Lors de l'ECTRIMS 2025, des cliniciens et des scientifiques des données ont présenté des exemples concrets de la manière dont l'intelligence artificielle peut transformer des dossiers médicaux électroniques fragmentés en registres robustes et de qualité pour la recherche sur la sclérose en plaques (SEP). De nouvelles méthodes automatisent l'abstraction à partir de notes non structurées et de rapports d'IRM, permettant une mesure évolutive des poussées, de la progression du handicap et des schémas de traitement. Les travaux décrits par Rebekah Foster et John Foley illustrent les déploiements pratiques, les partenariats avec les fournisseurs et les architectures techniques qui font passer les connaissances en matière d'IA des projets pilotes à l'utilisation clinique et réglementaire. Les brefs résumés ci-dessous, fondés sur des données probantes, explorent les architectures de modèles, les stratégies de validation, les écosystèmes de fournisseurs et les implications pour les soins cliniques et les parties prenantes de l'industrie.
Perspectives de l'IA pour l'abstraction des DSE dans la sclérose en plaques : Modèle CHARM et création d'un registre du monde réel
L'adoption d'outils de curation automatisés a créé de nouvelles possibilités d'obtenir des données structurées à partir du contenu historiquement non structuré des DSE. Les connaissances en matière d'IA se réfèrent ici aux éléments spécifiques exploitables extraits : confirmation du diagnostic, sous-type de la maladie, rechutes, estimation de l'EDSS, nombre de lésions à l'IRM et calendrier des thérapies. Le projet CHARM (Century Health Abstraction and Retrieval Model) présenté à l'ECTRIMS démontre la faisabilité à grande échelle, en extrayant l'estimation de l'EDSS pour presque toutes les visites d'une cohorte de DSE dépersonnalisée de l'Utah couvrant la période 2011-2025.
Énoncé du problème : DSE fragmentés et variables manquantes
Les dossiers cliniques relatifs à la SEP sont souvent stockés dans plusieurs systèmes et reposent en grande partie sur des notes narratives et des rapports de radiologie. Les registres traditionnels qui dépendent de champs structurés ou de l'abstraction manuelle manquent des nuances cliniques essentielles et limitent la taille de la cohorte. L'intelligence artificielle permet de récupérer automatiquement ces nuances, ce qui améliore la taille et la représentativité de l'échantillon.
- Éléments communs manquants dans les registres manuels : descriptions des lésions, séquences IRM, moment de la rechute.
- Opportunité : récupérer les raisons d'abandon et les séquences thérapeutiques à partir des notes du clinicien.
- Impact : élargissement des cohortes et réduction des délais d'analyse pour les études de sécurité et d'efficacité.
CHARM a optimisé un pipeline basé sur LLM pour mettre en correspondance le langage naturel avec des variables discrètes. Le champ d'abstraction du modèle comprenait le diagnostic de la SEP, le sous-type de la maladie, les détails du traitement et les raisons de son interruption, l'estimation de l'EDSS, les rechutes et les résultats de l'IRM. Parmi les points forts de l'étude, citons l'estimation de l'EDSS pour 97,9% des visites et un EDSS dérivé médian de 3,0 ; 79,5% des patients avaient au moins une rechute documentée dans l'ensemble de données. Ces chiffres illustrent la façon dont l'intelligence artificielle permet d'obtenir des mesures autrement inaccessibles pour les analyses en aval.
Éléments techniques et flux de travail
Les pipelines d'abstraction réussis des DSE combinent plusieurs couches techniques : ingestion et normalisation, analyse de texte avec reconnaissance des entités nommées, alignement temporel des événements et décision basée sur des règles pour les cas ambigus. Les intégrations avec les API des fournisseurs et les fournisseurs de services en nuage accélèrent le déploiement, mais la gouvernance est cruciale pour maintenir la reproductibilité.
- Ingestion des données : dépersonnalisation et normalisation sécurisées dans les systèmes hospitaliers.
- Modèles linguistiques : LLMs et classificateurs d'ensemble pour l'extraction d'entités.
- Règles d'arbitrage : heuristiques permettant de réconcilier les déclarations contradictoires dans les notes et les rapports d'imagerie.
Du point de vue du déploiement, les partenariats avec des fournisseurs de technologies de santé bien établis facilitent l'intégration. Les services en nuage de Microsoft et de Google Health fournissent souvent des services de calcul et de données gérées de base. Les solutions spécifiques des fournisseurs, comme IBM Watson Health et Siemens Healthineers, apportent des chaînes d'outils de traitement d'images pour la normalisation des rapports d'IRM. Une collaboration étroite avec des groupes cliniques tels que la Rocky Mountain MS Clinic et des sociétés de données telles que Nira Medical rationalise la validation clinique et la mise en œuvre pragmatique.
