L’industrie pharmaceutique est depuis quelques années bouleversée par l’arrivée de la Pharma 4.0. La numérisation industrielle n’est plus optionnelle, elle devient incontournable sur l’ensemble du cycle de vie du médicament pour assurer un progrès continu dans la mise sur le marché de médicaments innovants tout en améliorant l’expérience patient.

La combinaison des avancées de la science et du numérique est très prometteuse dans le secteur de la santé. Les laboratoires doivent donc trouver leur place sur ce terrain concurrentiel pour répondre aux enjeux considérables d’innovation.

Figure 1: Cycle de vie du médicament : un circuit en mutation digitale

Nous nous intéressons ici à son application pour les Médicaments de Thérapie Innovante (MTIs(1)), regroupant les CAR-T, thérapie cellulaire, thérapie génique, etc.

La Recherche : du blockbuster au nichebuster

Le modèle des blockbusters basé sur une production en masse de médicaments généralement vendus en volume n’est plus la priorité dans les portefeuilles des laboratoires pharmaceutiques. Les produits dits « nichebusters », réservés à certaines catégories réduites de patients, sont désormais privilégiés. L’enjeu est ici d’identifier de nouvelles cibles thérapeutiques grâce à une stratification plus fine de la population. En s’appuyant sur des méthodes de détection de tendance telles que des facteurs dominants de maladies associés à certaines sous-populations, le « data mining » constitue le socle de ce nouveau modèle.

Les techniques de « deep learning » associées au criblage à haut rendement promettent un réel potentiel pour la découverte de candidats médicaments. En effet, l’approche du « drug by design » permet de modéliser une association entre une nouvelle molécule et une cible donnée. En accompagnant cette démarche par la technologie du jumeau numérique humain, les scientifiques comprennent de mieux en mieux les mécanismes physiopathologiques pour la modélisation du corps humain.

Développement clinique : des essais virtuels pour une réponse thérapeutique réelle

Sur des thérapies avec des populations cibles restreintes, l’enjeu réside dans le design d’essais cliniques innovants. L’intelligence artificielle (IA) génère des applications multiples pour accélérer la recherche clinique.

Un recrutement des patients accéléré et plus précis pour des traitements personnalisés

Le machine learning permet de répondre à la problématique de recrutement de patients candidats réunissant tous les critères du protocole. Le système d’apprentissage automatique qui analyse ces informations permet la composition de clusters de patients homogènes augmentant la précision des cohortes.

Les bras virtuels, une réponse pour compléter des essais cliniques en manque de patients

L’intelligence artificielle permet de définir des modélisations à partir de données virtuelles pour enrichir l’essai clinique. Cette technique très prometteuse nécessite cependant des compétences pointues pour l’exploitation des données et une acceptation par les régulateurs et est encore peu déployée. Elle permet également d’adresser les problématiques éthiques soulevées par la thérapie génique.

Accès au marché : l’exploitation des données de vie réelle renforcée par l’intelligence artificielle

Bien qu’ayant initialement bénéficié de conditions facilitées pour l’accès au marché via des mécanismes d’accès précoce, les thérapies innovantes doivent désormais répondre à des standards règlementaires plus contraignants. Leurs modèles de remboursement restent complexes à définir car inadaptés au modèle historique de la démonstration de la valeur médicale basé sur le volume. Avec des traitements quasiment personnalisés reposant sur une production à petite échelle et de très haute complexité, les laboratoires demandent des prix remettant en cause leur capacité de prise en charge par les systèmes de soin (ex : Le Zolgensma de Novartis estimé à 1,94 millions d’euros en France par le CEPS(2) pour une injection unique).

Il est donc intéressant de coupler aux résultats des essais une analyse des données de vie réelle par IA. L’une des applications est l’utilisation des « médicaments services » pour la simulation de la valeur médicale rendue. Le couplage du médicament, du capteur et des biomarqueurs crée une source de preuve d’efficacité thérapeutique consultable en temps réel. Le suivi de ces données renseigne également sur l’innocuité du produit et permet la sécurisation de mise sur le marché. Un réel avantage medico-économique émerge grâce à la détermination d’un juste prix corrélé à l’efficacité du produit et la simplification des procédés règlementaires.

