Les entreprises de dispositifs médicaux et les fondateurs de la santé numérique, engagés dans le développement et le déploiement d’outils d’intelligence artificielle (IA) dans le domaine de la santé, font face à un dilemme persistant en matière de conception de produits. Bien qu’un modèle d’analyse de rentabilisation solide ait tendance à évoluer avec les nouvelles données cliniques, un modèle « verrouillé » ou « fixe », qui ne s’adapte pas après son déploiement, présente moins de problèmes réglementaires.
Ce conflit s’inscrit dans le cadre de trois régimes juridiques qui exercent des pressions divergentes sur les développeurs : la stratégie en matière de brevets, la réglementation de la Food and Drug Administration (FDA) des États-Unis, et les obligations de confidentialité des patients imposées par la Health Insurance Portability and Accountability Act (HIPAA).
Brevetabilité : la spécificité technique compte plus que l’adaptabilité
Il est souvent supposé qu’un modèle d’apprentissage continu est automatiquement plus brevetable qu’un modèle statique, mais cette hypothèse est simpliste. La jurisprudence actuelle se concentre plutôt sur la présentation de l’invention revendiquée, qu’elle soit conçue comme une application ou une amélioration technique spécifique, plutôt que comme un concept mathématique abstrait.
Une revendication générale portant sur « l’utilisation d’un modèle entraîné pour faire une prédiction médicale » pourrait être contestée en termes d’éligibilité. En revanche, une revendication qui se rapporte à un pipeline de traitement de données, à une architecture de modèle dans un environnement clinique spécifique, ou à une amélioration mesurable des performances repose sur des bases plus solides. Ainsi, ce qui renforce la validité d’un brevet réside non pas dans l’évolution du modèle, mais dans la description d’une solution technique à un problème de santé concrètement défini.
Un système capable d’apprentissage peut soutenir ce récit, mais la valeur du brevet découle davantage des aspects techniques de l’ingénierie que de l’abstraction.
FDA : les modèles fixes restent des soumissions plus simples
La FDA réglemente les outils d’IA destinés à diagnostiquer ou traiter des maladies en tant que dispositifs médicaux. Du point de vue des soumissions, un modèle fixe est privilégié par la FDA pour sa simplicité. Cela permet aux fabricants de définir avec précision la version à examiner, les limites des données de formation, et la méthodologie de validation requise afin d’assurer la sécurité et l’efficacité lors de l’autorisation.
Toutefois, il existe une tension : les équipes produit souhaitent que le modèle s’améliore avec les nouvelles données cliniques, mais un modèle adaptable peut compromettre la stabilité nécessaire à une soumission efficace.
Bien que le modèle ne doive pas rester immuable, le cadre du plan de contrôle des changements prédéterminé (PCCP) de la FDA permet des modifications post-commercialisation, uniquement dans des limites anticipées et validées. Cela nécessite que le constructeur définisse d’avance les types de changements autorisés, leurs conditions, et les preuves nécessaires. L’auto-amélioration illimitée n’est pas autorisée ; seule l’évolution gérée l’est.
Ainsi, pour les entreprises de dispositifs médicaux, il est conseillé de structurer la soumission autour d’une version de base verrouillée et d’utiliser le PCCP ou un processus de contrôle des modifications pour planifier les mises à jour futures.
HIPAA : l’apprentissage continu dépend d’un pipeline de données légal
La HIPAA est un facteur crucial qui met en lumière les défis opérationnels. Cette loi américaine établit des normes pour protéger les informations sensibles sur la santé des patients. Elle encadre l’utilisation, le stockage et le partage des informations de santé protégées (PHI) et impose des obligations de sécurité et de confidentialité.
Pour une entreprise de dispositifs médicaux développant une IA susceptible de surveiller la dérive ou de valider les performances, un accès continu aux données des patients est souvent requis. Si ces données sont considérées comme PHI, l’entreprise risque de se voir classifiée comme un associé commercial sous HIPAA, entraînant diverses responsabilités, y compris la mise en place d’accords de partenariat commercial spécialisés.
Une tentative de réduction d’exposition à la HIPAA en se reposant sur des données anonymisées doit inclure une stratégie défendable de désidentification. De même, le fait de supposer que les données sont « anonymes » ne constitue pas une approche prudente.
En somme, la conformité aux exigences de confidentialité des données génère une dépendance légale qui se heurte au concept de « modèle amélioré ». En l’absence d’une structure durable qui soutienne l’apprentissage post-commercialisation, le modèle pourra être théoriquement adaptable mais pratiquement figé, non pas par choix, mais par contraintes réglementaires.
Conclusions finales pour les entreprises de dispositifs médicaux
Les enjeux en matière de brevets incitent à décrire une innovation technique tangible. La réglementation de la FDA exige de lier cette innovation à des données précises à un moment donné, tandis que la HIPAA impose des limites sur la gestion des données qui alimentent cette innovation.
La solution réside dans une approche par phases : verrouiller suffisamment la version commerciale initiale pour des soumissions réglementaires solides, concentrer la stratégie de brevets sur l’aspect technique et l’application clinique, et établir une architecture de données dès le départ pour un suivi légal et documenté.
Dans l’écosystème de l’IA en santé, le produit le plus réussi pourrait ne pas être celui qui apprend le plus rapidement, mais celui conçu pour évoluer avec prudence, légalité et documentation.