Exemple concret : un cabinet de neurologie de taille moyenne s'est associé à une société d'analyse en démarrage pour effectuer une abstraction de type CHARM sur cinq ans de données de DSE. En quelques semaines, le cabinet a identifié des schémas inattendus de changement de thérapie et deux groupes de patients présentant une progression précoce de l'invalidité, qui n'avaient pas été signalés dans leur registre manuel. Le cabinet a utilisé ces informations d'IA pour donner la priorité à des patients spécifiques dans le cadre d'interventions de gestion des soins.
| Variable extraite | CHARM Performance | Cas d'utilisation clinique |
|---|---|---|
| Estimation de l'EDSS | Calculé pour 97,9% de visites | Études longitudinales sur l'évolution du handicap |
| Événements liés à la rechute | Documenté pour 79,5% des patients | Efficacité et sécurité des DMT |
| Descripteurs de lésions IRM | Présence et localisation automatisées des lésions | Critères d'évaluation de l'imagerie dans les études en conditions réelles |
Les principaux enseignements pour les responsables de la mise en œuvre comprennent une dépersonnalisation solide, une validation itérative des cliniciens dans la boucle et une surveillance continue des dérives. Ces informations d'IA deviennent vraiment précieuses lorsqu'elles sont intégrées à des analyses en aval pour la sécurité des médicaments, l'efficacité comparative et l'amélioration opérationnelle. Conclusion : la curation automatisée des DSE débloque les données à grande échelle, mais la gouvernance et la supervision des cliniciens restent les facteurs décisifs d'un déploiement fiable.
L'intelligence artificielle au service de la production de résultats synthétiques et de mesures de l'invalidité dans la SEP
L'une des avancées les plus importantes présentées à l'ECTRIMS a été la capacité de produire des mesures cliniques synthétiques - notamment des scores EDSS synthétiques - à partir de notes non structurées. Ces connaissances en IA permettent aux chercheurs de quantifier les trajectoires d'invalidité sans avoir besoin d'échelles d'essai normalisées enregistrées à chaque visite. Les résultats synthétiques élargissent la portée de l'analyse au-delà des essais étroitement contrôlés, vers des populations hétérogènes du monde réel.
Pourquoi les mesures synthétiques sont-elles importantes ?
Les scores EDSS synthétiques et les critères d'évaluation dérivés de manière similaire comblent une lacune majeure : les environnements de soins observationnels enregistrent rarement des mesures de résultats standardisées à intervalles réguliers. L'intelligence artificielle permet de déduire les signaux de progression, ce qui facilite la recherche comparative sur l'efficacité et la pharmacovigilance dans des cohortes plus importantes et plus représentatives.
- L'EDSS synthétique permet de modéliser la progression de la maladie tout au long de la vie.
- Permet d'effectuer des analyses de sécurité sur des populations de patients plus larges, y compris des groupes mal desservis.
- Permet une évaluation rétrospective de l'impact des nouvelles thérapies dans le monde réel plus rapidement que les registres prospectifs.
La validation pratique provient d'études de concordance comparant l'EDSS synthétique aux scores attribués par le clinicien dans les sous-ensembles où les deux sont disponibles. Dans la cohorte de l'Utah, l'EDSS dérivé correspondait aux impressions cliniques à un taux élevé, ce qui permet d'être confiant dans les analyses de tendances longitudinales. En outre, les rechutes synthétiques identifiées par les modèles de type CHARM permettent de détecter rapidement les signaux de sécurité pour les thérapies biologiques, telles que les traitements à base de cellules B, qui représentaient 84,1% des patients traités dans la cohorte.
Considérations réglementaires et méthodologiques
Les organismes de réglementation acceptent de plus en plus les données du monde réel lorsque les méthodes sont transparentes et validées. Pour que les résultats synthétiques soient acceptables pour une utilisation réglementaire ou par les payeurs, le processus de génération doit être vérifiable, reproductible et ancré dans la vérité clinique dans la mesure du possible. Cela nécessite une documentation solide des données d'entraînement du modèle, des mesures de performance et des résultats de l'évaluation par les cliniciens.
- Lignée de modèles de documents et corpus de formation.
- Indiquer la sensibilité, la spécificité et l'étalonnage pour les principaux critères d'évaluation.
- Inclure des cohortes de validation en aveugle et des cohortes d'évaluation par des cliniciens.
