mesure de répondre plus efficacement à plusieurs questions liées, d’utiliser des méthodes adaptatives appropriées et de lever plus tôt les incertitudes réglementaires.

Des preuves plus précoces peuvent aussi affecter la concurrence commerciale. Lorsqu’un promoteur obtient des résultats cliniques convaincants et avance vers l’enregistrement avant les programmes concurrents, il gagne des opportunités pour établir son positionnement dans les formulaires, sa notoriété auprès des médecins et ses relations avec les payeurs.

Ces avantages peuvent perdurer tout au long de la vie commerciale d’un actif, en particulier lorsque les entrants plus tardifs offrent peu de valeur clinique supplémentaire. L’impact commercial d’un développement plus rapide peut donc dépasser les économies opérationnelles immédiates liées au raccourcissement des études individuelles.

Les entreprises pharmaceutiques doivent repenser les processus, les équipes et les droits de décision

Pour les organisations pharmaceutiques établies, le défi consiste à introduire des capacités d’IA connectée tout en transformant les décisions et les responsabilités que ces capacités soutiennent.

Le travail implique trois priorités liées : intégrer les preuves, repenser le développement autour d’exigences de décision explicites, et faire évoluer les responsabilités de la main-d’œuvre ainsi que les modèles de partenariat.

Construire progressivement des systèmes de preuves connectées

Les grandes entreprises pharmaceutiques possèdent déjà de vastes jeux de données propriétaires capables d’améliorer les futures décisions de développement. Relier ces actifs entre recherche scientifique, opérations cliniques, affaires réglementaires et planification commerciale peut rendre les connaissances existantes plus utiles.

Essayer de transformer tous les processus de développement en une seule fois introduirait une complexité technique et organisationnelle considérable. Une approche pratique consiste à commencer par des applications délimitées qui soutiennent des décisions identifiables et peuvent ensuite se connecter à un système de preuves plus large.

La modélisation des doses fondée sur le QSP offre un point de départ en intégrant les informations biologiques et cliniques dans les décisions de dosage. Le développement de protocoles fondé sur les preuves peut intégrer plus tôt les exigences réglementaires et d’accès au marché. Le nettoyage des données en temps réel peut améliorer la qualité et la disponibilité des informations d’essai tout au long de l’exécution.

Chaque application a besoin d’un responsable défini, d’une décision précise qu’elle soutient et d’un moyen d’évaluer sa contribution au processus sous-jacent. Cela permet aux organisations d’améliorer une activité limitée tout en établissant les standards nécessaires à une intégration plus large.

L’étape suivante consiste à connecter les applications via des définitions de données communes et des systèmes interopérables. Les informations générées dans une activité doivent être accessibles aux équipes autorisées dans d’autres fonctions, avec des contrôles d’accès appropriés et des enregistrements traçables.

Des équipes transverses doivent assumer la responsabilité de la qualité des preuves à mesure que l’information circule entre les systèmes. Des différences de définitions, de méthodes de mesure ou d’hypothèses peuvent sinon produire des conclusions incohérentes même lorsque la technologie est connectée.

Des standards partagés nécessitent aussi une responsabilité organisationnelle. Une certaine centralisation peut être nécessaire pour établir la gouvernance des données, les exigences de confidentialité, les règles d’interopérabilité et des méthodes cohérentes d’enregistrement des décisions.

Une fois ces fondations en place, des agents IA spécialisés et multiétapes peuvent coordonner des activités définies à travers des systèmes connectés. Un agent peut récupérer des preuves pertinentes, les comparer à des exigences prédéfinies, signaler des incohérences et préparer une analyse pour une revue par des experts.

Les applications réussies peuvent ensuite devenir des composants d’un environnement de développement progressivement intégré. Chaque ajout élargit les décisions que les équipes peuvent soutenir à l’aide de preuves partagées.

Concevoir les programmes de développement autour des preuves nécessaires aux décisions

L’intégration technologique devient plus précieuse lorsque les promoteurs reconsidèrent la manière dont les programmes sont planifiés.

