Health

Le jumeau que vous ne saviez pas que vous aviez

Le médicament que vous avez pris ce matin a parcouru un long chemin pour aller du laboratoire à votre plaquette de pilules. Tout d’abord, il y a des recherches approfondies en laboratoire. Ensuite, les tests sur les animaux. Mais avant qu’un médicament puisse être approuvé pour utilisation, il doit être testé sur des humains – dans le cadre d’un processus coûteux et complexe connu sous le nom d’essai clinique.

Les bases

Dans sa forme la plus simple, un essai clinique ressemble à ceci : les chercheurs recrutent des patients atteints de la maladie visée par le médicament expérimental. Les volontaires sont divisés au hasard en deux groupes. Un groupe reçoit le médicament expérimental; l’autre, appelé groupe témoin, reçoit un placebo (un traitement qui semble identique au médicament testé, mais qui n’a aucun effet). Si les patients qui reçoivent le médicament actif montrent plus d’amélioration que ceux qui reçoivent le placebo, c’est la preuve que le médicament est efficace.

L’une des parties les plus difficiles de la conception d’un essai consiste à trouver suffisamment de volontaires qui répondent aux critères exacts de l’étude. Les médecins peuvent ne pas connaître les essais qui pourraient convenir à leurs patients, et les patients qui souhaitent s’inscrire peuvent ne pas avoir les caractéristiques nécessaires pour un essai donné. Mais l’intelligence artificielle pourrait rendre ce travail beaucoup plus facile.

Rencontrez votre jumeau

Les jumeaux numériques sont des modèles informatiques qui simulent des objets ou des systèmes du monde réel. Ils se comportent pratiquement de la même manière, statistiquement, que leurs homologues physiques. La NASA a utilisé un jumeau numérique du vaisseau spatial Apollo 13 pour aider à effectuer des réparations après l’explosion d’un réservoir d’oxygène, laissant les ingénieurs sur Terre se démener pour effectuer des réparations à 200 000 milles de distance.

Avec suffisamment de données, les scientifiques peuvent créer des jumeaux numériques de personnes, en utilisant l’apprentissage automatique, un type d’intelligence artificielle dans lequel les programmes apprennent à partir de grandes quantités de données plutôt que d’être spécifiquement programmés pour la tâche à accomplir. Des jumeaux numériques de patients dans des essais cliniques sont créés en formant des modèles d’apprentissage automatique sur des données de patients provenant d’essais cliniques antérieurs et à partir de dossiers de patients individuels. Le modèle prédit comment la santé du patient progresserait au cours de l’essai s’il recevait un placebo, créant essentiellement un groupe témoin simulé pour un patient particulier.

Voici donc comment cela fonctionnerait : une personne, appelons-la Sally, est affectée au groupe qui reçoit le médicament actif. Le jumeau numérique de Sally (le modèle informatique) fait partie du groupe de contrôle. Il prédit ce qui se passerait si Sally ne recevait pas le traitement. La différence entre la réponse de Sally au médicament et la prédiction du modèle de la réponse de Sally si elle prenait le placebo à la place serait une estimation de l’efficacité du traitement pour Sally.

Des jumeaux numériques sont également créés pour les patients du groupe témoin. En comparant les prédictions de ce qui arriverait aux jumeaux numériques recevant le placebo avec les humains qui recevaient réellement le placebo, les chercheurs peuvent repérer tout problème dans le modèle et le rendre plus précis.

Remplacer ou augmenter les groupes de contrôle par des jumeaux numériques pourrait aider les patients volontaires ainsi que les chercheurs. La plupart des personnes qui participent à un essai le font dans l’espoir d’obtenir un nouveau médicament qui pourrait les aider lorsque des médicaments déjà approuvés ont échoué. Mais il y a 50/50 de chances qu’ils soient placés dans le groupe témoin et qu’ils ne reçoivent pas le traitement expérimental. Remplacer les groupes de contrôle par des jumeaux numériques pourrait signifier que davantage de personnes ont accès à des médicaments expérimentaux.

L’innatendu

La technologie est peut-être prometteuse, mais elle n’est pas encore largement utilisée – peut-être pour une bonne raison. Daniel Neill, PhD, est un expert en apprentissage automatique, y compris ses applications dans les soins de santé, à l’Université de New York. Il souligne que les modèles d’apprentissage automatique dépendent de la disponibilité de nombreuses données et qu’il peut être difficile d’obtenir des données de haute qualité sur les individus. Les informations sur des choses comme l’alimentation et l’exercice sont souvent autodéclarées, et les gens ne sont pas toujours honnêtes. Ils ont tendance à surestimer la quantité d’exercice qu’ils font et à sous-estimer la quantité de malbouffe qu’ils mangent, dit-il.

