Des algorithmes d’apprentissage automatique pour réduire les doses de médicament

Réduire les doses de médicaments pour le bien-être du patient

Historiquement, les laboratoires pharmaceutiques s’intéressent aux médicaments à large spectre pour soigner l’ensemble de la population et s’attardent peu sur les sous-groupes de patients qui pourraient sur- ou sous- réagir à ces médicaments et alors bénéficier d’un dosage non standard. En effet, des médicaments importants sont connus pour être influencés par la génétique des patients et exigent un dosage précis afin que le rapport bénéfice / toxicité soit plus approprié à leur cas. On parle alors de médecine de précision, très utile dès lors que l’ajustement de la dose du médicament est délicat selon la réaction du patient.

Nos chercheurs se sont particulièrement intéressés aux médicaments qui interagissent avec la famille des enzymes P450 qui participe à notre métabolisme en aidant l’organisme à éliminer les médicaments, car elle est composée d’enzymes plus ou moins actives en fonction du patient.
Cela est certes génétique mais les réactions diffèrent également en fonction du régime alimentaire, de l’environnement ou en fonction d’interactions avec d’autres médicaments.
Pour certains médicaments, des diagnostics génétiques sont réalisés et les médecins suivent des protocoles cliniques avec une dose de départ et ils évaluent chaque jour l’effet du médicament chez le patient et en fonction de ce suivi, ils ajustent la dose en fonction d’un éventuel effet indésirable.

Le nouvel algorithme développé pourrait aider à prévoir et à prévenir les effets indésirables en réduisant le temps jusque à la dose stable. D’autant que les effets indésirables seraient responsables d'environ 280 000 hospitalisations chaque année ne serait-ce que aux États-Unis.

L’algorithme de nos chercheurs fonctionne particulièrement bien avec des médications utilisées en cancérologie, avec les immunodépresseurs utilisés après une greffe par exemple, ou encore avec les anticoagulants pour lesquels le temps pour atteindre la dose stable peut-être long, tant la variabilité de réactions des patients est grande.

L’I.A. au cœur du dossier de santé électronique

L’équipe de chercheurs a réussi, à partir de véritables données de santé, les dossiers électroniques des patients de l’hôpital universitaire de Stanford, à prédire que ces derniers avaient besoin d’une dose plus faible que la dose standard de médicaments avant même que celui-ci ne soit prescrit.

Pour analyser les données dans l’historique du patient, la démarche scientifique utilisée est une méthode très connue et couramment utilisée en intelligence artificielle : la méthode "Random Forest" , ou forêt  d’arbres aléatoires. Cet algorithme combine les concepts de sous-espaces aléatoires. L'algorithme des forêts d'arbres décisionnels effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de données légèrement différents.
Ce qui est plus particulier dans leur démarche est la préparation et la sélection des données pour alimenter le modèle d’IA.  Le résultat montre la faisabilité de suggérer une réduction de dose, avant même que le médicament ne soit prescrit, sans attendre les premières réactions du patient et proposant ainsi aux médecins une aide à la prescription. 

Le résultat de leurs travaux de recherche illustre le rôle que l'apprentissage automatique peut jouer dans la définition de la dose initiale des médicaments associés à une réponse variable et illustre que le système de santé peut gagner dans certains cas à être informatisé.

À Stanford, les patients ont des dossiers électroniques depuis de nombreuses années. Les données sont anonymisées puis entreposées pour des fins de recherche.
En France, le dossier patient électronique gagne chaque jour du terrain. L’hôpital européen Georges Pompidou (HEGP), avec qui Adrien travaille depuis trois ans dans le cadre notamment de son ANR PractiKPharma a mis en place dès son ouverture, en 2001, un système informatique pour que les dossiers patients soient électroniques. L’accès aux données pour des fins de recherche peut alors être considéré par les comités d’éthique.
Au CHRU de Nancy, partenaire de longue date de l’équipe, les dossiers sont électroniques, mais leur utilisation en recherche est encore limitée.

Aux États-Unis et en France, ce sont les IRB (Institutional Review Board) , ou comités d’éthique locaux, qui donnent une autorisation ponctuelle sur l’exploitation ou non de ces données à vocation de recherche, sachant également que chaque patient donne également son accord en amont.
La suite des travaux de recherche serait de pouvoir adapter l’algorithme développé sur les données américaines aux dossiers électroniques d’hôpitaux français.

Un résultat de recherche multipartenarial

Ce résultat résulte d’un partenariat entre l’équipe Orpailleur, commune à Inria et au Loria (CNRS, Inria et Université de Lorraine) et l’université Stanford, dans le cadre de l’équipe-associée Snowball financée par Inria depuis près de quatre ans.
L’équipe de recherche de Stanford est celle de Nigam H. Shah qui est spécialiste de l’analyse prédictive appliquées à des données médicales.
Le CHRU Nancy a participé au travail notamment avec Nicolas Jay, qui est à la fois chef du service d’évaluation et d’information médicales du CHRU et membre du laboratoire Loria. Ayant enchainé une délégation CNRS puis Inria, Adrien a également pu compter sur le soutien de l’université de Lorraine avec son programme Widen Horizon (LUE) qui soutient les séjour de recherche à l’étranger. Adrien Coulet peut ainsi poursuivre son séjour à Stanford et y préparer un nouveau projet : préparer son HDR (Habilitation à Diriger des Recherches).

Article rédigé par Olivia Brenner, Service communication Loria