Le point de départ consiste à définir les preuves requises par les régulateurs, les payeurs, les cliniciens, les patients et les comités internes d’investissement. Les équipes peuvent ensuite remonter à partir de là pour déterminer quelles études, mesures, populations de patients et méthodes analytiques généreront efficacement ces preuves.

Cette approche peut réduire les charges inutiles pour les patients et les sites d’essais. Des procédures plus simples, des calendriers de visite pratiques et des critères d’éligibilité alignés sur les objectifs de l’étude peuvent améliorer le recrutement et la rétention tout en soutenant des informations plus complètes et plus représentatives.

Une évaluation scientifique plus précoce offre une autre opportunité. La modélisation biologique activée par l’IA, les systèmes expérimentaux pertinents pour l’humain et la toxicologie prédictive peuvent aider à identifier des préoccupations potentielles d’efficacité et de sécurité avant que les promoteurs n’engagent des ressources substantielles dans le développement clinique.

Ces méthodes peuvent éclairer la question de savoir si un candidat est suffisamment prometteur pour avancer et quelles incertitudes nécessitent une investigation supplémentaire. Elles peuvent aussi aider les équipes à comparer des indications possibles avant de s’engager sur une seule voie de développement.

Les promoteurs peuvent évaluer plusieurs indications en parallèle en utilisant une infrastructure de développement partagée. Des seuils de biomarqueurs définis prospectivement peuvent ensuite aider à déterminer quelles opportunités montrent suffisamment de promesse biologique ou clinique pour justifier un investissement supplémentaire.

Des stage gates explicites établissent des critères pour faire avancer, modifier ou arrêter les programmes. Lorsqu’un candidat n’atteint pas un seuil convenu, les dirigeants peuvent rediriger le capital et les ressources spécialisées plutôt que de poursuivre le développement principalement parce que l’organisation y a déjà investi.

La valeur de cette discipline devient plus claire lorsqu’on examine les intervalles entre les phases cliniques. Le délai typique entre le début d’une phase clinique et le début de la suivante est d’environ 20 à 30 mois. Une partie de cette période reflète l’exécution nécessaire des études, l’analyse et la préparation. D’autres retards proviennent de décisions et de dépendances que les organisations peuvent être en mesure de gérer plus efficacement.

Quatre approches peuvent traiter ces intervalles.

Premièrement, les promoteurs peuvent améliorer les décisions internes de go/no-go en examinant où les revues de preuves, les réunions de gouvernance et les approbations d’investissement créent des périodes d’attente. Des seuils clairs et des dossiers de preuves préparés en continu permettent aux dirigeants d’agir lorsque les informations pertinentes deviennent disponibles.

Deuxièmement, des conceptions adaptatives appropriées ou sans couture de phase 2/3 peuvent réduire les transitions entre études distinctes. Ces approches nécessitent une planification prospective, des méthodes statistiques appropriées et un alignement réglementaire.

Troisièmement, une planification transverse peut réduire les retards le long du chemin critique du développement. Le chemin critique est la séquence d’activités dépendantes qui détermine la date d’achèvement la plus précoce possible.

La préparation industrielle, la validation analytique, la préparation des protocoles, l’activation des sites et le travail réglementaire peuvent progresser en parallèle lorsque leurs dépendances le permettent. Coordonner ces activités tôt peut éviter qu’un jalon clinique atteint soit suivi d’une attente évitable liée à une autre fonction.

Quatrièmement, un engagement réglementaire soutenu par la technologie peut raccourcir le délai entre l’identification d’une question de développement et la réception du retour nécessaire pour avancer. Une interaction plus continue peut aider les promoteurs à résoudre les problèmes pendant que le travail clinique et opérationnel associé est encore en cours.

Ensemble, ces approches exigent des dirigeants qu’ils examinent où les retards s’accumulent à l’échelle du programme. Accélérer une activité clinique individuelle a une valeur limitée sur le calendrier lorsque l’approbation d’investissement, la capacité industrielle ou la préparation réglementaire empêchent le démarrage de l’étape suivante.

Repenser les responsabilités de la main-d’œuvre et les modèles de partenariat

Le développement connecté transforme aussi les capacités que les entreprises pharmaceutiques doivent posséder en propre et la manière dont leurs employés consacrent leur temps.

