Article
Améliorer la qualité de la recherche documentaire grâce à l’IA pour réduire les preuves manquées et les reprises manuelles
-
Shilpa Patil, PhD
-
Angela Vogt-Eisele, PhD
L’amélioration de la qualité de la recherche documentaire grâce à 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 centrale pour la préparation de nombreux documents réglementaires, y compris les aperçus cliniques et non cliniques, les désignations de médicaments orphelins ou les plans de recherche pédiatrique. Ces documents exigent un résumé complet et à jour des informations disponibles 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 informations sur les bases de données/plateformes exactes recherchées, les chaînes de recherche complètes (tous les mots-clés/termes contrôlés), les plages de dates et autres limites/filtres appliqués, la ou les dates auxquelles les recherches ont été effectuées, et le nombre/les résultats des enregistrements afin que la recherche puisse être répétée et vérifiée.1,2
Selon le sujet, la quantité d’informations récupérées lors de la recherche principale peut être importante et nécessite des recherches manuelles fastidieuses et longues. Les tentatives d’utilisation des questions et réponses des chatbots se sont avérées peu fiables, tandis que les fonctions de filtrage disponibles dans les bases de données publiques ne sont pas suffisamment spécifiques et présentent un risque de renvoyer trop de bruit (c’est-à-dire de ne pas réduire efficacement les informations 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 informations sur les bases de données/plateformes exactes recherchées, les chaînes de recherche complètes (tous les mots-clés/termes contrôlés), les plages de dates et autres limites/filtres appliqués, la ou les dates auxquelles les recherches ont été effectuées, et le nombre/les résultats des enregistrements afin que la recherche puisse être répétée et vérifiée.1,2
Selon le sujet, la quantité d’informations récupérées lors de la recherche principale peut être importante et nécessite des recherches manuelles fastidieuses et longues. Les tentatives d’utilisation des questions et réponses des chatbots se sont avérées peu fiables, tandis que les fonctions de filtrage disponibles dans les bases de données publiques ne sont pas suffisamment spécifiques et présentent un risque de renvoyer trop de bruit (c’est-à-dire de ne pas réduire efficacement les informations aux articles pertinents) ou de manquer des informations clés.
En outre, les chatbots ne fournissent pas de réponses vérifiables, ne peuvent pas garantir l’exhaustivité et présentent également des problèmes de traçabilité à un stade ultérieur. Les outils d’exploration de littérature en intelligence artificielle ont le potentiel de résoudre ces problèmes. Être capable d’établir des liens logiques entre les termes, plutôt que de filtrer les articles mentionnant simplement une combinaison de certains termes, permet des recherches spécifiques et ciblées sur des questions scientifiques définies et réduit le risque de manquer des informations pertinentes.
Des ensembles de littérature ciblés et approfondis permettent aux équipes de réglementation de construire des documents bien informés et nuancés à l’appui du sujet respectif, tels que les indications et les contre-indications d’un médicament, la discussion des interactions médicamenteuses ou la marge de sécurité du produit dans des populations de patients définies.
Comment l’exploration de la littérature sur l’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 peut identifier les articles pertinents pour le sujet souhaité avec une grande précision et efficacité, ce qui est crucial en particulier pour les recherches avec un grand nombre de résultats primaires.
Dans le cadre d’une étude pilote, Cencora a utilisé un outil d’exploration de la littérature interne et validé pour rechercher des interactions médicamenteuses impliquant la substance active A et plusieurs composés co-administrés (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 de nombreuses publications sur l’interaction bien décrite de A avec B.
En revanche, il était difficile d’identifier les interactions entre A et C-E parce que le moteur de recherche standard présentait principalement des articles décrivant l’interaction de A et B dans lesquels C-E n’apparaissait que comme des mentions secondaires, et non dans le contexte de l’interaction avec A.
L’utilisation de l’outil de recherche sémantique a permis une recherche ciblée d’articles décrivant spécifiquement les interactions médicamenteuses de 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 – 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 manquées 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 de filtrer 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 (par exemple, 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 utilisé un outil d’exploration de la littérature interne et validé pour rechercher des interactions médicamenteuses impliquant la substance active A et plusieurs composés co-administrés (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 de nombreuses publications sur l’interaction bien décrite de A avec B.
En revanche, il était difficile d’identifier les interactions entre A et C-E parce que le moteur de recherche standard présentait principalement des articles décrivant l’interaction de A et B dans lesquels C-E n’apparaissait que comme des mentions secondaires, et non dans le contexte de l’interaction avec A.
L’utilisation de l’outil de recherche sémantique a permis une recherche ciblée d’articles décrivant spécifiquement les interactions médicamenteuses de 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 – 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 manquées 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 de filtrer 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 (par exemple, une interaction réelle entre A et C/D/E) plutôt que d’une simple cooccurrence de termes.
Une fois la recherche réduite, le matériel identifié doit être validé manuellement. L’IA améliore considérablement l’efficacité de cette tâche tout en générant en outre 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 faussement positifs.