Considérer des événements indésirables rares pourrait également être un problème, ajoute-t-il. “Très probablement, ce sont des choses que vous n’avez pas modélisées dans votre groupe de contrôle.” Par exemple, quelqu’un pourrait avoir une réaction négative inattendue à un médicament.

Mais la plus grande préoccupation de Neill est que le modèle prédictif reflète ce qu’il appelle « le statu quo ». Supposons qu’un événement inattendu majeur – quelque chose comme la pandémie de COVID-19, par exemple – modifie les comportements de chacun et que les gens tombent malades. “C’est quelque chose que ces modèles de contrôle ne prendraient pas en compte”, dit-il. Ces événements imprévus, non pris en compte dans le groupe témoin, pourraient fausser le résultat de l’essai.

Eric Topol, fondateur et directeur du Scripps Research Translational Institute et expert de l’utilisation des technologies numériques dans les soins de santé, pense que l’idée est excellente, mais pas encore prêt pour le prime time. “Je ne pense pas que les essais cliniques vont changer à court terme, car cela nécessite plusieurs couches de données au-delà des dossiers de santé, comme une séquence du génome, le microbiome intestinal, des données environnementales, etc.” Il prédit qu’il faudra des années pour pouvoir faire des essais à grande échelle en utilisant l’IA, en particulier pour plus d’une maladie. (Topol est également le rédacteur en chef de Medscape, le site Web jumeau de WebMD.)

Rassembler suffisamment de données de qualité est un défi, déclare Charles Fisher, PhD, fondateur et PDG de Unlearn.AI, une start-up pionnière des jumeaux numériques pour les essais cliniques. Mais, dit-il, résoudre ce genre de problème fait partie des objectifs à long terme de l’entreprise.

Selon Fisher, deux des préoccupations les plus fréquemment citées concernant les modèles d’apprentissage automatique – la confidentialité et les préjugés – sont déjà prises en compte. “La vie privée est facile. Nous ne travaillons qu’avec des données déjà anonymisées.

En ce qui concerne les préjugés, le problème n’est pas résolu, mais il n’est pas pertinent – du moins pour l’issue du procès, selon Fisher. Un problème bien documenté avec les outils d’apprentissage automatique est qu’ils peuvent être formés sur des ensembles de données biaisés – par exemple, ceux qui sous-représentent un groupe particulier. Mais, dit Fisher, parce que les essais sont randomisés, les résultats sont insensibles aux biais dans les données. L’essai mesure comment le médicament testé affecte les personnes participant à l’essai sur la base d’une comparaison avec les témoins, et ajuste le modèle pour qu’il corresponde plus étroitement aux témoins réels. Ainsi, selon Fisher, même si le choix des sujets pour l’essai est biaisé et que les données originalesest biaisé, “Nous sommes en mesure de concevoir des essais de manière à ce qu’ils soient insensibles à ce biais.”

Neill ne trouve pas cela convaincant. Vous pouvez éliminer les biais dans un essai randomisé au sens étroit, en ajustant votre modèle pour estimer correctement l’effet du traitement pour la population étudiée, mais vous réintroduirez simplement ces biais lorsque vous essaierez de généraliser au-delà de l’étude. Unlearn.AI “ne compare pas les individus traités aux témoins”, déclare Neill. “Il s’agit de comparer des individus traités à estimations basées sur un modèle de ce qu’aurait été le résultat de l’individu s’il avait fait partie du groupe témoin. Toute erreur dans ces modèles ou tout événement qu’ils ne parviennent pas à anticiper peut entraîner des biais systématiques, c’est-à-dire une surestimation ou une sous-estimation de l’effet du traitement.

Mais unlearn.AI va de l’avant. Il travaille déjà avec des sociétés pharmaceutiques pour concevoir des essais sur des maladies neurologiques telles que la maladie d’Alzheimer, la maladie de Parkinson et la sclérose en plaques. Il y a plus de données sur ces maladies que sur beaucoup d’autres, elles étaient donc un bon point de départ. Fisher dit que l’approche pourrait éventuellement être appliquée à toutes les maladies, raccourcissant considérablement le temps nécessaire pour mettre de nouveaux médicaments sur le marché.

Si cette technologie s’avère utile, ces frères et sœurs invisibles pourraient profiter aux patients comme aux chercheurs.

.

Leave a Reply

Your email address will not be published.