La confiance est le véritable indicateur de réussite de l’utilisation de l’IA en matière de recherche et développement.

L’IA est différente de toutes les autres technologies utilisées autrefois dans notre secteur d’activité, non seulement par rapport à tout ce qu’elle permet de faire, mais également par rapport à son adoption rapide par les professionnels. Cette échelle crée de véritables opportunités. Cela signifie également que la prise de décision, les questions éthiques et les responsabilités doivent rester une affaire de personnes.

C’est pourquoi, lorsque nous avons pris la décision de tout miser sur l’IA chez Sanofi, nous savions que nous avions besoin d’instaurer un système de gestion à cet effet. Nous avons mis en place le cadre RAISE (Responsible AI at Sanofi for Everyone [utilisation responsable de l’IA chez Sanofi pour tout le monde) afin de préserver la chaîne de confiance qui existe déjà dans le secteur pharmaceutique, du fabricant jusqu’au patient. Le patient ne sait pas nécessairement si l’IA a permis de mettre au point son traitement. Ce qui intéresse le patient, c’est de savoir que ce traitement est sûr et efficace, et viable sur le plan scientifique.

Ce dispositif est toujours solide. Ce qui a changé, c’est la façon dont nous calibrons les risques. Nous faisons toujours preuve de transparence : nous pouvons montrer à un organisme de réglementation le modèle, les données et l’approche utilisés. Expliquer les choses est plus difficile, mais nous savons que les exigences doivent être à la hauteur des enjeux. La question que nous posons maintenant n’est pas simplement de savoir si nous pouvons automatiser ce processus. Il s’agit également de savoir ce qu’il peut se passer en cas de problème et s’il est possible de trouver des solutions.

Par exemple, nous développons actuellement un système dans le but d’exécuter un cycle complet de génération de molécules de manière autonome (concevoir, fabriquer, tester, analyser, puis reconcevoir), et cela, sans intervention humaine à chaque étape. L’inconvénient en cas de problème, c’est le temps, les ressources et certains produits chimiques utilisés en laboratoire.

Dès le tout début, nous procédons à l’identification des cibles. L’IA nous aide à synthétiser des ensembles de données multidimensionnels (génomique, transcriptomique, biologie spatiale) et à classer les cibles par ordre de priorité avec une rapidité et une précision que nous ne saurions atteindre seuls à l’échelle humaine. Nous avons développé ce que nous appelons des moteurs d’identification de cibles. Ils nous ont permis d’ajouter plus d’une dizaine de nouvelles cibles à notre pipeline en moins d’un an.

LabAI est une autre solution que nous développons en aval en collaboration avec notre partenaire BenchSci. Jusqu’à présent, un outil de connaissances remonte chaque réponse à la source exacte évaluée par des pairs, afin que les chercheurs se fient aux informations qu’ils lisent à propos de la biologie et consacrent leur temps à l’analyse et à l’expérimentation.

Enfin, là où je pense que nous avons vu l’impact le plus significatif à ce jour, ce sont les jumeaux numériques en matière de santé. Il s’agit de modèles virtuels simulant la manière dont les traitements affectent différentes catégories de patients qui, dans certains cas, ont soutenu les approbations réglementaires, et qui, dans d’autres cas, ont accéléré les études cliniques intermédiaires. Par exemple, nous avons pu nous étendre aux indications pédiatriques pour l’un de nos médicaments approuvés (où le recrutement d’enfants aurait été particulièrement difficile), car nous avons pu démontrer la sécurité d’emploi et l’efficacité prévues à partir de l’ensemble de données jumeau.

Les deux sont tout à fait possibles. C’est pourquoi vous devez développer volontairement la diversité des études cliniques dès le départ. Cela ne viendra pas de l’outil seul.

Chez Sanofi, les exigences de représentation pour les populations de l’étude sont intégrées directement à nos outils de conception d’étude IA. Pour le recrutement, nous adaptons la sensibilisation dans toutes les langues et dans tous les contextes culturels, chaque élément étant d’abord validé par une personne. Une étude ne représentant pas la population qu’elle cherche à traiter est synonyme d’échec pour les patients qui ont le plus besoin de ce traitement.

La limite tient aux risques pour le patient. Une personne intervient pour la sélection des patients, la toxicologie et les évaluations de la sécurité d’emploi. Toujours.

Nous devons également faire preuve d’honnêteté concernant les résultats en partie explicables. Lorsqu’un modèle révèle une information à partir de preuves en situation réelle et qu’il ne peut pas tenir pleinement compte de la manière dont il y est parvenu, nous n’agissons pas seulement en conséquence. Nous documentons la justification, nous nous montrons explicites sur l’importance que nous accordons au résultat de l’IA par rapport à d’autres preuves et nous portons un jugement éclairé. Le modèle éclaire la décision. Il ne la prend pas.

J’insiste régulièrement sur le point suivant : nous pouvons développer tous les outils que nous souhaitons, mais, si nous ne changeons pas notre mode de collaboration, et que les patients et les organismes de réglementation se méfient des résultats de l’autre côté, aucun de ces éléments n’a d’importance. Ces outils ne fournissent des données que si tout le travail scientifique derrière est digne de confiance et que les personnes qui les utilisent savent où repousser la ou les limites.

Les entreprises qui définissent la nouvelle ère ne seront pas nécessairement celles qui ont sauté le pas en premier. Ces entreprises seront celles qui se sont bien construites et qui peuvent démontrer pourquoi leurs résultats sont fiables.