Pour cet article, j’ai interviewé Patricia Belissa-Mathiot, responsable du développement clinique R&D chez Servier. J’ai axé cet entretien sur le sujet de ma thèse professionnelle : « En quoi l’IA permet-elle d’optimiser les essais cliniques dans les laboratoires pharmaceutiques ? « 

 » Bonjour, je suis Patricia Belissa-Mathiot, médecin de formation, spécialisée en endocrinologie. J’ai commencé ma carrière à l’hôpital, puis je suis entrée dans l’industrie pharmaceutique il y a près de 35 ans, où j’ai toujours travaillé dans le développement clinique. J’ai contribué à l’enregistrement de plusieurs médicaments et j’ai passé une dizaine d’années à collaborer avec des structures qui travaillent avec l’industrie pharmaceutique pour réaliser les études cliniques.

Je suis entrée chez Servier en 2001, où j’ai développé un produit dans le domaine de l’ostéoporose que j’ai également enregistré. Par la suite, nous avons mis en place le plan de vie du produit avec beaucoup de nouvelles indications. Pour faire court, je suis aujourd’hui responsable du développement clinique chez Servier, au sein de la R&D. Je dirige mes équipes, évidemment, je ne suis pas seule : nous sommes environ 400 personnes réparties un peu partout dans le monde. Nous réalisons toutes les études cliniques pour les laboratoires Servier, sur toutes les phases et toutes les aires thérapeutiques.

Lors des essais cliniques, l’IA est utilisée à plusieurs niveaux. Il y a beaucoup d’aspects, ce n’est pas uniquement de l’IA, c’est aussi lié à la transformation digitale. Aujourd’hui, nos objectifs principaux dans le développement clinique sont les suivants :

1. Accélérer nos développements grâce à des stratégies de recrutement innovantes, rendues possibles notamment par la transformation digitale.
2. Renforcer la coopération avec les patients pour rendre les études cliniques les moins contraignantes possible, faciliter leur participation, améliorer la qualité des données (car les patients restent plus longtemps dans l’étude).
3. Utiliser les données pour prendre des décisions très « data-driven », par exemple en mettant en place des designs d’étude originaux, parfois même sans groupes placebo.

Toutes les initiatives que nous mettons en place s’inscrivent dans ces trois objectifs. Un exemple concret : la gestion des unités thérapeutiques. En oncologie, ces traitements sont très coûteux. Nous utilisons l’IA pour modéliser, en fonction du recrutement des patients, la quantité de traitement à envoyer sur les différents sites. Nos études sont internationales, avec des dizaines de centres, et nous voulons fournir le juste nécessaire, afin d’éviter de détruire des traitements inutilisés — ce qui serait une perte pour les patients, notamment à cause des dates de péremption. L’IA nous permet donc une gestion fine et coordonnée grâce à des outils adaptés. En fonction des courbes de recrutement, des prévisions, du nombre de centres, etc., cela nous aide à optimiser la gestion des unités thérapeutiques.

Un autre exemple : la rédaction de la documentation pour les études cliniques. Par exemple, les informations patients. Plutôt que de tout rédiger manuellement, nous utilisons l’IA à partir des protocoles d’études pour générer un premier brouillon des documents d’information et de consentement éclairé. L’IA ne remplace pas la relecture humaine, mais elle nous fait gagner beaucoup de temps, qui est cependant difficile à chiffrer précisément, les KPI sont compliqués à établir.Par ailleurs, ces documents doivent être traduits dans la langue des patients, ce que l’IA facilite également, ce qui nous fait aussi gagner du temps.

Nous utilisons aussi l’IA pour choisir les centres investigateurs. Par exemple, pour une étude en leucémie myéloïde aiguë, on peut cibler les États-Unis, l’Europe, etc. L’IA, via des outils comme Sitetrove et Trialscope — développés par la société Sideline avec laquelle nous travaillons — nous permet d’identifier les investigateurs potentiels. Ces outils analysent des bases de données, les études publiées, le nombre de patients inclus, le rôle des investigateurs dans les publications… Ce qui nous aide à contacter les centres et médecins les plus pertinents pour l’étude. Aujourd’hui, on utilise des outils qui génèrent automatiquement un premier draft de protocole. Ce sont des outils qui connaissent les standards internationaux, comme ceux de l’ICH, et qui peuvent également intégrer les informations propres au produit étudié. Résultat : on obtient un document conforme aux exigences réglementaires, que ce soit en Europe ou aux États-Unis, ce qui nous fait gagner un temps considérable. Pour autant, Ces drafts ne sont pas parfaits. Le rôle du scientifique est de relire, d’ajuster, d’affiner. Mais cela permet d’avoir une base déjà bien structurée, ce qui est un vrai changement par rapport à ce qui se faisait avant.

Grâce à l’IA, on peut aussi prédire quels patients vont répondre ou non à un traitement, en se basant sur des profils issus de bases de données cliniques et de résultats précédents. Cela permet de mieux cibler les inclusions et d’optimiser les chances de succès de l’essai. On utilise aussi l’IA pour effectuer une veille documentaire en continu. Elle scanne les publications scientifiques, même celles difficiles d’accès, dans plusieurs langues, et peut détecter des signaux faibles concernant des effets indésirables. Ce genre de surveillance serait presque impossible à faire à la main de manière exhaustive.

Dans certains cas, on remplace le groupe placebo par un groupe de patients « virtuels », constitué à partir de données historiques. C’est particulièrement utile dans les maladies rares, où chaque patient compte. Cela évite de priver quelqu’un d’un traitement potentiellement bénéfique, tout en respectant la rigueur scientifique de l’essai. On est encore dans une phase de test, d’exploration. On intègre ces outils à des méthodes classiques pour comparer les résultats. Il ne s’agit pas de tout bouleverser, mais plutôt d’ajouter des briques technologiques là où elles ont du sens. Par exemple, en Australie, il existe une base de données très bien structurée sur les patients atteints de cancer, avec des profils génétiques détaillés. On peut demander à l’IA de chercher ceux qui correspondent exactement au profil recherché pour un essai, et obtenir rapidement une liste de patients ciblés. Cela change tout. »

Merci Patricia pour votre temps et expertise !

Maeva NORBERT

23/06/2025