De plus, le pool de résultats primaires obtenu peut être recherché pour des aspects définis – par exemple, la pharmacocinétique dans différentes populations de patients, des aspects de sécurité spécifiques ou l’étude de certains critères d’évaluation. Cela fournit un résultat structuré sur les informations disponibles sur le sujet respectif, lié à la publication originale fournissant ces informations.
De plus, le pool de résultats primaires obtenu peut être recherché pour des aspects définis – par exemple, la pharmacocinétique dans différentes populations de patients, des aspects de sécurité spécifiques ou l’étude de certains critères d’évaluation. Cela fournit un résultat structuré sur les informations disponibles sur le sujet respectif, lié à la publication originale fournissant ces informations.
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 les recherches documentaires systématiques pour les soumissions réglementaires. Les critères d’inclusion et d’exclusion ainsi que les critères de pertinence, mis en correspondance avec les articles résultants, permettent une traçabilité pour toute analyse et révision future. Par exemple, il est possible de sélectionner indépendamment des articles étudiant les « interactions médicamenteuses ayant un impact sur l’absorption », les « interactions médicamenteuses ayant un impact sur l’efficacité dans l’indication X », les « 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 l’auditabilité.
La piste d’audit 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 appropriée 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 l’auditabilité.
La piste d’audit 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 appropriée 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 provenant d’articles pertinents, tels que des 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 soutenir, par exemple, la discussion sur la formulation d’un médicament ou sa sécurité 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 la préparation à l’intervention, en particulier lorsque les organismes de réglementation demandent des éclaircissements sur le contexte de la sécurité ou des preuves à l’appui.
Une telle analyse structurée et approfondie des données de la littérature peut améliorer la préparation à l’intervention, en particulier lorsque les organismes de réglementation demandent des éclaircissements sur le contexte de la 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 l’approfondissement et la défense de la préparation de documents réglementaires qui nécessitent des preuves scientifiques complètes et à jour à partir de la littérature publiée. En permettant des criblages approfondis de la littérature primaire, à partir desquels les articles pertinents sont sélectionnés en fonction de leur compréhension sémantique, cet outil améliore considérablement 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.
Des 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 hiérarchisation des articles. Associée à une validation humaine dans la boucle, cette approche favorise des décisions cohérentes et reproductibles et réduit la variabilité inhérente au criblage manuel. Enfin, la structuration des éléments de données extraits dans des publications pertinentes crée une base pour une analyse plus approfondie (p. ex., aperçu des sous-populations, classement des preuves, détection des tendances) et renforce les récits réglementaires et la préparation à l’intervention.
De manière générale, l’exploration de la littérature assistée par l’IA peut améliorer considérablement l’exhaustivité et la qualité de la base de données probantes à l’appui des soumissions réglementaires, réduisant ainsi considérablement le risque de lacunes dans le cycle d’examen.
Des 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 hiérarchisation des articles. Associée à une validation humaine dans la boucle, cette approche favorise des décisions cohérentes et reproductibles et réduit la variabilité inhérente au criblage manuel. Enfin, la structuration des éléments de données extraits dans des publications pertinentes crée une base pour une analyse plus approfondie (p. ex., aperçu des sous-populations, classement des preuves, détection des tendances) et renforce les récits réglementaires et la préparation à l’intervention.
De manière générale, l’exploration de la littérature assistée par l’IA peut améliorer considérablement l’exhaustivité et la qualité de la base de données probantes à l’appui des soumissions réglementaires, réduisant ainsi considérablement le risque de lacunes dans le cycle d’examen.
*Sources suite ci-dessous
À propos des auteurs :
Shilpa Patil, PhD, est scientifique senior au sein du groupe d’innovation numérique de Cencora. Elle a plus de huit ans d’expérience dans le domaine de la recherche translationnelle et des soins de santé, spécialisée dans la découverte de médicaments, la recherche de biomarqueurs et la médecine personnalisée assistée par l’IA en oncologie. Shilpa et son équipe travaillent à la définition et à la construction 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 proposés.
Angela Vogt-Eisele, PhD, est directrice CDS, chef d’équipe de la rédaction médicale mondiale chez Cencora. Angela travaille pour l’industrie pharmaceutique depuis plus de 15 ans, soutenant des programmes de développement non clinique et clinique de médicaments humains. 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 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, PhD, est directrice CDS, chef d’équipe de la rédaction médicale mondiale chez Cencora. Angela travaille pour l’industrie pharmaceutique depuis plus de 15 ans, soutenant des programmes de développement non clinique et clinique de médicaments humains. 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 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.
Clause de non responsabilité :
Les informations fournies dans cet article ne constituent pas des conseils juridiques. Cencora, Inc. encourage vivement les lecteurs à consulter les informations disponibles relatives aux sujets abordés et à s’appuyer sur leur propre expérience et expertise pour prendre des décisions à ce sujet.
Entrez en contact avec notre équipe
Notre équipe d’experts en valeur de premier plan 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 en toute confiance dans les méandres complexes des soins de santé d’aujourd’hui. N’hésitez pas à nous contacter pour découvrir comment nous pouvons vous aider à atteindre vos objectifs.
Sources
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. Directives pour l’industrie, Applications couvertes par l’article 505(b)(2), FDA, octobre 1999. https://www.fda.gov/media/72419/download
.jpg)