Votre propre « jumeau numérique » ? La toute dernière technologie qui va révolutionner les tests de dépistage de drogues (Jumeau numérique)

Vous êtes-vous déjà demandé combien de temps il a fallu pour que le comprimé que vous avez pris ce matin arrive entre vos mains ? D’abord, des recherches approfondies sont menées en laboratoire. Ensuite, des tests sont effectués sur des animaux. Mais avant d’être autorisés pour une utilisation chez l’humain, des essais cliniques sont nécessaires. C’est ce qu’on appelle un essai clinique. C’est un processus très complexe et coûteux.

En termes simples, qu'est-ce qu'un essai clinique ?

En termes simples, un essai clinique fonctionne ainsi : les chercheurs recrutent des patients atteints de la maladie ciblée par le nouveau médicament. Ces volontaires sont ensuite répartis aléatoirement en deux groupes.

1. Le premier groupe reçoit le nouveau médicament à tester.

2. Le deuxième groupe , le « groupe témoin », reçoit un placebo qui ne contient aucun ingrédient actif et qui ressemble trait pour trait au médicament. On l’appelle « placebo ».

Si, à la fin de cet essai, les symptômes des personnes ayant pris le nouveau médicament se sont améliorés davantage que ceux des personnes ayant pris le placebo, cela prouve que le nouveau médicament est efficace.

L'un des principaux défis de ce type d'essai clinique est de trouver suffisamment de patients correspondant parfaitement aux critères d'inclusion. Il arrive même que les médecins ignorent quels essais sont les plus appropriés pour leurs patients. De plus, les caractéristiques des patients souhaitant participer peuvent ne pas correspondre aux exigences de l'essai. Cependant, l'intelligence artificielle (IA) pourrait grandement faciliter cette tâche.

Découvrez votre « jumeau numérique »

Imaginez que vous possédiez votre propre modèle informatique, c'est-à-dire une copie numérique de vous-même. C'est ce qu'on appelle un « jumeau numérique ». Il s'agit simplement de « modèles informatiques » qui simulent un objet ou un système réel sur un ordinateur. Mais, vus numériquement, ils se comportent exactement comme la réalité. Le meilleur exemple est celui de l'explosion d'un réservoir d'oxygène à bord du vaisseau spatial Apollo 13 : la NASA a contribué à sa réparation grâce à un « jumeau numérique » du même vaisseau, construit sur Terre.

Désormais, les scientifiques peuvent créer un « jumeau numérique » d'un être humain, à partir d'une quantité suffisante de données. Cette technique repose sur une technologie d'intelligence artificielle appelée « apprentissage automatique ». En termes simples, il s'agit de fournir à un programme informatique une grande quantité de données et de le laisser apprendre à partir de celles-ci.

Les jumeaux numériques des patients sont créés en entraînant des modèles d'apprentissage automatique à l'aide de données issues d'essais cliniques antérieurs et des dossiers médicaux personnels de chaque patient. Le modèle peut ensuite prédire l'évolution de l'état de santé d'un patient au cours de l'essai s'il reçoit un placebo.Autrement dit, un groupe témoin généré par ordinateur (groupe témoin simulé) est créé pour ce même patient.

Voyons maintenant comment cela fonctionne. Imaginons qu'une personne nommée « Samadhi » soit sélectionnée pour faire partie du groupe recevant un nouveau médicament. Son « jumeau numérique », un modèle informatique, fait partie du groupe témoin. Ce modèle prédit ce qui se passerait si Samadhi recevait un « placebo » au lieu du médicament. Finalement, la différence entre la réponse réelle de Samadhi au médicament et la réponse prédite par le modèle s'il avait reçu le « placebo » permet de mesurer l'efficacité du médicament pour Samadhi.

Examinons ce tableau pour visualiser clairement les avantages de l'utilisation de « jumeaux numériques » au lieu des équipes de contrôle traditionnelles.

Même si cette technologie est performante, n'y a-t-il pas des problèmes ?

Bien que cette technologie soit très prometteuse pour l'avenir, son utilisation reste encore marginale. Plusieurs raisons peuvent expliquer cela. Comme le souligne le Dr Daniel Neal, expert en apprentissage automatique, ces modèles nécessitent d'importantes quantités de données. Or, il est très difficile d'obtenir des données de haute qualité auprès d'individus.

Un autre problème réside dans les effets secondaires rares et inattendus qu'un médicament peut provoquer. Ceux-ci ne sont souvent pas pris en compte par le modèle conçu pour le groupe témoin.

Mais la plus grande crainte du Dr Neal est que ce modèle prédictif repose sur le statu quo. Imaginons un événement majeur et imprévu comme la pandémie de COVID-19, qui bouleverse les comportements et rend les gens malades. « Les modèles de contrôle n'en tiennent pas compte », explique-t-il. Par conséquent, à cause de ces événements non pris en compte par le groupe témoin, les résultats finaux de l'expérience pourraient être complètement différents.

Alors, est-ce vraiment utilisable ? Que nous réserve l’avenir ?

Eric Topol, spécialiste de l'utilisation des technologies numériques dans le domaine de la santé, trouve l'idée excellente, mais estime que le moment n'est pas encore venu. « Je ne pense pas que les essais cliniques évolueront dans un avenir proche. En effet, ils nécessitent de multiples types de données, au-delà des simples dossiers médicaux, comme les séquences génomiques, le microbiome intestinal et les données environnementales. »

Selon Charles Fisher, fondateur d'Unlearn.AI, une entreprise pionnière dans ce domaine, des solutions existent déjà aux problèmes de confidentialité et de biais des données. « La confidentialité est simple. Nous travaillons uniquement avec des données déjà anonymisées. »

Concernant les biais, il affirme que, même si le problème n'est pas entièrement résolu, il n'a aucune incidence sur les résultats de l'étude. En effet, les études étant randomisées, même un léger biais dans les données n'affecte pas les résultats. Cependant, certains experts contestent cette idée. Ils déclarent :Puisque vous comparez une personne réelle à un modèle informatique, la moindre erreur dans ce modèle peut avoir une incidence directe sur les résultats.

Cependant, Unlearn.AI collabore déjà avec des entreprises pharmaceutiques à la conception d'essais cliniques pour des maladies neurologiques telles que la maladie d'Alzheimer, la maladie de Parkinson et la sclérose en plaques. Ces maladies ont été choisies comme point de départ car elles disposent de davantage de données que d'autres. Selon Fisher, si cette méthode pouvait un jour être appliquée à toutes les maladies, elle pourrait considérablement réduire le délai de mise sur le marché des nouveaux médicaments.