Les fournisseurs et partenaires tels qu'IQVIA et Tempus apportent leur expérience en matière de production de preuves réelles de qualité réglementaire et peuvent aider à rendre opérationnels les cadres analytiques. La collaboration avec des promoteurs pharmaceutiques comme Biogen et Roche se concentre souvent sur l'harmonisation des critères d'évaluation et la surveillance post-commercialisation. Les acteurs de l'industrie devraient également envisager une validation inter-fournisseurs en utilisant des cadres décrits dans des ressources telles que les articles sur l'observabilité de l'IA et le risque, disponibles pour les équipes techniques.
Exemple de cas : une équipe de pharmacovigilance a utilisé des comptes synthétiques de rechutes pour détecter une augmentation des effets indésirables à la suite d'un changement de formule. La collaboration avec les cliniciens du site a confirmé le signal, ce qui a entraîné un examen ciblé des dossiers et une communication rapide sur la sécurité. La rapidité et l'ampleur de cette détection illustrent la façon dont les connaissances en matière d'IA permettent des capacités d'alerte précoce qui étaient auparavant inaccessibles.
Une idée essentielle : les mesures synthétiques doivent être traitées comme des instruments validés plutôt que comme des produits de boîte noire. Une gouvernance appropriée et une validation transparente transforment les observations de l'IA en preuves crédibles pour les cliniciens, les régulateurs et les sponsors.
Perspectives de l'IA pour les acteurs de l'industrie : Pharmacie, systèmes de santé et fournisseurs de technologies
Les connaissances en matière d'IA redéfinissent les priorités de plusieurs groupes de parties prenantes dans la recherche et le traitement de la SEP. Les sociétés pharmaceutiques obtiennent de meilleures preuves de sécurité et d'efficacité. Les systèmes de santé obtiennent des outils de gestion des maladies au niveau de la population. Les fournisseurs de technologie proposent des pipelines intégrés pour rendre opérationnelle l'abstraction des DSE. La coordination de ces parties prenantes nécessite des propositions de valeur claires et des normes d'interopérabilité.
Applications spécifiques aux parties prenantes
Chaque partie prenante utilise les connaissances de l'IA différemment, et la réussite du déploiement repose sur l'alignement des incitations et des capacités techniques. Par exemple, les payeurs peuvent mettre l'accent sur le coût des soins et les résultats fonctionnels, tandis que les promoteurs se concentrent sur l'intégrité des résultats et la comparabilité des cohortes.
- Pharma (Biogen, Roche) : preuves postérieures à la mise sur le marché, élargissement de l'étiquetage et enrichissement des essais.
- Systèmes de santé et cliniques : gestion de la santé de la population et initiatives d'amélioration de la qualité.
- Fournisseurs de technologies (Microsoft, IBM Watson Health, Siemens Healthineers, Google Health) : infrastructure, analyse de l'imagerie et gouvernance des modèles.
Les intégrations entre ces groupes impliquent souvent des fournisseurs de services en nuage et des plateformes d'IA spécialisées dans le domaine de la santé. Les initiatives de Microsoft en matière de santé et les outils d'imagerie de Google Health fournissent des capacités fondamentales. Philips Healthcare et GE Healthcare contribuent à l'interopérabilité des appareils d'imagerie et à la conformité aux normes DICOM. Pendant ce temps, IQVIA et Tempus offrent des services d'harmonisation et d'analyse des données à grande échelle, permettant aux sponsors et aux systèmes de santé de mettre à l'échelle les connaissances dans toutes les régions.
| Partie prenante | Utilisation principale des connaissances en matière d'IA | Vendeurs/partenaires représentatifs |
|---|---|---|
| Pharma | Validation des critères d'évaluation en situation réelle, surveillance de la sécurité | Biogen, Roche, IQVIA |
| Systèmes de santé et cliniques | Gestion de la population, aide à la décision clinique | Rocky Mountain MS Clinic, Nira Medical |
| Fournisseurs de technologie | Infrastructure en nuage, analyse d'images, déploiement de modèles | Microsoft, Google Health, IBM Watson Health, Siemens Healthineers, Philips Healthcare, GE Healthcare |
Les projets pilotes de collaboration démontrent souvent rapidement leur valeur. Par exemple, un partenariat pilote entre une clinique de neurologie et un fournisseur d'informatique dématérialisée a utilisé des informations d'IA pour identifier les patients à haut risque pour la gestion des soins, réduisant ainsi les journées d'hospitalisation non planifiées. Le projet s'est appuyé sur les API des fournisseurs existants et les informations ont été intégrées dans les flux de travail des cliniciens via un tableau de bord d'aide à la décision.
- Meilleure pratique : élaborer des mesures de performance et des indicateurs clés de performance en collaboration avec tous les groupes de parties prenantes.
