Article
Améliorer la qualité de la recherche documentaire grâce à l’IA pour réduire les données probantes manquées et les retouches manuelles
-
Shilpa Patil, PhD
-
Angela Vogt-Eisele, PhD
L’amélioration de la qualité de la recherche documentaire avec l’IA peut aider à réduire le risque de manquer des publications critiques tout en filtrant le bruit
L’examen de la littérature scientifique disponible dans le domaine public est une exigence essentielle pour la préparation de nombreux documents réglementaires, y compris des aperçus cliniques et non cliniques, des désignations de médicaments orphelins ou des plans d’investigation pédiatrique. Ces documents exigent un résumé complet et à jour de l’information disponible dans la littérature scientifique.
Les organismes de réglementation peuvent demander une recherche documentaire systématique reproductible, ce qui signifie que le demandeur doit être en mesure de fournir des renseignements sur les bases de données et les plateformes exactes recherchées, les chaînes de recherche complètes (tous les mots-clés/termes contrôlés), les plages de dates et les autres limites/filtres appliqués, la ou les dates auxquelles les recherches ont été effectuées et le nombre d’enregistrements et les résultats afin que la recherche puisse être répétée et vérifiée.1,2
Selon le sujet, la quantité d’informations récupérées dans la recherche primaire peut être considérable et exige des recherches manuelles fastidieuses et chronophages. Les tentatives d’utilisation des questions et réponses des agents conversationnels se sont avérées peu fiables, tandis que les fonctions de filtrage disponibles dans les bases de données publiques ne sont pas suffisamment précises et présentent un risque de restituer trop de bruit (c.-à-d. de ne pas réduire efficacement l’information aux articles pertinents) ou de manquer des informations clés.
Les organismes de réglementation peuvent demander une recherche documentaire systématique reproductible, ce qui signifie que le demandeur doit être en mesure de fournir des renseignements sur les bases de données et les plateformes exactes recherchées, les chaînes de recherche complètes (tous les mots-clés/termes contrôlés), les plages de dates et les autres limites/filtres appliqués, la ou les dates auxquelles les recherches ont été effectuées et le nombre d’enregistrements et les résultats afin que la recherche puisse être répétée et vérifiée.1,2
Selon le sujet, la quantité d’informations récupérées dans la recherche primaire peut être considérable et exige des recherches manuelles fastidieuses et chronophages. Les tentatives d’utilisation des questions et réponses des agents conversationnels se sont avérées peu fiables, tandis que les fonctions de filtrage disponibles dans les bases de données publiques ne sont pas suffisamment précises et présentent un risque de restituer trop de bruit (c.-à-d. de ne pas réduire efficacement l’information aux articles pertinents) ou de manquer des informations clés.
De plus, les agents conversationnels ne fournissent pas de réponses vérifiables, ne peuvent pas assurer l’exhaustivité et présentent également des défis de traçabilité à un stade ultérieur. Les outils d’exploration de littérature en intelligence artificielle ont le potentiel de résoudre ces problèmes. La possibilité d’établir des liens logiques entre les termes, plutôt que de filtrer les articles mentionnant simplement une combinaison de certains termes, permet des recherches précises et ciblées sur des questions scientifiques définies et réduit le risque de manquer de l’information pertinente.
Des ensembles de littérature ciblés et complets permettent aux équipes de réglementation d’élaborer des documents bien informés et nuancés à l’appui du sujet respectif, comme les indications et les contre-indications d’un médicament, la discussion sur les interactions médicamenteuses ou la marge d’innocuité du produit dans des populations de patients définies.
Comment l’exploration de littérature en IA aide les chercheurs à améliorer l’efficacité et la sensibilité
1. Trouver des articles clés parmi de grands volumes de littérature
La mise en œuvre d’un outil de recherche sémantique permet d’identifier les articles pertinents pour le sujet souhaité avec une grande précision et efficacité, ce qui est crucial surtout pour les recherches avec un grand nombre de résultats primaires.
Dans le cadre d’une étude pilote, Cencora a tiré parti d’un outil d’exploration de la littérature interne et validé pour rechercher des interactions médicamenteuses impliquant la substance active A et plusieurs composés coadministrés (B-E). La recherche primaire conventionnelle basée sur des mots-clés a permis de récupérer plus de 7 000 articles, en grande partie grâce à une publication abondante sur l’interaction bien décrite de A et B.