Les organisations doivent décider où l’expertise interne et la technologie propriétaire créent des avantages durables. D’autres activités peuvent être fournies plus efficacement par des CRO AI-native, des fournisseurs de technologie spécialisés ou des partenaires de plateforme intégrée.

Le choix dépend des priorités stratégiques du promoteur. Une entreprise disposant de modèles biologiques distinctifs, de jeux de données cliniques propriétaires ou d’une expertise spécialisée en développement peut avoir intérêt à conserver ces capacités en interne.

Des services technologiques et opérationnels plus standardisés peuvent convenir à des partenariats externes. Dans ces configurations, le promoteur doit néanmoins conserver le contrôle sur la qualité des preuves, l’interopérabilité et les décisions de développement à fort enjeu.

La décision de faire en interne ou de s’appuyer sur des partenaires façonne aussi la structure des équipes. Les organisations de développement traditionnelles s’appuient souvent sur de grands groupes de spécialistes qui se coordonnent via des réunions, des rapports et des transferts fonctionnels. Des systèmes connectés pourraient soutenir des équipes transverses plus petites supervisant un suivi et une analyse automatisés sur des domaines définis du développement.

Les responsables d’étude, par exemple, peuvent consacrer moins de temps à coordonner manuellement des activités routinières. Des systèmes d’IA pourraient surveiller le recrutement et la performance des sites, rapprocher les informations opérationnelles et cliniques, identifier de possibles problèmes de conformité au protocole et recommander des interventions.

Les responsables passeraient alors plus de temps à superviser ces processus, à enquêter sur les exceptions et à prendre des décisions opérationnelles.

Les attachés de recherche clinique pourraient connaître une répartition similaire des responsabilités. Des agents de monitoring peuvent effectuer des revues de données appropriées et la détection de signaux, tandis que les professionnels en contact avec les sites se concentrent sur l’engagement des investigateurs, les relations avec les coordinateurs et les enseignements tirés de l’interaction directe.

Ces relations restent particulièrement importantes dans les aires thérapeutiques où plusieurs études se disputent les mêmes investigateurs, sites et patients. L’automatisation peut rendre l’information opérationnelle plus accessible, tandis que des professionnels expérimentés l’utilisent pour gérer les relations dont dépend le recrutement.

Les directeurs médicaux pourraient de même consacrer davantage d’attention à la stratégie clinique, à la conception des études et à l’interprétation, à mesure que les systèmes d’IA prennent en charge des responsabilités administratives et analytiques appropriées.

Modifier uniquement les fiches de poste aura un effet limité si les organisations ne repensent pas aussi les droits de décision, les structures de reporting et les incitations. Un département mesuré principalement sur sa propre productivité peut avoir peu de raisons de prioriser un travail qui améliore le programme de développement dans son ensemble. Les dirigeants ont donc besoin de mesures de performance qui reconnaissent les résultats transverses et la résolution rapide des dépendances partagées.

Le sponsoring de la direction est essentiel pour établir ces priorités. Un sponsor au niveau exécutif peut résoudre les conflits entre fonctions, soutenir des standards communs et autoriser la centralisation initiale nécessaire à une gouvernance efficace.

Cette autorité doit aussi couvrir la relation entre recommandations automatisées et décisions cliniques.

Maintenir une responsabilité clinique explicite

Les analyses générées par l’IA peuvent influencer la sélection des patients, le dosage, l’évaluation de la sécurité, les modifications de protocole et la stratégie réglementaire. Ces activités comportent des responsabilités scientifiques, éthiques et juridiques ; les organisations ont donc besoin de contrôles adaptés aux conséquences de chaque décision.

Les modèles doivent être validés pour leurs usages prévus. Leurs hypothèses et les preuves qui les étayent doivent rester documentées et auditables afin que les experts responsables puissent examiner comment les recommandations ont été produites.

Un suivi continu est également nécessaire, car la performance des modèles peut évoluer dans le temps. La dérive du modèle se produit lorsque des changements dans les données sous-jacentes, les populations de patients ou les pratiques cliniques rendent des prédictions auparavant fiables moins précises.

