En tirant parti des techniques d'apprentissage automatique de pointe pour reconnaître des mécanismes complexes dans de grands volumes de données, nous pouvons développer des traitements novateurs pour les patients avec beaucoup plus d'efficacité.
Apprentissage automatique
L'apprentissage automatique a été défini comme une technique qui permet aux ordinateurs d'apprendre à partir des données et non par le biais d'une programmation spécifique, en s'appuyant sur des algorithmes et des modèles de réseau de neurones pour aider les systèmes informatiques à améliorer leurs performances. Même si ce concept, qui remonte aux années 50, n'est pas entièrement nouveau, ses déclinaisons modernes ont depuis lors révolutionné l'ensemble des secteurs industriels.
Le secteur de la santé, et de la pharmacologie en particulier, est confronté à des problématiques uniques auxquelles les principes de l'apprentissage automatique sont particulièrement bien adaptés. Le nombre de petites molécules existantes est impressionnant, et le volume de données actuellement générées et aisément accessibles est tel que nous pouvons exploiter pleinement la puissance de l'apprentissage automatique et de l'apprentissage profond. L'apprentissage automatique offre à nos chercheurs des outils pour examiner, annoter et identifier de nouvelles molécules à un rythme que nous n'aurions jamais cru possible, et ce n'est que le commencement.
Nous sommes en présence d'une chance unique d'exploiter différentes données en vie réelle (RWD) et des algorithmes sophistiqués appliqués à la science des données pour accélérer la cadence des essais cliniques. Pendant la mise au point d'un nouveau vaccin glycoconjugué multivalent visant à prévenir le risque de contracter une infection invasive par la bactérie E. Coli pathogène extra-intestinale, ou ExPEC (IED), les chercheurs de Janssen R&D spécialisés dans la science des données ont fait appel aux dossiers médicaux partagés (DMP) et aux principes de l'apprentissage automatique afin de prédire les facteurs de risque pour les personnes qui présentent un risque élevé de développer une IED, dans le but de réduire la taille de l'échantillon total nécessaire aux essais de phase III.
- Pour valider et identifier de nouveaux facteurs de risques éventuels de l'IED, nous avons élaboré un modèle prédictif d'IED qui utilise une base de données de DMP et un modèle d'amplification de gradient afin de prédire la survenue des épisodes d'EID en fonction des antécédents médicaux du patient, des diagnostics antérieurs, des ordonnances, des interventions médicales et des consultations, ainsi que de l'âge et du sexe.
- Le modèle a permis de confirmer de manière indépendante que les deux facteurs de risque utilisés dans l'essai de phase III étaient fortement prédictifs d'une IED. Ces facteurs de risque ont été pleinement intégrés à la méthodologie de l'étude de phase III portant sur le vaccin pour augmenter le nombre de participants à haut risque, ce qui s'est traduit par une baisse de 50 pourcent de la taille de l'échantillon de l'essai, avec pour conséquence des économies estimatives, ainsi qu'une accélération potentielle du calendrier de déroulement de l'essai.
Nous appliquons également l'apprentissage automatique aux données de niveau patient, y compris aux DMP et à l'imagerie médicale, afin de mieux comprendre et de prédire les résultats pour les patients. De cette manière, nous serons mieux à même d'orienter les interventions thérapeutiques, d'intercepter la maladie et de comprendre les nouvelles valeurs biologiques afin de cibler le développement ultérieur de médicaments.
