Faciliter la rédaction de rapports d'essais cliniques

|

|

Le besoin
La solution
Ils peuvent vous aider

Le besoin

Optimiser la rédaction de rapports dans le domaine pharmaceutique

Dans le monde pharmaceutique, lorsqu’on veut mettre de nouveaux médicaments sur le marché (par exemple, un vaccin contre la COVID-19), les autorités sanitaires sont chargées de vérifier que les médicaments sont à la fois sûrs et efficaces. Ces instances vérifient que la réglementation a bien été appliquée, ainsi que chacune des étapes à respecter lors des études pré-cliniques et cliniques : tests sur les animaux, puis sur les humains, présence ou non de gros effets secondaires, etc. A partir de toutes ces données, des rapports sont ensuite dressés afin de conserver un bilan écrit de chacune de ces études. Ces documents sont très réglementés, ils doivent donc être très précis et entièrement traçables pour pouvoir en vérifier la conformité. Il est aussi préférable qu’ils soient rédigés rapidement afin de mettre les nouveaux médicaments sur le marché le plus vite possible.

Les personnes chargées d’écrire ces documents complexes sont des rédacteurs médicaux. Il s’agit d’experts tels que des pharmaciens spécialisés, ils sont peu nombreux mais très précieux pour ce domaine. L’objectif est donc de leur faire gagner un maximum de temps de rédaction en leur fournissant les meilleurs outils possible pour travailler efficacement.

Quel outil puis-je mettre en place pour accélérer significativement le temps de rédaction des rapports d’études, et donc la mise sur le marché des nouveaux médicaments ?

La solution

Un assistant de rédaction dédié aux rapports d'essais cliniques

L'objectif est de mettre en place un outil pour optimiser la rédaction des rapports d'études cliniques. L'enjeu de cet assistant de rédaction spécialisé dans le domaine pharmaceutique est double :

  • c'est un gain de temps considérable au niveau rédactionnel pour les rédacteurs médicaux,
  • c'est une accélération du business pharmaceutique et de la mise sur le marché de nouveaux médicaments et vaccins efficaces et sans risque pour la santé (sans effets secondaires graves), aussi bien pour les laboratoires que pour les patients qui en bénéficieront.

Comment construire et utiliser cet outil innovant ?

Construire un modèle hybride de génération de texte (NLG)

Depuis quelques années, les modèles de langue (Large Language Models (LLM) en anglais) montent en puissance et suscitent un très grand intérêt dans le domaine du traitement automatique des langues. Ce type de modèle est notamment très puissant pour faire des résumés ou réutiliser des textes. Par exemple, chaque rapport doit commencer par la description du protocole appliqué lors de l’étude. C’est une partie de la rédaction qui peut être réutilisée d’un rapport à l’autre, en appliquant quelques modifications mineures. L’objectif est donc d’entraîner ce modèle à l'aide d'un corpus dédié pour qu’il apprenne les patterns et puisse reproduire à l’identique les pratiques de rédaction spécifiques de ces rapports très réglementés.

Il faut néanmoins laisser une marge de manœuvre au rédacteur médical afin qu’il puisse adapter le rapport à son besoin. Cette flexibilité est possible grâce à l’approche symbolique qui vient compléter le modèle dans une démarche d’intelligence artificielle hybride : cela permet d’automatiser la production de texte en s’adaptant à chaque cas utilisateur et à chaque entreprise en fonction de ses données.

Analyser les données recueillies

La rédaction d’un rapport d’étude clinique (clinical study report (CSR) en anglais) consiste notamment en l’analyse de dizaines de tableaux qui viennent expliquer si un médicament est efficace, sans risque et sans effet secondaire. Pour ce faire, il faut combiner les données de centaines de patients. Cette tâche prend des semaines et nécessite plusieurs cycles de validation. L’utilisation d’une solution de NLP permet donc d’analyser ces données de manière automatique et donc de gagner énormément de temps sur la constitution du rapport. Le panneau de contrôle va permettre au rédacteur médical de trier facilement les données collectées à l’aide de filtres pour récupérer les informations dont il a besoin.

Prenons un exemple concret : le rédacteur médical doit rédiger un rapport se focalisant uniquement sur les effets secondaires sur le foie et le pancréas d’un médicament en cours d’étude. Il a donc besoin de passer en revue tous les patient narratives, c’est-à-dire les descriptions des effets secondaires de chaque patient qui a testé le médicament, afin de sélectionner ceux qui évoquent un effet sur le foie et le pancréas, s’il y en a. Il faudrait un temps considérable pour réaliser cette tâche manuellement mais avec un système de filtres, la tâche s’avère bien plus rapide à effectuer. En effet, il est possible de configurer des intentions telles que le nombre de participants à une étude clinique ou la comparaison d’une valeur par rapport à un seuil, par exemple. Des catégories comme les « effets secondaires » sont aussi paramétrables afin de restreindre l’affichage aux effets concernant uniquement le foie et le pancréas.

Générer un rapport médical personnalisé

Pour générer un nouveau rapport clinique, une liste de modèles (templates) est proposée en s’appuyant sur des rapports déjà produits : cela permet aux rédacteurs médicaux de ne pas partir de zéro en réutilisant ce qui a déjà été rédigé auparavant. Les templates sont entièrement personnalisables afin de s’adapter à chacun des besoins de l’utilisateur. Ces templates permettent de garantir l’uniformité et la conformité de tous les rapports cliniques produits.

Il s’agit donc de combiner des briques de texte pour constituer un rapport, le tout via un panneau de contrôle facilement manipulable et utilisable par des personnes n'ayant aucune compétence technique en informatique. Une fois le template entièrement configuré par l’utilisateur, l’intelligence artificielle va générer en quelques secondes un premier brouillon du rapport.

Le rédacteur médical n'aura ensuite plus qu'à le relire et effectuer quelques corrections si nécessaire avant la validation finale.

Points d'attention

La principale problématique de cette solution est la qualité des données : en effet, il est indispensable d’avoir des données propres et non ambigües de manière à pouvoir les automatiser. Il est donc essentiel d’accompagner le Responsable du département dans cette démarche, afin de lui montrer les bonnes pratiques et l'inciter à trier les données avant de les exploiter dans un modèle d’intelligence artificielle.

Par Angeline Lacassagne
Linguiste informaticienne