Dans le secteur des dispositifs médicaux, l’innovation est un processus laborieux, entravé par des exigences de validation élevées qui garantissent que les nouvelles technologies ne nuisent pas aux patients. Le recrutement de participants pour des essais cliniques, souvent complexes et longs, entraîne des coûts de validation qui peuvent atteindre plusieurs dizaines de millions de dollars. En conséquence, ces évaluations représentent environ 60 % des dépenses de R&D pour les dispositifs médicaux thérapeutiques complexes.
Les préoccupations éthiques font également partie des défis, car dans certains cas, des groupes de patients reçoivent des soins standards au lieu de traitements potentiellement plus efficaces. Ce problème est accentué dans le cadre des maladies rares et des thérapies invasives, où le rassemblement de populations d’étude adéquates semble presque impossible.
Pour atténuer ce fardeau clinique et améliorer l’efficacité de la R&D, de nombreuses entreprises se tournent vers des solutions virtuelles, intégrant des données synthétiques, des modèles de jumeaux numériques et l’intelligence artificielle (IA) pour faciliter les analyses.
Comment cela fonctionne-t-il ?
Les données synthétiques sont générées à partir d’informations réelles, telles que les signaux EEG de patients épileptiques ou les formes d’onde ECG de patients cardiaques. Grâce à l’IA générative, les chercheurs peuvent produire des variations qui représentent une large gamme de patients et de scénarios qui seraient traditionnellement difficiles ou contraires à l’éthique à étudier à grande échelle.
Les jumeaux numériques intègrent ces ensembles de données synthétiques, des modèles anatomiques et d’autres paramètres pour créer des groupes virtuels. Cela permet, par exemple, à un fournisseur de technologie cardiaque de tester la performance de détection des arythmies dans des milliers de patients virtuels avant de recruter des participants réels pour un essai clinique. Cette approche est particulièrement significative pour les dispositifs neurologiques, car elle permet de simuler des interactions dans le cadre de maladies orphelines.
La nécessité d’inscriptions patients est réduite par la génération de groupes de contrôle par calcul. Cela facilite l’utilisation des ensembles de données synthétiques pour entraîner des algorithmes dans des situations où les cohortes sont limitées, rendant la validation statistique presque impossible.
Environnement réglementaire
Un des principaux défis consiste à obtenir l’acceptation réglementaire des preuves basées sur des simulations. La FDA a publié des directives sur l’« Évaluation de la crédibilité de la modélisation et de la simulation informatiques dans les soumissions de dispositifs médicaux », établissant un cadre pour les tests in silico, qui désignent les recherches, modélisations et expériences menées sur ordinateur. Ces outils permettent aux chercheurs de prédire plus rapidement, et à moindre coût, la sécurité et l’efficacité, ainsi que les interactions moléculaires, facilitant ainsi la découverte de médicaments et la conception de dispositifs médicaux.
Le Centre d’excellence pour la santé numérique de la FDA a mis en avant le potentiel de la modélisation avancée, de l’IA et des données du monde réel pour soutenir des délais de production et de développement de preuves plus efficaces.
En Europe, des progrès significatifs ont été réalisés, notamment avec l’EMA, qui a reconnu l’utilisation de jumeaux numériques comme méthode d’analyse dans certaines études cliniques de phases 2 et 3. En 2025, l’EMA a qualifié le premier outil d’IA pour le diagnostic des maladies inflammatoires du foie, ce qui souligne l’acceptation croissante des technologies d’apprentissage automatique dans les décisions cliniques. En décembre, une proposition européenne visant à simplifier les régulations sur les dispositifs médicaux (MDR) et les dispositifs de diagnostic in vitro (IVDR) a reconnu l’importance des preuves in silico pour démontrer la sécurité et l’efficacité des dispositifs.
Validation virtuelle
La simulation synthétique gagne en popularité, car la FDA prévoit d’approuver plus de 1 000 dispositifs médicaux compatibles IA et ML d’ici 2025. Bien que la radiologie soit en tête, les applications cardiovasculaires représentent également une part importante, avec des innovations comme la surveillance cardiaque automatisée qui optimisent les processus de test et de détection des arythmies.
L’utilisation de jumeaux numériques a permis de réduire le nombre d’inscriptions nécessaires, certaines conceptions de dispositifs nécessitant des groupes de contrôle jusqu’à 35 % plus petits. Par exemple, pour un essai de 1 000 patients, réduire le groupe témoin de 25 % peut diminuer le délai d’inscription de 4 à 5 mois.
La validation virtuelle est désormais déployée dans une variété d’applications, allant de tests automatisés à la formation d’algorithmes pour des maladies de petites cohortes, facilitant ainsi la réduction des essais physiques et l’accélération de la mise sur le marché.
Les maladies rares au centre de l’attention
Pour ceux qui souffrent de maladies rares, ces nouvelles méthodes peuvent transformer le paysage économique. Auparavant, ces patients étaient souvent exclus des innovations dans le domaine des technologies médicales. Les données synthétiques permettent désormais de surmonter cet obstacle, rendant possibles de nouvelles solutions médicales sur le marché.
L’un des secteurs qui devrait tirer profit de ces avancées est celui des études pédiatriques. La création de patients virtuels pourrait générer des données suffisantes pour accélérer l’approbation des médicaments et faciliter l’accès à ces innovations pour les enfants, en particulier ceux atteints de troubles génétiques ou de cancers rares.
Dans le domaine des affections neurologiques, les défis sont considérables en raison de la complexité, des aspects invasifs et des populations limitées touchées. Jusqu’à présent, le développement de dispositifs thérapeutiques ou d’interfaces informatiques pour le cerveau a été entravé par des retards dans la collecte de données. Les jumeaux numériques pourraient désormais simuler ces interactions sans nécessiter d’essais physiques, accélérant ainsi les cycles de R&D pour des traitements jugés éthiquement délicats jusqu’à présent.
L’économie de la validation synthétique
Les bénéfices économiques des données synthétiques sont significatifs. Les organisations qui les utilisent rapportent jusqu’à une réduction de 70 % des coûts d’acquisition de données et des délais considérablement raccourcis. Cela permet d’accéder plus rapidement à des solutions sûres et innovantes, améliorant les résultats en matière de santé.
De plus, la restructuration des coûts permet une meilleure démocratisation de l’industrie des dispositifs médicaux. Les petits acteurs peuvent désormais entrer sur le marché et rivaliser avec des entreprises de plus grande envergure, car les immenses budgets d’essais cliniques ne sont plus une obligation. D’autres facteurs, tels que des normes communes, des bases de données anatomiques, et la méthodologie de partage de données synthétiques, soutiennent cette évolution en renforçant l’adoption et en facilitant la conformité réglementaire.
L’avenir est synthétique
Le secteur de la santé commence enfin à rattraper d’autres domaines ayant déjà exploité la simulation pour favoriser l’innovation. Toutefois, divers défis demeurent, notamment la mise en place de normes, l’adaptation à des réglementations changeantes, la vérification de la qualité des données et l’équilibre entre tests générés par ordinateur et tests physiques.
Les goulots d’étranglement des essais pourront être largement résolus d’ici la fin de cette décennie, grâce aux avancées technologiques qui rendent la validation à la fois plus efficace et complète, sans compromettre la sécurité.
Photo : ipopba, Getty Images
