Accélérer la recherche clinique pour faire progresser les traitements
La chaire Intelligence artificielle et recherche clinique en oncologie réunit l’Institut national du cancer, l’Université Paris Cité et la Fondation Université Paris Cité autour d’une ambition : développer des méthodes permettant d’évaluer les traitements plus efficacement, avec des résultats mieux adaptés à la diversité des patients.
L’intelligence artificielle et les données de vie réelle offrent toutefois une opportunité unique pour concevoir des études plus ciblées et plus efficaces. Mais cette évolution exige un cadre méthodologique rigoureux.
— Pr Agathe Guilloux, titulaire de la chaire
3
approches complémentaires
5
ans pour déployer le programme
3
randes sources de données mobilisées : essais cliniques, Système national des données de santé et entrepôts hospitaliers
Les traitements anticancéreux ciblent des caractéristiques de plus en plus précises des tumeurs. Cette médecine personnalisée ouvre de nouvelles perspectives, mais elle rend aussi les essais cliniques plus complexes : les groupes de patients éligibles sont plus petits et les recrutements plus difficiles. Certaines populations, notamment les personnes âgées ou atteintes de plusieurs maladies, restent insuffisamment représentées dans les essais.
Les données recueillies au cours des soins et des recherches antérieures constituent une ressource pour répondre à ces difficultés. La chaire vise à développer les méthodes statistiques et d’intelligence artificielle nécessaires pour les exploiter avec rigueur, concevoir des études réalisables et mieux apprécier les effets des traitements dans la population réellement soignée.
L’innovation scientifique
Le programme associe trois approches complémentaires. Elles interviennent à différentes étapes de la recherche, depuis la préparation d’un essai jusqu’à l’évaluation de la portée de ses résultats pour les patients suivis en pratique courante.
Exploiter les données de soins pour mieux évaluer les traitements
Le premier axe porte sur l’émulation et le redressement des essais cliniques. L’émulation consiste à reproduire, à partir de données déjà recueillies, le cadre d’une comparaison thérapeutique rigoureusement définie. Le redressement vise à ajuster les résultats d’un essai pour mieux tenir compte des différences entre ses participants et la population à laquelle le traitement est destiné.
L’équipe développera des méthodes pour prendre en compte les caractéristiques des patients, les informations manquantes et les biais susceptibles de fausser les comparaisons. L’objectif est de mieux estimer les effets des traitements dans les conditions réelles de prise en charge.
Construire des groupes comparateurs à partir de données existantes
Le deuxième axe vise à constituer des bras de contrôle dits synthétiques : des groupes de comparaison construits à partir de données de patients déjà suivis dans des essais, des registres ou des établissements de santé. Dans des situations appropriées, ces groupes pourraient compléter ou remplacer un groupe témoin à recruter, notamment lorsque les patients éligibles sont très peu nombreux.
La recherche portera sur la sélection de patients comparables et sur l’exploitation conjointe de données cliniques, d’imagerie et de caractéristiques tumorales. Le projet de preuve de concept détaille ce volet, avec la préparation des données et le développement de nouvelles méthodes d’appariement pour construire des comparaisons robustes.
Simuler des cohortes pour mieux préparer les essais
Le troisième axe explore l’IA générative pour produire des profils de patients artificiels statistiquement cohérents et modéliser leur évolution au cours du temps. Ces cohortes simulées permettront de comparer plusieurs façons d’organiser un essai avant de commencer les inclusions et d’en explorer la faisabilité, en particulier dans les cancers rares.
Le programme étudiera aussi les conditions dans lesquelles ces données pourraient enrichir des cohortes de faible effectif. Leur pertinence clinique et statistique sera évaluée, ainsi que leur capacité à préserver la confidentialité des données ayant servi à entraîner les modèles.
L’expérimentation
Les méthodes seront développées et évaluées à partir de données d’essais cliniques, du Système national des données de santé et d’entrepôts hospitaliers, dans le cadre des autorisations nécessaires. Les cancers des voies biliaires constituent un cas d’application : la construction de comparateurs externes doit aider à étudier des stratégies de traitement avant la chirurgie lorsque les effectifs rendent un essai classique difficile à conduire.
La chaire place la validation au cœur de son programme. Les travaux examineront la comparabilité des populations, la qualité des données et la robustesse des conclusions face aux informations manquantes ou imparfaites. Les simulations et les applications cliniques permettront de préciser les situations dans lesquelles chaque méthode apporte une information fiable.
Les équipes développeront des outils en accès libre, accompagnés d’une documentation et de recommandations d’utilisation. Un dialogue avec les acteurs cliniques et réglementaires contribuera à préparer leur adoption. La diffusion reposera également sur des enseignements universitaires, des ateliers et des formations continues destinés aux professionnels de la recherche clinique.
La chaire est portée par Agathe Guilloux, mathématicienne spécialiste de l’IA en santé, au sein de l’équipe HeKA, commune à Inria, à l’Inserm et à l’Université Paris Cité. Ses recherches associent apprentissage statistique, analyse de la survie et estimation des effets des traitements.
Elle réunit Sandrine Katsahian, professeure de biostatistique à Université Paris Cité et responsable de l’unité de recherche clinique de l’HEGP ; Stéphanie Allassonnière, mathématicienne spécialiste de l’IA générative en santé ; Émilie Lanoy, biostatisticienne et méthodologiste des essais cliniques à l’HEGP ; et Stylianos Tzedakis, maître de conférences et praticien hospitalier à Université Paris Cité et à l’HEGP.
INCA
UPCité
HEKA
INRIA
HEGP
INSERM
Impact
Pour les patients : contribuer à rendre possibles des recherches dans des cancers rares ou des sous-groupes difficiles à recruter, et produire des résultats qui prennent mieux en compte la diversité des personnes soignées. À terme, ces avancées pourraient accélérer l’identification des stratégies thérapeutiques les plus pertinentes.
Pour les équipes de recherche : disposer de méthodes et de logiciels pour exploiter les données existantes, préparer les essais et construire des comparaisons fiables. L’objectif est de réduire les obstacles au recrutement et de faciliter l’évaluation des traitements.
Pour la collectivité : valoriser les données de santé au service de la recherche, partager des outils réutilisables et former les professionnels à leur utilisation. Le programme contribuera à renforcer l’expertise française dans la méthodologie des essais en cancérologie.
Le mécénat peut accompagner le passage des développements méthodologiques à des outils utilisables par les équipes cliniques : préparation et harmonisation des données, développement des algorithmes, validation sur des applications en cancérologie, documentation et diffusion des résultats.
Soutenir IA et cancer, c’est donner aux chercheurs les moyens de mieux utiliser les données disponibles pour répondre plus rapidement aux questions thérapeutiques qui comptent pour les patients.
Par sa taille et son rayonnement, Université Paris Cité, peut, avec votre aide, avoir un impact véritablement transformateur sur les causes qui vous sont chères. Agissez maintenant pour les générations futures en faisant un don à Sauver la Vie !
