Des avancées significatives pour accélérer l'inclusion des patients dans les essais cliniques en cancérologie
Paris, le 19 septembre 2024 - Lors des congrès ESMO à Barcelone et WCLC 2024 à San Diego, Gustave Roussy et Lifen ont présenté deux études sur l'utilisation de l'intelligence artificielle pour faciliter la présélection des patients dans les essais cliniques sur le cancer du poumon. Les résultats prouvent que ces approches pourront permettre une présélection plus rapide et plus précise des patients éligibles aux essais, et offrent des opportunités concrètes pour améliorer la recherche clinique et la prise en charge des patients.
Le défi de l’inclusion dans les essais cliniques
86 % des essais cliniques échouent à atteindre leurs objectifs dans les délais initiaux. L'une des raisons réside dans la complexité de l'identification des patients éligibles, un processus qui repose principalement sur l'évaluation des médecins. Aujourd'hui, cette présélection se fait souvent manuellement, par la fouille des dossiers médicaux, un travail chronophage, rendant difficile l'inclusion rapide des participants.
L'IA comme solution pour transformer la recherche clinique
Dans ce contexte, l'IA est un levier clé, capable de soutenir les médecins dans leur prise de décision, d'accélérer le processus et de rendre les essais cliniques plus accessibles. Les études présentées par Lifen et Gustave Roussy aux congrès ESMO et WCLC mettent en lumière des résultats encourageants : la saisie automatique des données (ADE) s'avère efficace pour optimiser la présélection des candidats aux essais cliniques, décuplant ainsi les opportunités d'accès aux traitements pour les patients.
Les études présentées au congrès ESMO et WCLC visaient à comparer l’efficacité de la saisie automatique des données (ADE) et de la saisie manuelle (MDE) pour le préselection des patients atteints d’un cancer du poumon. Les résultats ont montré que :
L'ADE garantit non seulement la précision des données, mais réduit également le temps de traitement à trois minutes par patient. Cette combinaison rend la présélection des candidats aux essais cliniques à la fois plus précise et plus rapide. Avec une précision supérieure à 95 % pour la majorité des critères d’inclusion d’un essai clinique, l’ADE se révèle être une solution prometteuse pour optimiser le recrutement.
Méthodologie poster ESMO
Cette étude rétrospective a analysé des patients atteints de cancer du poumon avancé qui ont consulté à Gustave Roussy entre février 2021 et juin 2024. Nous avons automatisé l'extraction et la structuration de 83 variables à partir des notes non structurées des patients, incluant les caractéristiques démographiques, les caractéristiques de la maladie (histologie, statut PD-L1, statut moléculaire et métastatique), les comorbidités, les antécédents de traitement et le statut vital. La saisie automatique des données (ADE) a utilisé des techniques avancées de modèles linguistiques, avec un ingénierie de prompt et des exemples spécifiques en peu de coups, comparée à la saisie manuelle des données (MDE) pour évaluer l'exactitude. L'objectif principal était d'évaluer la précision de l'ADE dans la capture des données critiques pour déterminer l'éligibilité aux essais. La méthode a été testée pour identifier les candidats pour un essai de phase I ciblant des patients atteints de cancer du poumon avancé avec des altérations de SMARCA4, ayant été traités avec ≥1 ligne de traitement systémique et un statut ECOG de 0-1.
Méthodologie poster WCLC
Cette étude rétrospective a porté sur des patients atteints de cancer thoracique vus à Gustave Roussy entre février 2021 et juin 2024. En utilisant des notes non structurées, nous avons automatisé la saisie et la structuration de 160 variables couvrant les détails démographiques, les caractéristiques de la maladie (par exemple, histologie, expression de PD-L1, statut moléculaire et métastatique, métastases du système nerveux central), les comorbidités, l'historique des traitements systémiques et le statut vital. La saisie automatique des données (ADE) a été réalisée par des actions de modèles de langage de grande taille avec une ingénierie de prompt et des exemples spécifiques en peu de coups. Une cohorte de patients avec saisie manuelle des données (MDE) a été utilisée pour la comparaison avec l'ADE. L'exactitude de l'ADE a été mesurée par la concordance des données avec la MDE, y compris les discordances où l'ADE était précis, et en tenant compte des données manquantes. L'exhaustivité de l'ADE a été évaluée par les données complétées après l'abstraction des valeurs manquantes. Les objectifs principaux étaient d'évaluer l'exactitude et l'exhaustivité de l'ADE. Les objectifs secondaires incluaient l'évaluation de l'exactitude de la saisie simultanée de plusieurs variables, vérifiée par la sélection aléatoire de 20 ensembles de 3 et 5 variables, respectivement, incluant toujours le statut vital.