Pour accompagner l’essor des données de vie réelle, la Haute Autorité de Santé (HAS) a mis en place une nouvelle cellule afin d’assurer un appui méthodologique pour organiser le suivi des produits en conditions réelles d'utilisation. Un guide méthodologique visant à soutenir et accompagner les études en vie réelle des produits de santé évaluées par les commissions d’évaluation de la HAS a été mis également à disposition.

Développement industriel et Production : vers des procédés agiles au plus proche du patient

Si elle est un levier de compétitivité pour la production de médicaments conventionnels, l’industrie 4.0 est le pilier de la bioproduction des thérapies innovantes. Ces traitements personnalisés nécessitent des procédés de fabrication plus flexibles voire agiles, capable d’adapter la production à la suite de l’exploitation des données en vie réelle. L’usine est dans certains cas située directement à l’hôpital puisque le patient est fournisseur de la matière première.  Identifiée comme véritable enjeu, l’accélération de la bioproduction de thérapies innovantes est inscrite au plan Santé 2030(3).

On peut envisager l’exploitation par des algorithmes prédictifs des données stockées et collectées en temps réel permettant d’alimenter un jumeau numérique du procédé et d’optimiser les paramètres de production. Couplé au jumeau numérique du patient, les perspectives d’amélioration thérapeutique sont multiples.

Distribution : une course contre la montre connectée

Les conditions d’acheminement de la plupart des MTI sont drastiques pour respecter leur durée de conservation parfois très courte (< 1 heure) et les conditions de confinement requises. Le modèle de distribution s’oriente vers un « direct-to-patient distribution » impliquant une étroite coordination entre les industriels et les structures de santé publiques et privées.

Les défis relevés pendant la pandémie de Covid-19 sur la logistique de la chaîne du froid doivent se traduire en avancées pérennes pour ce type de traitement. Les technologies du dernier kilomètre telles que les camions et drones connectés peuvent être exploitées pour acheminer les traitements au plus vite avec un contrôle en temps réel et une traçabilité des conditions de transport.

Figure 2: Une production adaptative au plus proche du patient

Conclusion

L’alliance des innovations scientifiques et technologiques à chaque étape est la clé pour faire de ces thérapies une réalité. Leur essor repose sur la capacité de l’écosystème à allier ces nouvelles compétences scientifiques, technologiques et médicales dans un écosystème intégré, connecté et évolutif.

Au-delà des défis scientifiques et technologiques, il sera nécessaire de répondre collectivement aux questions relatives aux limites éthiques de ces innovations :

  • Qui est tenu responsable pour une erreur médicale produite par un algorithme ?
  • Jusqu’où peut-on aller dans l’analyse massive de données individuelles tout en assurant une confidentialité et un respect des droits fondamentaux ?
  • Qu’en est-il de l’encadrement du séquençage génétique face à la question de l’autonomie et du consentement ? 

Authors:

Pamela Barhouche, Analyste Life Sciences

Morgane Deilhes, Manager Life Sciences

 

 

  • Sources
    1. En Europe, les médicaments de thérapie innovante  sont définis comme regroupant les médicaments de thérapie génique, cellulaires somatiques, issus de l’ingénierie tissulaire et les médicaments combinés de thérapie innovante. Source : https://www.leem.org/publication/etude-essais-cliniques-2030-la-revolution-de-la-recherche-clinique
    2. CEPS : Comité Economique des Produits de Santé. Source : https://www.usinenouvelle.com/article/cinq-questions-pour-comprendre-le-tirage-au-sort-de-bebes-imagine-par-le-laboratoire-pharmaceutique-novartis.N916234
    3. Source : https://www.gouvernement.fr/sites/default/files/document/document/2022/03/dossier_de_presse_-_france_2030_-_investir_pour_mieux_repondre_aux_maladies_emergentes_infectieuses-_07.03.2022.pdf
Rechercher
Toggle location