En revanche, il était difficile d’identifier les interactions entre A et C-E parce que le moteur de recherche standard faisait apparaître principalement des articles décrivant l’interaction de A et B dans lesquels C-E n’apparaissait que sous forme de mentions secondaires, et non dans le contexte de l’interaction avec A.
L’utilisation de l’outil de recherche sémantique a permis de rechercher des articles décrivant spécifiquement les interactions médicamenteuses A avec C, D et E séparément. Grâce à cette approche, il a été possible de réduire considérablement le nombre de résultats primaires pour la vérification manuelle, passant de plus de 7 000 dans une requête initiale PubMed à environ 950. Plus important encore, l’outil a identifié des publications sur des interactions rares et peu étudiées qui avaient été oubliées lors d’une recherche manuelle précédente.
Dans l’ensemble, ce projet pilote illustre le rôle important que l’IA peut jouer dans l’amélioration des recherches documentaires : elle permet le filtrage à haut débit de très grands ensembles de résultats primaires sans s’appuyer sur des filtres trop restrictifs, et elle améliore la précision en classant les enregistrements en fonction d’une relation logique entre les concepts (p. ex., une interaction réelle entre A et C/D/E) plutôt que d’une simple cooccurrence de termes.
Dans le cadre d’une étude pilote, Cencora a tiré parti d’un outil d’exploration de la littérature interne et validé pour rechercher des interactions médicamenteuses impliquant la substance active A et plusieurs composés coadministrés (B-E). La recherche primaire conventionnelle basée sur des mots-clés a permis de récupérer plus de 7 000 articles, en grande partie grâce à une publication abondante sur l’interaction bien décrite de A et B.
En revanche, il était difficile d’identifier les interactions entre A et C-E parce que le moteur de recherche standard faisait apparaître principalement des articles décrivant l’interaction de A et B dans lesquels C-E n’apparaissait que sous forme de mentions secondaires, et non dans le contexte de l’interaction avec A.
L’utilisation de l’outil de recherche sémantique a permis de rechercher des articles décrivant spécifiquement les interactions médicamenteuses A avec C, D et E séparément. Grâce à cette approche, il a été possible de réduire considérablement le nombre de résultats primaires pour la vérification manuelle, passant de plus de 7 000 dans une requête initiale PubMed à environ 950. Plus important encore, l’outil a identifié des publications sur des interactions rares et peu étudiées qui avaient été oubliées lors d’une recherche manuelle précédente.
Dans l’ensemble, ce projet pilote illustre le rôle important que l’IA peut jouer dans l’amélioration des recherches documentaires : elle permet le filtrage à haut débit de très grands ensembles de résultats primaires sans s’appuyer sur des filtres trop restrictifs, et elle améliore la précision en classant les enregistrements en fonction d’une relation logique entre les concepts (p. ex., une interaction réelle entre A et C/D/E) plutôt que d’une simple cooccurrence de termes.
Une fois la recherche restreinte, le matériel identifié doit être validé manuellement. L’IA améliore considérablement l’efficacité de cette tâche tout en générant une justification concise d’inclusion ou d’exclusion pour chaque article. Les examinateurs humains peuvent ensuite confirmer la décision – ou identifier les faux positifs ou les faux négatifs – en vérifiant la justification par rapport aux passages pertinents du texte source. Avoir un humain dans la boucle est essentiel pour vérifier et affiner le modèle.
2. Être capable d’interroger des relations logiques complexes
Comme indiqué ci-dessus, la compréhension sémantique (traitement du langage naturel ou NLP) est utilisée pour la recherche documentaire plutôt que la simple correspondance de mots-clés, ce qui permet d’évaluer la pertinence contextuelle pour éliminer les résultats faux positifs.
De plus, le bassin de résultats primaires obtenu peut être recherché pour des aspects définis – p. ex. pharmacocinétique dans différentes populations de patients, aspects spécifiques de l’innocuité ou l’étude de certains paramètres Cela fournit un produit structuré sur l’information disponible sur le sujet respectif, lié à la publication originale fournissant cette information.
De plus, le bassin de résultats primaires obtenu peut être recherché pour des aspects définis – p. ex. pharmacocinétique dans différentes populations de patients, aspects spécifiques de l’innocuité ou l’étude de certains paramètres Cela fournit un produit structuré sur l’information disponible sur le sujet respectif, lié à la publication originale fournissant cette information.