Le suivi des biais est tout aussi important lorsque des jeux de données cliniques historiques sous-représentent certaines populations. Un modèle entraîné sur ces jeux de données peut fonctionner différemment selon les groupes de patients, ce qui peut affecter les évaluations d’éligibilité ou les recommandations de traitement.

La confidentialité et la sécurité de l’information ajoutent des exigences supplémentaires. Les systèmes d’IA externes doivent protéger la recherche propriétaire, les informations confidentielles de développement et les données des patients tout en respectant les obligations régionales applicables en matière de confidentialité.

Ces garde-fous doivent faire partie des processus de développement connecté dès le départ. Tout système qui influence des décisions cliniques doit préserver la traçabilité, la fiabilité des preuves et une autorité humaine explicite tout au long de son fonctionnement.

Les médecins et les experts qualifiés du développement restent responsables des jugements à fort enjeu concernant l’éligibilité des patients, le dosage, la sécurité, les changements de protocole et les allégations réglementaires. L’IA peut accélérer la préparation et la transmission des informations pertinentes, tandis que les professionnels responsables déterminent si les preuves sont suffisantes pour agir.

La même responsabilité s’applique lorsqu’un système identifie qu’un seuil de décision a été atteint. L’alerte peut déclencher une revue plus précoce, mais l’équipe autorisée doit examiner la base scientifique, évaluer les informations contradictoires et décider de la réponse à apporter.

Cela crée une exigence de gouvernance concrète pour les dirigeants pharmaceutiques : chaque workflow automatisé susceptible d’influencer une décision de développement à fort enjeu doit avoir un responsable décisionnel identifié, un dossier de preuves auditable et un processus défini de revue par des experts.

Recap

Le potentiel de l’IA pour accélérer le développement clinique dépend moins de la rapidité avec laquelle les entreprises pharmaceutiques adoptent de nouveaux outils que de l’efficacité avec laquelle elles transforment les décisions que ces outils soutiennent. L’automatisation d’activités individuelles peut améliorer la productivité, mais les plus grandes opportunités résident dans la réduction des retards entre fonctions, l’alignement plus précoce des exigences de preuve et l’action fondée sur des informations fiables dès qu’elles deviennent disponibles.

Pour les dirigeants du secteur pharmaceutique, cela déplace l’attention du déploiement technologique vers la conception du modèle opérationnel. Les dirigeants doivent identifier où les programmes de développement perdent du temps, quelles décisions dépendent d’informations fragmentées et comment des systèmes d’IA connectés pourraient améliorer la coordination entre les équipes cliniques, réglementaires, industrielles et commerciales. Les priorités d’investissement doivent refléter leur potentiel à raccourcir le calendrier global de développement plutôt qu’à simplement accélérer des tâches individuelles.

La transition exige aussi des changements dans la gouvernance, les responsabilités de la main-d’œuvre et la responsabilité. L’IA peut surveiller en continu les preuves, identifier les risques émergents et préparer des recommandations, mais des experts qualifiés doivent conserver l’autorité sur les décisions cliniques à fort enjeu. Les organisations qui établissent des droits de décision clairs, des standards de données partagés et des résultats de développement mesurables seront mieux placées pour déployer ces capacités à grande échelle.

Les implications concurrentielles vont au-delà de l’efficacité opérationnelle. Les entreprises qui génèrent plus tôt des preuves plus solides, prennent plus rapidement des décisions d’investissement éclairées et réduisent les retards évitables peuvent atteindre des jalons réglementaires et commerciaux avant leurs concurrents. Les entreprises pharmaceutiques établies disposent d’avantages substantiels en matière de données propriétaires, d’expertise scientifique et d’infrastructure de développement, mais concrétiser leur valeur exige de connecter des actifs qui ont traditionnellement fonctionné dans des fonctions séparées.

L’opportunité stratégique consiste à rendre le développement clinique plus réactif aux preuves sans compromettre la rigueur scientifique ni la sécurité des patients. Pour les dirigeants d’entreprise, le succès dépendra de leur capacité à bâtir des organisations capables de transformer de nouvelles informations en décisions coordonnées, permettant aux médicaments prometteurs d’avancer plus efficacement tout en réorientant les ressources loin des programmes ayant moins de chances de réussir.