- Atténuation des risques : prendre en compte la souveraineté des données, le verrouillage des fournisseurs et la reproductibilité grâce à des garanties contractuelles et techniques.
- Passage à l'échelle : commencer par des projets pilotes locaux, valider à l'aide de critères cliniques, puis étendre à l'ensemble des systèmes.
Les leçons tirées de la mise en œuvre comprennent la priorité donnée à l'interopérabilité et le maintien de l'engagement des cliniciens grâce à des boucles de rétroaction fréquentes. Les entreprises doivent également prendre en compte les risques liés à l'IA des tiers et les cadres de conformité ; des ressources telles que les articles sur les risques liés à l'IA des tiers et la conformité à l'ère de l'IA fournissent des conseils pratiques aux gestionnaires de risques et aux ingénieurs. Conclusion : l'alignement des incitations et des exigences techniques entre les parties prenantes accélère la conversion des connaissances en matière d'IA en résultats cliniques et commerciaux mesurables.
Validation technique, observabilité et cybersécurité des perspectives de l'IA pour un déploiement de niveau clinique
Le passage de prototypes de recherche à des outils de qualité clinique nécessite des processus de validation rigoureux, une observabilité et des contrôles de cybersécurité. Les performances des modèles doivent être contrôlées en permanence pour détecter les dérives, les biais et les hallucinations. Les cadres d'observabilité permettent de s'assurer que les idées de l'IA restent reproductibles et explicables dans le cadre de l'évolution des pratiques de documentation clinique.
Pratiques de validation et d'observabilité
La validation commence par des ensembles de données de réserve et une validation externe entre les sites. Elle s'étend au suivi post-déploiement, où les résultats du modèle sont comparés aux décisions des cliniciens et aux mesures des résultats. L'observabilité comprend l'enregistrement des entrées, des décisions du modèle et des mesures de dérive pour permettre l'analyse des causes profondes lorsque des divergences apparaissent.
- Pré-déploiement : validation intersites, évaluation des biais et contrôles d'explicabilité.
- Post-déploiement : détection des dérives, recyclage périodique et boucles de rétroaction du clinicien.
- Auditabilité : modèles versionnés, instantanés d'ensembles de données et cheminements décisionnels documentés.
Les considérations relatives à la cybersécurité sont tout aussi essentielles. Les pipelines dérivés des DSE traitent des données de santé sensibles et doivent se conformer aux meilleures pratiques en matière de cryptage, de contrôle d'accès et d'intervention en cas d'incident. Les ressources publiées sur les hallucinations de l'IA et la cybersécurité fournissent des scénarios d'attaque pratiques et des mesures d'atténuation pour les équipes responsables des systèmes de production. En outre, il est nécessaire de prêter attention aux dépendances des tiers et à la posture de sécurité des fournisseurs ; un examen dédié aux risques de la chaîne d'approvisionnement permet souvent d'éviter des brèches embarrassantes.
| Zone | Contrôles clés | Préoccupations pertinentes |
|---|---|---|
| Validation du modèle | Cohortes de validation externes, évaluation par un clinicien | Ajustement excessif, biais spécifique au site |
| Observabilité | Enregistrement des entrées/sorties, détection des dérives | Dégradation silencieuse, changements non documentés |
| Cybersécurité | Cryptage, contrôle d'accès, listes de contrôle en cas d'incident | Exfiltration de données, falsification de modèles |
Des fournisseurs expérimentés peuvent prendre en charge ces contrôles : les fournisseurs de cloud et les acteurs de l'entreprise tels que Microsoft et Google Health proposent des outils intégrés d'observabilité et de sécurité. Les fournisseurs indépendants qui se concentrent sur l'observabilité de l'IA et les tests contradictoires peuvent compléter les capacités internes. La mise en œuvre pratique bénéficie également d'un engagement au niveau politique, y compris l'alignement sur les normes et l'éducation des parties prenantes sur les limites et l'incertitude des modèles.
- Recommandation opérationnelle : déployer les modèles dans un premier temps en mode consultatif avec un examen obligatoire par le clinicien.
- Recommandation en matière de sécurité : procéder à des audits périodiques en équipe rouge et à des audits de tiers pour les composants des fournisseurs.
- Recommandation en matière de gouvernance : maintenir des conseils de gouvernance interdisciplinaires comprenant des cliniciens, des scientifiques des données et des responsables de la sécurité.
Exemple : un système hospitalier a mis en œuvre un pipeline d'abstraction de type CHARM dans un environnement à accès strictement contrôlé. Après une période d'observabilité de six mois et un audit de sécurité ciblé, le système est passé en mode d'aide à la décision pour les réunions d'examen thérapeutique. Les journaux d'observabilité ont permis d'améliorer finement les performances d'extraction des entités, réduisant de manière mesurable les faux positifs dans la détection des rechutes.