3. Auditabilité et traçabilité
L’IA fournit également une liste complète des mots-clés et des filtres appliqués, ainsi que le nombre d’articles identifiés à chaque étape, selon les besoins, pour des recherches systématiques dans la littérature pour les présentations réglementaires. Les critères d’inclusion et d’exclusion ainsi que les critères de pertinence, mis en correspondance avec les articles résultants, permettent la traçabilité pour toute analyse et examen futurs. Par exemple, il est possible de sélectionner indépendamment des articles étudiant « interactions médicamenteuses ayant un impact sur l’absorption », « interactions médicamenteuses ayant un impact sur l’efficacité dans l’indication X », « interactions médicamenteuses associées à des événements indésirables », etc.
Ajoutant de la valeur au processus, l’outil d’IA a permis une justification objective et reproductible de l’inclusion et de l’exclusion, qui peut être confirmée ou rejetée par l’examinateur humain. De plus, la description condensée du raisonnement de l’inclusion ou de l’exclusion d’un article permet une vérification manuelle rapide et efficace de la sélection par l’expert et garantit que le raisonnement derrière les critères d’inclusion et d’exclusion est enregistré pour la traçabilité et la vérifiabilité.
La piste de vérification générée par l’IA dans les critères de recherche et les articles sélectionnés ou exclus démontre une valeur clé de l’IA : libérer les experts pour assurer une surveillance adéquate et gérer l’entière responsabilité de la sélection finale de la littérature.
Ajoutant de la valeur au processus, l’outil d’IA a permis une justification objective et reproductible de l’inclusion et de l’exclusion, qui peut être confirmée ou rejetée par l’examinateur humain. De plus, la description condensée du raisonnement de l’inclusion ou de l’exclusion d’un article permet une vérification manuelle rapide et efficace de la sélection par l’expert et garantit que le raisonnement derrière les critères d’inclusion et d’exclusion est enregistré pour la traçabilité et la vérifiabilité.
La piste de vérification générée par l’IA dans les critères de recherche et les articles sélectionnés ou exclus démontre une valeur clé de l’IA : libérer les experts pour assurer une surveillance adéquate et gérer l’entière responsabilité de la sélection finale de la littérature.
4. Structuration des données pour l’analyse prédictive et les informations
L’IA génère également une analyse systématique et structurée des éléments de données clés des articles pertinents, comme les données sur l’innocuité par groupe d’âge ou un résumé des interactions pharmacocinétiques médicamenteuses dans les études disponibles. Ces données structurées peuvent être utilisées pour appuyer, par exemple, la discussion sur la formulation d’un médicament ou son innocuité dans des populations de patients spécifiques. De plus, le niveau de preuve peut être cartographié en fonction du type d’article et de la taille ou de la conception de l’étude, etc.
Une telle analyse structurée et approfondie des données de la littérature peut améliorer l’état de préparation à l’intervention, en particulier lorsque les organismes de réglementation demandent des éclaircissements sur le contexte de sécurité ou des preuves à l’appui.
Une telle analyse structurée et approfondie des données de la littérature peut améliorer l’état de préparation à l’intervention, en particulier lorsque les organismes de réglementation demandent des éclaircissements sur le contexte de sécurité ou des preuves à l’appui.
Conclusion :
Améliorer les recherches documentaires et réduire le risque de lacunes réglementaires
L’exploration de la littérature assistée par l’IA peut jouer un rôle important dans la profondeur et la défendabilité de la préparation de documents réglementaires qui nécessitent des preuves scientifiques complètes et à jour provenant de la littérature publiée. En permettant de vastes filtres de la littérature primaire, à partir desquels les articles pertinents sont sélectionnés en fonction de la compréhension sémantique, cet outil améliore grandement l’efficacité tout en réduisant le risque de manquer des publications critiques. Une surveillance humaine est disponible à toutes les étapes du processus de sélection.
Les flux de travail d’IA bien conçus améliorent également la traçabilité et l’auditabilité en enregistrant les stratégies de recherche, la logique d’inclusion et d’exclusion et la justification de la priorisation des articles. Associée à la validation humaine, cette approche favorise des décisions cohérentes et reproductibles et réduit la variabilité inhérente au dépistage manuel. Enfin, la structuration des éléments de données extraits dans les publications pertinentes crée une base pour une analyse plus approfondie (p. ex., informations sur les sous-populations, classement des données probantes, détection des tendances) et renforce les récits réglementaires et l’état de préparation à l’intervention.
