Étude de cas

Accélérer la découverte de médicaments grâce à la prédiction clinique

Une plateforme québécoise transforme la sélection des patients pour réduire drastiquement les coûts et délais des essais cliniques en Alzheimer et cardiologie.

Analyse prédictive Optimisation des processus Traitement du Langage Naturel (NLP)

Perceiv AI

Perceiv AI est une société de médecine de précision qui utilise l'intelligence artificielle pour développer une plateforme pronostique multimodale visant à prévoir la progression de la maladie dans les troubles liés à l'âge, en particulier la maladie d'Alzheimer. Leur plateforme, dotée du moteur de pronostic AD-Px™, exploite diverses sources de données telles que des variables d'imagerie, génétiques, phénotypiques, moléculaires et cliniques pour fournir un ciblage de haute précision et des informations exploitables. Ces informations aident les médecins à améliorer les soins aux patients et aident les sociétés pharmaceutiques à accélérer le développement de médicaments.

Lecture 4 min.

L'industrie pharmaceutique fait face à un défi colossal : développer de nouveaux médicaments nécessite entre 5 et 13 ans d'essais cliniques, avec un investissement moyen de 700 millions de dollars américains, et un taux d'échec de 75 %. La startup montréalaise Perceiv AI s'attaque à cette problématique avec sa plateforme Foresight™, qui utilise l'apprentissage automatique pour prédire l'évolution clinique des patients et optimiser leur sélection pour les essais. En analysant les données de plus de 550 000 patients, cette solution permet d'identifier les candidats les plus pertinents pour les études cliniques, particulièrement dans les domaines de l'Alzheimer et des maladies cardiovasculaires.

Les avantages de l'IA

Prédiction précise du devenir clinique : Les algorithmes analysent les données d'imagerie, moléculaires, cliniques, sanguines et génétiques pour prévoir l'évolution de l'état de santé des patients pendant l'essai clinique
Sélection optimisée des cohortes : La plateforme identifie automatiquement les patients les plus susceptibles de répondre positivement aux traitements testés
Enrichissement des données : Les informations collectées sur les patients sélectionnés sont de meilleure qualité et plus homogènes
Réduction des risques : Diminution significative des probabilités d'échec des essais cliniques grâce à une meilleure prédictibilité des résultats

Avant l'IA

Sélection empirique : Les chercheurs devaient s'appuyer sur des critères traditionnels moins précis pour identifier les patients candidats aux essais
Cohortes hétérogènes : 30 % des patients avec Alzheimer précoce, 80 % de ceux avec des symptômes pré-Alzheimer et 90 % des patients post-syndrome coronarien aigu étaient invalidés
Gaspillage de ressources : La participation de patients non pertinents aux essais Alzheimer représentait un coût de 4,3 milliards de dollars américains
Processus longs et coûteux : Les essais cliniques nécessitaient des délais et des budgets considérables sans garantie de succès

L'impact positif de l'IA

Amélioration de la sélection : Élimination de 40 à 60 % des patients non pertinents et augmentation de 20 à 50 % des patients pertinents
Réduction des coûts : Économie de 68 millions de dollars canadiens et gain d'une année sur un essai clinique type
Optimisation des effectifs : Diminution de 30 à 50 % du nombre de patients nécessaires par étude clinique
Hausse du taux de réussite : Passage de 40 % à 90 % de pouvoir de détection d'effets significatifs dans les essais

Quel type de projet d'IA est-ce ?

Applications pour différents types d'entreprises

Petite entreprise

Clinique de recherche spécialisée : Utilisation de la plateforme pour optimiser la sélection de patients dans des essais locaux de petite envergure, améliorant ainsi la qualité des données collectées
Laboratoire de diagnostic : Intégration d'outils prédictifs pour identifier les patients les plus susceptibles de bénéficier de tests diagnostiques spécifiques

Moyenne entreprise

Centre hospitalier régional : Déploiement de la solution pour sélectionner les patients candidats aux essais cliniques menés en partenariat avec l'industrie pharmaceutique
Entreprise de recherche contractuelle (CRO) : Adoption de la plateforme pour offrir des services d'optimisation d'essais cliniques à ses clients pharmaceutiques

Grande entreprise

Compagnie pharmaceutique multinationale : Intégration de la solution dans tous les essais cliniques de phase 2 et 3 pour réduire les coûts de développement de médicaments
Réseau hospitalier international : Déploiement à grande échelle pour standardiser la sélection de patients dans les essais multicentriques

Synthèse

Perceiv AI démontre comment l'apprentissage automatique peut transformer un secteur traditionnel en s'attaquant à des défis concrets et mesurables. En développant Foresight™, l'entreprise québécoise a créé une solution qui répond directement aux besoins de l'industrie pharmaceutique : réduire les coûts, accélérer les délais et améliorer les taux de succès des essais cliniques. Les résultats obtenus, notamment la réduction de 68 millions de dollars des coûts d'un essai et l'augmentation du pouvoir de détection de 40 % à 90 %, illustrent le potentiel de transformation de cette approche. Cette réussite s'appuie sur une équipe multidisciplinaire alliant expertise en science des données et connaissance approfondie du domaine médical, soutenue par un écosystème de partenaires académiques et industriels solides.