Article
Le potentiel transformateur de l’IA pour soutenir la modélisation économique de la santé
-
Derek Swiger, PharmD, MS
-
Paul Turner, PhD, MSc
Découvrez les applications de modélisation basées sur l’IA d’aujourd’hui, les principales limites et l’avenir pour une génération de preuves plus agile, transparente et prête pour l’ETS.
La modélisation économique est depuis longtemps une pierre angulaire de l’accès au marché des soins de santé, fournissant le cadre analytique nécessaire pour évaluer la rentabilité, l’impact budgétaire et les stratégies de tarification fondées sur la valeur. Cependant, à mesure que le paysage des soins de santé devient de plus en plus complexe, la demande de processus de modélisation plus agiles, transparents et efficaces s’est intensifiée. L’intelligence artificielle (IA) apparaît comme une force transformatrice dans cet espace, rationalisant les flux de travail, accélérant la prise de décision et améliorant la qualité des données.1
Il est essentiel de comprendre les applications actuelles de l’IA dans la modélisation économique, ses défis et ses limites, ainsi que les possibilités futures pour déterminer comment l’IA remodèle l’économie de la santé, et l’industrie peut tirer parti de ces développements tout en répondant aux attentes rigoureuses des payeurs et des organismes d’évaluation des technologies de la santé (ETS).
Applications actuelles de l’IA dans la modélisation économique
Accélérer la conceptualisation et la conception des modèles
L’IA révolutionne les premières étapes de la modélisation économique en permettant le prototypage rapide des structures de modèles.2 Traditionnellement, les économistes de la santé étaient souvent limités par des processus à forte intensité de main-d’œuvre qui les enfermaient dans un seul modèle. Les outils d’IA permettent désormais aux équipes de tester plusieurs structures de modèles simultanément, en identifiant les options les plus efficaces et les plus crédibles pour soutenir l’histoire de valeur d’un produit.
« Le fait de disposer d’outils qui peuvent nous permettre de prototyper très rapidement des modèles nous permet de comprendre la conception optimale des modèles pour les produits afin d’identifier et de soutenir l’histoire de valeur », a déclaré Chris Poole, Ph. D., économiste principal de la santé chez Cencora.
Cette capacité à tester diverses conceptions de modèles dès le début du processus permet de trouver le bon équilibre entre l’incertitude et la complexité et de garantir que la structure choisie correspond aux attentes des payeurs. Cela permet non seulement de gagner du temps, mais aussi d’énormes économies, car les retards dans les soumissions et le risque que les agences rejettent des modèles complexes et mal justifiés peuvent coûter des millions aux entreprises.
« Le fait de disposer d’outils qui peuvent nous permettre de prototyper très rapidement des modèles nous permet de comprendre la conception optimale des modèles pour les produits afin d’identifier et de soutenir l’histoire de valeur », a déclaré Chris Poole, Ph. D., économiste principal de la santé chez Cencora.
Cette capacité à tester diverses conceptions de modèles dès le début du processus permet de trouver le bon équilibre entre l’incertitude et la complexité et de garantir que la structure choisie correspond aux attentes des payeurs. Cela permet non seulement de gagner du temps, mais aussi d’énormes économies, car les retards dans les soumissions et le risque que les agences rejettent des modèles complexes et mal justifiés peuvent coûter des millions aux entreprises.
Combler les lacunes en matière de données et améliorer la qualité des données
Les lacunes dans les données constituent un défi persistant dans la modélisation économique, en particulier pour les maladies rares ou les nouvelles thérapies lorsqu’il n’y a pas de données, pas assez de données ou lorsque les données disponibles ne sont pas de qualité suffisante. L’IA s’avère inestimable pour consolider des sources de données disparates et simuler les entrées manquantes. Par exemple, l’IA peut numériser les courbes de Kaplan-Meier (KM) et générer des données individuelles sur les participants pour les analyses de survie, ce qui permet un paramétrage plus robuste des données de survie.3
« Il est étonnant que vous puissiez prendre une courbe de KM publiée et la montrer à un outil genAI ayant accès à un conteneur Python pour exécuter le code, et il numérisera la courbe, l’écrira et l’exécutera de manière à pouvoir simuler les populations de données individuelles des participants (IPD) qui vous auraient donné cette courbe. », a déclaré M. Poole, en s’appuyant sur son expérience avec les outils d’IA. « C’est extraordinaire. La meilleure partie est que c’est facile à valider, il suffit de travailler à rebours en utilisant l’IPD pour générer la courbe KM.
