L’industrie pharmaceutique, plus que n’importe quelle autre industrie, doit se renouveler sans cesse pour s’adapter à l’évolution perpétuelle de son domaine, la santé. De nouvelles maladies et cibles biologiques apparaissent chaque jour, et avec elles, de nouvelles contraintes et normes de qualité. Les enjeux majeurs visent donc aussi bien la recherche et le développement de nouveaux médicaments, que l’optimisation des processus de fabrication, garants de la qualité des traitements proposés. L’intelligence artificielle et la Data Science de manière plus générale, hautement adaptables, offrent de nombreuses possibilités en réponse à la diversité des problématiques.
I - Recherche & Développement
1. Développement de nouveaux médicaments
Une étude parue dans Nature en 2013 révèle que seulement 10% des médicaments en développement mènent à un réel produit thérapeutique. Parallèlement, la durée de mise sur le marché d’un nouveau médicament est actuellement évaluée à 15 ans pour un budget moyen de 1.5 milliards de dollars. Le développement, en plus d’être hasardeux, est donc long et très coûteux. Ces chiffres pourraient cependant être largement revus à la baisse avec l’avènement des modules d’intelligence artificielle et de data science. En analysant les grands volumes de données multi-omiques d’une part, et en utilisant des modèles prédictifs d'interaction moléculaire d’autre part, les identifications de nouvelles cibles biologiques et substances actives sont considérablement améliorées.
2. Optimisation des essais cliniques
La phase d’essais cliniques est une des plus critiques dans le développement d’un nouveau médicament. Le Centre Tufts révélait récemment dans une étude que plus d’un tiers des phases cliniques n’aboutissent jamais alors qu’elles représentent environ 36% des coûts de développement :
Les modèles in silico permettant de simuler le fonctionnement biologique humain sont prometteurs mais encore trop peu avancés et reconnus pour offrir une alternative satisfaisante. En revanche, le machine learning permet d’ores et déjà d’optimiser la taille du panel et les critères de sélection des essais. Les technologies de traitement du langage naturel (NLP) rendent possible le déchiffrage automatisé de plusieurs milliers de rapports médicaux, articles, brevets et études scientifiques. Cela permet notamment de mieux cibler les volontaires d’une étude donnée en repérant les profils sous-représentés dans les essais.
3. Aide à l’étude bibliographique
Toute démarche de recherche ou développement scientifique repose sur l’étude préalable de l’état de l’art sur le sujet. Cette étude bibliographique, basée sur l’exploration d’un maximum d’articles et rapports scientifiques, est bien souvent longue et fastidieuse. Les technologies de traitement du langage naturel (NLP) et de fouilles de textes (Text Mining) sont une fois de plus idéales pour extraire l’information pertinente de plusieurs milliers de rapports, abstracts, études et brevets scientifiques.
II - Production
1. Maintenance prédictive : détection et prédiction d’anomalies
Mieux comprendre, prédire, et éviter les pannes est un enjeu majeur pour améliorer la qualité tout en réduisant les frais de production et de maintenance. Associés à des équipements connectés, les séries temporelles et algorithmes de classification non supervisés permettent de suivre, analyser et contrôler les processus de fabrication et les variations de paramètres critiques. Les applications peuvent aussi bien cibler un type d’équipements précis que le suivi d’une matière première tout au long de son acheminement et utilisation. Dans le cas de l’industrie pharmaceutique, on peut noter l’eau comme exemple de matière première particulièrement critique et sensible puisque largement employée à différents stades clés de la production (fabrication des principes actifs et nettoyage des équipements).
2. Automatisation des tâches
Pour assurer une qualité constante, les processus de production nécessitent l’exécution rigoureuse de tâches répétées. Certaines d’entre elles, particulièrement simples, peuvent être automatisées suivant les démarches d’automatisation des processus robotisés (RPA). Les effectifs humains peuvent alors être réalloués à des tâches plus complexes et à plus grande valeur ajoutée. Parmi les tâches simples pouvant être automatisées, on peut notamment citer la détection de micro-organismes sur boîtes de Petri. Associés à des caméras puissantes, les modèles d'apprentissage par classification supervisée peuvent isoler les échantillons contenant des micro-organismes des échantillons sains.
III - Marketing & Ventes
1. Aide au lancement de nouveaux produits
Le lancement d’un nouveau produit est sensible à de nombreux facteurs externes comme le contexte économique et géopolitique du marché ciblé. L’analyse conjointe de données de marché et de l’historique des précédentes opérations de lancement offre plus de visibilité sur les facteurs à privilégier pour une région donnée. L’extraction de données internet par Web Scraping et Text Mining peut par exemple apporter les éléments pour l’étude réglementaire d’un pays précis. Les outils de machine learning permettent par ailleurs d’obtenir des prévisions de ventes ciblées pour mieux maîtriser ses objectifs commerciaux.
2. Prédiction de la demande
En combinant l’analyse des nombreuses données de santé disponibles à celle des paramètres environnementaux influençant la prolifération d’une maladie, il est possible d’aider les professionnels de santé à mieux prédire le besoin et sa localisation. Cela est essentiel pour pouvoir répondre plus efficacement à une épidémie en ciblant mieux les zones de distribution des différents traitements. En addition, cela apporte de réel gains économiques puisque le transport de médicaments, sujet à de nombreuses contraintes, est très onéreux. Mieux prédire la demande permet alors de mieux anticiper les flux de marchandises et d’optimiser le réapprovisionnement en estimant plus précisément les volumes satisfaisants.
En conclusion, la haute adaptabilité des modèles d’intelligence artificielle à tous les champs d’activité de l’industrie pharmaceutique rend leur utilisation pertinente dans ce secteur aux enjeux variés. Au-delà de l’industrie pharmaceutique, c’est aujourd’hui la santé dans sa globalité qui est repensée grâce à l’intelligence artificielle et la data science. Un des exemples les plus frappants est l’émergence de la médecine du futur : prédictive et personnalisée. Cette révolution thérapeutique alimente de nombreux rêves futuristes, et avec eux, de nombreuses questions éthiques et sociales qui feront indéniablement partie de l’équation de demain.
--
Marina Cappai