Dernier point : la validation, l'observabilité et la sécurité robustes ne sont pas facultatives - elles constituent le fondement qui permet de transformer les connaissances de l'IA en instruments cliniques fiables.
Notre avis
Les connaissances en matière d'IA offrent désormais une voie pragmatique pour convertir les DSE fragmentés en données factuelles de grande valeur pour la sclérose en plaques. L'exemple CHARM et les travaux discutés par les experts démontrent que les résultats synthétiques, l'abstraction automatisée et les pipelines de validation évolutifs peuvent fournir des mesures cliniquement pertinentes à l'échelle. La combinaison de l'infrastructure en nuage, des capacités des fournisseurs et de la supervision des cliniciens est la recette pratique de l'impact.
Recommandations stratégiques pour les parties prenantes
Pour les sponsors et les systèmes de santé qui souhaitent exploiter les connaissances de l'IA, la stratégie est simple : donner la priorité aux projets pilotes qui incluent la décision du clinicien, sélectionner des piles de fournisseurs interopérables et s'engager à respecter les pratiques en matière d'observabilité et de sécurité. La collaboration avec des partenaires établis - qu'il s'agisse de fournisseurs de services en nuage ou de fournisseurs spécialisés dans les soins de santé - accélère le délai de rentabilisation.
- Commencez par des projets pilotes bien ciblés qui répondent à une question clinique ou réglementaire claire.
- Impliquer les cliniciens dès le premier jour pour définir les normes et les règles d'évaluation.
- Investir dans l'observabilité, la documentation et la sécurité pour maintenir la confiance et la conformité.
Les ressources pratiques et les lectures complémentaires sont nombreuses et devraient être consultées par les responsables techniques. Parmi les sujets pertinents figurent les coûts de l'IA et les stratégies de gestion, les risques liés à l'IA pour les tiers et la posture de cybersécurité pour les systèmes d'IA. Pour les équipes qui cherchent à élargir leurs compétences techniques, les documents sur l'architecture d'observabilité de l'IA et les tests pratiques de l'IA aident à combler le fossé qui sépare le prototype de la production. Les exemples de liens qui fournissent un contexte technique et stratégique comprennent des documents sur les coûts de l'IA et les stratégies de gestion, les risques liés à l'IA pour des tiers et l'architecture d'observabilité de l'IA.
Enfin, la collaboration de l'industrie avec des fournisseurs établis - Microsoft, IBM Watson Health, Siemens Healthineers, Google Health, Philips Healthcare, GE Healthcare - et des partenaires axés sur la recherche tels qu'IQVIA, Tempus, Biogen et Roche restera essentielle pour développer les connaissances en matière d'IA. Ces alliances combinent la perspective clinique, le savoir-faire réglementaire et la portée technologique pour rendre les registres pilotés par l'IA à la fois utiles et conformes.
- Action immédiate : identifier un projet pilote d'une durée de 6 à 12 mois utilisant l'abstraction automatisée pour un résultat défini de la sclérose en plaques.
- Action à moyen terme : valider les résultats synthétiques par rapport aux paramètres attribués par les cliniciens et publier les méthodes dans un souci de transparence.
- Action à long terme : intégrer les connaissances dans les parcours de soins et les soumissions réglementaires en tant que preuves fiables et vérifiables.
Inviter à la réflexion : les parties prenantes doivent mettre en balance la rapidité et l'ampleur des connaissances en matière d'IA avec l'obligation de valider, de sécuriser et de régir ces systèmes. Lorsque ces compromis sont gérés délibérément, les connaissances en matière d'IA deviennent un accélérateur essentiel pour de meilleurs soins, une recherche plus réactive et une surveillance post-commercialisation plus intelligente. Les lecteurs sont encouragés à explorer les ressources techniques et les études de cas intersectorielles afin d'aligner leurs prochaines étapes sur les pratiques éprouvées et les capacités des fournisseurs.
Lectures complémentaires et ressources techniques : découvrez des guides pratiques et des études de cas sur l'IA dans les soins de santé, le rôle de l'observabilité dans l'IA de production et les stratégies de gestion des coûts et de la gouvernance de l'IA à partir de sources et de communautés techniques fiables : Perspectives de l'IA Gestion de la sclérose en plaques, risques liés à l'IA pour les tiers, Architecture d'observabilité de l'IA, Coûts de l'IA et stratégies de gestion, et Hallucinations de l'IA et menaces pour la cybersécurité.