Cette capacité réduit considérablement le temps nécessaire à l’analyse statistique, ce qui permet aux économistes de la santé de se concentrer sur des tâches de plus grande valeur. Cependant, il est essentiel d’assurer la transparence et la validité des simulations de données basées sur l’IA.
« Il est étonnant que vous puissiez prendre une courbe de KM publiée et la montrer à un outil genAI ayant accès à un conteneur Python pour exécuter le code, et il numérisera la courbe, l’écrira et l’exécutera de manière à pouvoir simuler les populations de données individuelles des participants (IPD) qui vous auraient donné cette courbe. », a déclaré M. Poole, en s’appuyant sur son expérience avec les outils d’IA. « C’est extraordinaire. La meilleure partie est que c’est facile à valider, il suffit de travailler à rebours en utilisant l’IPD pour générer la courbe KM.
Cette capacité réduit considérablement le temps nécessaire à l’analyse statistique, ce qui permet aux économistes de la santé de se concentrer sur des tâches de plus grande valeur. Cependant, il est essentiel d’assurer la transparence et la validité des simulations de données basées sur l’IA.
Rationalisation de la création de rapports
L’IA transforme également la façon dont les rapports techniques et d’autres documents, tels que les rapports sur les modèles d’impact budgétaire pour les dossiers de l’Academy of Managed Care Pharmacy, sont rédigés.4 En automatisant les tâches répétitives comme le formatage et l’intégration des données, l’IA permet aux économistes de la santé d’allouer plus de temps à s’assurer qu’un modèle soutient le mieux possible l’histoire de valeur du produit.
Le potentiel d’économie de main-d’œuvre de l’IA est remarquable. Au sein de Cencora, par exemple, nous construisons des systèmes d’IA internes pour rédiger rapidement de nombreux types de rapports dans le but d’appliquer ces systèmes à nos propres rapports de modélisation économique dans un avenir proche. Il ne s’agit pas seulement de créer de nouveaux rapports. La réutilisation de contenu entre différentes agences d’ETS est également mûre pour l’automatisation.
« Beaucoup de ces modèles du NICE (National Institute for Health and Care Excellence) ou d’autres organismes peuvent être structurés ou ordonnés différemment, mais l’information nécessaire pour les remplir est identique », a déclaré Derek Swiger, PharmD, MS, expert en innovation numérique en accès au marché et en économie de la santé et en recherche sur les résultats (HEOR). « Nous pouvons certainement emprunter une page de ce que les gens font avec l’IA dans les espaces cliniques et réglementaires en ce qui concerne la modularisation et la réutilisation du contenu. Par exemple, la rédaction des rapports d’études cliniques est automatisée par des outils d’IA grâce à la réutilisation du contenu des documents sous-jacents, comme le protocole de l’étude.
Ce changement améliore non seulement l’efficacité, mais assure également la cohérence entre les documents adaptés aux diverses exigences réglementaires et des payeurs.
Le potentiel d’économie de main-d’œuvre de l’IA est remarquable. Au sein de Cencora, par exemple, nous construisons des systèmes d’IA internes pour rédiger rapidement de nombreux types de rapports dans le but d’appliquer ces systèmes à nos propres rapports de modélisation économique dans un avenir proche. Il ne s’agit pas seulement de créer de nouveaux rapports. La réutilisation de contenu entre différentes agences d’ETS est également mûre pour l’automatisation.
« Beaucoup de ces modèles du NICE (National Institute for Health and Care Excellence) ou d’autres organismes peuvent être structurés ou ordonnés différemment, mais l’information nécessaire pour les remplir est identique », a déclaré Derek Swiger, PharmD, MS, expert en innovation numérique en accès au marché et en économie de la santé et en recherche sur les résultats (HEOR). « Nous pouvons certainement emprunter une page de ce que les gens font avec l’IA dans les espaces cliniques et réglementaires en ce qui concerne la modularisation et la réutilisation du contenu. Par exemple, la rédaction des rapports d’études cliniques est automatisée par des outils d’IA grâce à la réutilisation du contenu des documents sous-jacents, comme le protocole de l’étude.