De manière générale, l’exploration de la littérature basée sur l’IA peut améliorer considérablement l’exhaustivité et la qualité de la base de données probantes à l’appui des présentations réglementaires, réduisant ainsi considérablement le risque de lacunes dans le cycle d’examen.
Les flux de travail d’IA bien conçus améliorent également la traçabilité et l’auditabilité en enregistrant les stratégies de recherche, la logique d’inclusion et d’exclusion et la justification de la priorisation des articles. Associée à la validation humaine, cette approche favorise des décisions cohérentes et reproductibles et réduit la variabilité inhérente au dépistage manuel. Enfin, la structuration des éléments de données extraits dans les publications pertinentes crée une base pour une analyse plus approfondie (p. ex., informations sur les sous-populations, classement des données probantes, détection des tendances) et renforce les récits réglementaires et l’état de préparation à l’intervention.
De manière générale, l’exploration de la littérature basée sur l’IA peut améliorer considérablement l’exhaustivité et la qualité de la base de données probantes à l’appui des présentations réglementaires, réduisant ainsi considérablement le risque de lacunes dans le cycle d’examen.
*Les sources se poursuivent ci-dessous
À propos des auteurs :
Shilpa Patil, Ph. D. , est scientifique principale au sein du groupe d’innovation numérique de Cencora. Elle possède plus de huit ans d’expérience dans le domaine de la recherche translationnelle et des soins de santé, se spécialisant dans la découverte de médicaments, la recherche sur les biomarqueurs et la médecine personnalisée assistée par l’IA en oncologie. Shilpa et son équipe travaillent à la définition et à la création de solutions basées sur l’IA qui visent à ajouter de la valeur et de l’efficacité aux applications réglementaires et aux services de conseil offerts.
Angela Vogt-Eisele, Ph. D. , est directrice du SNC, chef d’équipe de la rédaction médicale mondiale, chez Cencora. Angela travaille pour l’industrie pharmaceutique depuis plus de 15 ans en soutenant des programmes de développement non clinique et clinique pour les médicaments à usage humain. Angela et l’équipe de rédaction mondiale ont une solide expérience dans la rédaction et la mise à jour d’un large éventail de documents réglementaires dans toutes les modalités, des petites molécules aux produits biologiques et aux AMTP, et mettent actuellement en œuvre des capacités basées sur l’IA pour faire passer ces activités au niveau supérieur en collaboration avec le groupe d’innovation numérique de Cencora.
Angela Vogt-Eisele, Ph. D. , est directrice du SNC, chef d’équipe de la rédaction médicale mondiale, chez Cencora. Angela travaille pour l’industrie pharmaceutique depuis plus de 15 ans en soutenant des programmes de développement non clinique et clinique pour les médicaments à usage humain. Angela et l’équipe de rédaction mondiale ont une solide expérience dans la rédaction et la mise à jour d’un large éventail de documents réglementaires dans toutes les modalités, des petites molécules aux produits biologiques et aux AMTP, et mettent actuellement en œuvre des capacités basées sur l’IA pour faire passer ces activités au niveau supérieur en collaboration avec le groupe d’innovation numérique de Cencora.
Avis de non-responsabilité :
Les renseignements fournis dans cet article ne constituent pas des conseils juridiques. Cencora, Inc. encourage fortement les lecteurs à consulter les informations disponibles sur les sujets abordés et à se fier à leur propre expérience et expertise pour prendre des décisions à cet égard.
Entrez en contact avec notre équipe
Notre équipe d’experts de la valeur se consacre à la transformation des données probantes, des informations sur les politiques et des renseignements sur le marché en stratégies efficaces d’accès au marché mondial. Laissez-nous vous aider à naviguer dans le paysage complexe des soins de santé d’aujourd’hui en toute confiance. Contactez-nous pour découvrir comment nous pouvons vous aider à atteindre vos objectifs.
Bibliographie
1. Ligne directrice sur les bonnes pratiques de pharmacovigilance (GVP), HMA, EMA, décembre 2013. https://www.ema.europa.eu/en/documents/scientific-guideline/guideline-good-pharmacovigilance-practices-gvp-module-vii-periodic-safety-update-report_en.pdf
2. Lignes directrices à l’intention de l’industrie, Applications visées par l’article 505(b)(2), LAD, octobre 1999. https://www.fda.gov/media/72419/download
.jpg)