Ce changement améliore non seulement l’efficacité, mais assure également la cohérence entre les documents adaptés aux diverses exigences réglementaires et des payeurs.
Défis et limites de l’IA dans la modélisation économique
Le potentiel de l’IA dans la modélisation économique de la santé est vaste, mais des défis et des limites demeurent. Dans les médias, il est souvent question de remplacer l’IA par l’IA, mais il est important de noter que si l’IA excelle dans la génération d’options et l’automatisation des processus, elle ne peut pas remplacer l’expertise humaine dans la prise de décisions stratégiques. Les économistes de la santé jouent un rôle essentiel pour s’assurer que les modèles générés par l’IA sont réalisables, crédibles et alignés sur les réalités cliniques et de remboursement.
Paul Turner, Ph. D., économiste principal de la santé chez Cencora, a souligné l’importance de la participation humaine :
« L’IA peut générer les options pour vous, mais il doit y avoir un élément d’implication humaine pour s’assurer que ce qui est choisi est faisable. Cette surveillance est essentielle.
Cette approche humaine est essentielle pour maintenir l’intégrité des modèles économiques et assurer leur adéquation à la prise de décisions. Les équipes d’HEOR doivent également trouver un équilibre entre l’utilisation de l’IA pour créer des modèles très complexes et les risques. Bien que des modèles complexes puissent répondre aux attentes des payeurs, ils introduisent souvent une incertitude supplémentaire sur les paramètres et soulèvent des problèmes potentiels avec les agences.
« Ce n’est pas parce que nous pouvons utiliser l’IA pour construire des modèles complexes que nous devrions le faire », a noté M. Poole. « Par exemple, l’agence d’ETS pourrait ne pas trouver le modèle approprié pour la prise de décisions. »
Trouver le bon équilibre entre complexité et incertitude est essentiel pour maximiser l’utilité des modèles pilotés par l’IA.
Paul Turner, Ph. D., économiste principal de la santé chez Cencora, a souligné l’importance de la participation humaine :
« L’IA peut générer les options pour vous, mais il doit y avoir un élément d’implication humaine pour s’assurer que ce qui est choisi est faisable. Cette surveillance est essentielle.
Cette approche humaine est essentielle pour maintenir l’intégrité des modèles économiques et assurer leur adéquation à la prise de décisions. Les équipes d’HEOR doivent également trouver un équilibre entre l’utilisation de l’IA pour créer des modèles très complexes et les risques. Bien que des modèles complexes puissent répondre aux attentes des payeurs, ils introduisent souvent une incertitude supplémentaire sur les paramètres et soulèvent des problèmes potentiels avec les agences.
« Ce n’est pas parce que nous pouvons utiliser l’IA pour construire des modèles complexes que nous devrions le faire », a noté M. Poole. « Par exemple, l’agence d’ETS pourrait ne pas trouver le modèle approprié pour la prise de décisions. »
Trouver le bon équilibre entre complexité et incertitude est essentiel pour maximiser l’utilité des modèles pilotés par l’IA.
Tendances et possibilités futures
Le potentiel de l’IA en économie de la santé continue de croître avec l’avènement de nouveaux systèmes et capacités. Par exemple, les systèmes d’IA agentiques sont capables de mettre à jour de manière autonome les paramètres du modèle avec les données probantes les plus récentes, en établissant des liens avec un système de revue systématique de la littérature « vivant ». Ces modèles « vivants » peuvent fournir des informations en temps réel, améliorer la précision des prévisions et permettre une prise de décision plus agile. Nous croyons que les systèmes d’IA agentiques sont prêts à redéfinir la modélisation économique.
Un autre domaine où nous nous attendons à ce que les systèmes d’IA deviennent essentiels est l’analyse des soumissions d’ETS historiques et des commentaires des payeurs afin d’identifier les facteurs de risque associés au rejet ou aux inefficacités des modèles.
Le Dr Poole a fait la prédiction suivante :
« Pour un domaine de maladie donné, je pense que nous verrons probablement l’IA être utilisée pour créer une base de données de facteurs qui mènent au succès d’un modèle considéré comme approprié à la prise de décision et, surtout, quels facteurs sont associés à un modèle jugé inapproprié. Peut-être qu’il y a 5 doctorats dans ce seul domaine avec les méthodes traditionnelles, mais un système d’IA pourrait probablement soutenir un très bon outil pour identifier ces facteurs de risque.
Nous prévoyons que ces outils aideront les fabricants à éliminer de manière proactive les pièges potentiels dans leurs soumissions, ce qui augmentera la probabilité de résultats positifs.
Un autre domaine où nous nous attendons à ce que les systèmes d’IA deviennent essentiels est l’analyse des soumissions d’ETS historiques et des commentaires des payeurs afin d’identifier les facteurs de risque associés au rejet ou aux inefficacités des modèles.
Le Dr Poole a fait la prédiction suivante :
« Pour un domaine de maladie donné, je pense que nous verrons probablement l’IA être utilisée pour créer une base de données de facteurs qui mènent au succès d’un modèle considéré comme approprié à la prise de décision et, surtout, quels facteurs sont associés à un modèle jugé inapproprié. Peut-être qu’il y a 5 doctorats dans ce seul domaine avec les méthodes traditionnelles, mais un système d’IA pourrait probablement soutenir un très bon outil pour identifier ces facteurs de risque.
Nous prévoyons que ces outils aideront les fabricants à éliminer de manière proactive les pièges potentiels dans leurs soumissions, ce qui augmentera la probabilité de résultats positifs.
En conclusion
L’IA remodèle le paysage de la modélisation économique, offrant une vitesse, une efficacité et une précision sans précédent. Qu’il s’agisse d’accélérer la conceptualisation des modèles, de combler les lacunes dans les données ou d’automatiser la création de rapports, l’IA transforme la façon dont les économistes de la santé abordent les défis de l’accès au marché.
Cependant, l’adoption de l’IA n’est pas sans défis. La surveillance humaine, la transparence et la prise de décision stratégique restent essentielles pour assurer la validité et la faisabilité des modèles basés sur l’IA. À l’avenir, l’intégration des systèmes d’IA agentique ouvrira de nouvelles possibilités de production de données probantes.
Cependant, l’adoption de l’IA n’est pas sans défis. La surveillance humaine, la transparence et la prise de décision stratégique restent essentielles pour assurer la validité et la faisabilité des modèles basés sur l’IA. À l’avenir, l’intégration des systèmes d’IA agentique ouvrira de nouvelles possibilités de production de données probantes.
*Les sources se poursuivent ci-dessous
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. Fleurence RL, Bian J, Wang X, et al; Groupe de travail de l’ISPOR sur l’IA générative. L’intelligence artificielle générative pour l’évaluation des technologies de la santé : possibilités, défis et considérations stratégiques : un rapport du groupe de travail de l’ISPOR. Valoriser la santé. 2025; 28(2):175-183. doi : 10.1016/j.jval.2024.10.3846
2. Depalma S, Poole CD, Turner P, Carlton R. L’ère de l’intelligence artificielle dans la modélisation économique de la santé. Affiche présentée à : ISPOR Europe 2025; Du 9 au 12 novembre. Glasgow, Écosse. EE685. https://www.ispor.org/heor-resources/presentations-database/presentation-cti/ispor-europe-2025/poster-session-5-2/the-artificial-intelligence-era-in-health-economic-modeling
3. Annan A, Mojarad MR, Du J, Xu Y. Extraction automatisée des courbes de survie de Kaplan-Meier à l’aide de l’intelligence artificielle générative et de la vision par ordinateur. Présenté à : ISPOR 2025; Du 13 au 16 mai; Montréal, Québec, CA. MSR33. https://www.valueinhealthjournal.com/article/S1098-3015(25)01310-5/texte complet
4. Fleurence RL, Wang X, Bian J, et al; Groupe de travail de l’ISPOR sur l’IA générative. Une taxonomie de l’intelligence artificielle générative en économie de la santé et en recherche sur les résultats : un rapport du groupe de travail de l’ISPOR. Valoriser la santé. 2025; 28(11):1601-1610. doi : 10.1016/j.jval.2025.04.2167
