Article
Le potentiel transformateur de l’IA au service de la modélisation économique de la santé
-
Derek Swiger, PharmD, MS
-
Paul Turner, PhD, MSc
Explorez les applications de modélisation basées sur l’IA d’aujourd’hui, les principales limites et les prochaines étapes pour une génération de preuves plus agile, transparente et prête pour l’ETS.
La modélisation économique est depuis longtemps la pierre angulaire de l’accès au marché des soins de santé, fournissant le cadre analytique pour évaluer la rentabilité, l’impact budgétaire et les stratégies de tarification basées 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 de transformation dans ce domaine, rationalisant les flux de travail, accélérant la prise de décision et améliorant la qualité des données.1
Comprendre les applications actuelles de l’IA dans la modélisation économique, ses défis et ses limites, ainsi que les opportunités futures est essentiel 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 agences d’évaluation des technologies de la santé (ETS).
Applications actuelles de l’IA dans la modélisation économique
Accélérer la conceptualisation et la conception de modèles
L’IA révolutionne les étapes initiales de la modélisation économique en permettant le prototypage rapide des structures de modèles. 2 Traditionnellement, les économistes de la santé étaient souvent contraints par des processus à forte intensité de main-d’œuvre qui les enfermaient dans un modèle unique. Les outils d’IA permettent désormais aux équipes de tester simultanément plusieurs structures de modèles, 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 du modèle pour les produits afin d’identifier et de soutenir l’histoire de la valeur », a déclaré Chris Poole, PhD, économiste principal de la santé chez Cencora.
Cette capacité à tester diverses conceptions de modèles dès le début du processus soutient l’objectif de trouver le bon équilibre entre incertitude et complexité et garantit que la structure choisie s’aligne sur les attentes des payeurs. Il s’agit non seulement d’un gain de temps, mais aussi d’une énorme économie, 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 du modèle pour les produits afin d’identifier et de soutenir l’histoire de la valeur », a déclaré Chris Poole, PhD, économiste principal de la santé chez Cencora.
Cette capacité à tester diverses conceptions de modèles dès le début du processus soutient l’objectif de trouver le bon équilibre entre incertitude et complexité et garantit que la structure choisie s’aligne sur les attentes des payeurs. Il s’agit non seulement d’un gain de temps, mais aussi d’une énorme économie, 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 en matière de données constituent un défi persistant dans la modélisation économique, en particulier pour les maladies rares ou les nouveaux traitements pour lesquels il n’y a pas de données, pas assez de données ou lorsque les données disponibles ne sont pas d’assez bonne qualité. 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 gestion des connaissances publiée et la montrer à un outil genAI ayant accès à un conteneur Python pour exécuter le code, et il numérisera la courbe, écrira le code et l’exécutera de manière à ce qu’il puisse simuler les populations de données de participants individuels (IPD) qui vous auraient donné cette courbe, " a déclaré le Dr Poole, s’appuyant sur son expérience des 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 à plus forte valeur ajoutée. Cependant, il reste 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 gestion des connaissances publiée et la montrer à un outil genAI ayant accès à un conteneur Python pour exécuter le code, et il numérisera la courbe, écrira le code et l’exécutera de manière à ce qu’il puisse simuler les populations de données de participants individuels (IPD) qui vous auraient donné cette courbe, " a déclaré le Dr Poole, s’appuyant sur son expérience des 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 à plus forte valeur ajoutée. Cependant, il reste 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 autres documents, tels que les rapports de modèle d’impact budgétaire pour les dossiers de l’Academy of Managed Care Pharmacy, sont rédigés. 4 En automatisant les tâches répétitives telles que le formatage et l’intégration des données, l’IA permet aux économistes de la santé d’allouer plus de temps pour s’assurer qu’un modèle soutient au mieux l’histoire de la 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 du 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 agences peuvent être structurés ou ordonnés différemment, mais les informations nécessaires pour les remplir sont identiques », a déclaré Derek Swiger, PharmD, MS, expert en innovation numérique dans l’accès au marché et l’économie de la santé et la 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. Un exemple est la façon dont la rédaction de rapports d’études cliniques est automatisée par des outils d’IA grâce à la réutilisation du contenu des documents sous-jacents comme le protocole d’étude.
Ce changement améliore non seulement l’efficacité, mais garantit également la cohérence entre les documents adaptés aux diverses exigences des payeurs et des réglementations.
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 du 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 agences peuvent être structurés ou ordonnés différemment, mais les informations nécessaires pour les remplir sont identiques », a déclaré Derek Swiger, PharmD, MS, expert en innovation numérique dans l’accès au marché et l’économie de la santé et la 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. Un exemple est la façon dont la rédaction de rapports d’études cliniques est automatisée par des outils d’IA grâce à la réutilisation du contenu des documents sous-jacents comme le protocole d’étude.
Ce changement améliore non seulement l’efficacité, mais garantit également la cohérence entre les documents adaptés aux diverses exigences des payeurs et des réglementations.
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. Il y a souvent des discussions dans les médias sur le remplacement de l’IA par les personnes, 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 décision stratégique. 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, PhD, économiste principal de la santé chez Cencora, a souligné l’importance de l’implication 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 réalisable. Cet oubli est essentiel."
Cette approche de l’humain dans la boucle est essentielle pour maintenir l’intégrité des modèles économiques et garantir leur adéquation à la prise de décision. Les équipes HEOR doivent également trouver un équilibre entre l’utilisation de l’IA pour créer des modèles très complexes et les risques. Bien que les 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 créer des modèles complexes que nous devons le faire », a noté le Dr Poole. « Par exemple, l’agence d’ETS pourrait ne pas trouver le modèle adapté à la prise de décision. »
Trouver le bon équilibre entre complexité et incertitude est essentiel pour maximiser l’utilité des modèles pilotés par l’IA.
Paul Turner, PhD, économiste principal de la santé chez Cencora, a souligné l’importance de l’implication 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 réalisable. Cet oubli est essentiel."
Cette approche de l’humain dans la boucle est essentielle pour maintenir l’intégrité des modèles économiques et garantir leur adéquation à la prise de décision. Les équipes HEOR doivent également trouver un équilibre entre l’utilisation de l’IA pour créer des modèles très complexes et les risques. Bien que les 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 créer des modèles complexes que nous devons le faire », a noté le Dr Poole. « Par exemple, l’agence d’ETS pourrait ne pas trouver le modèle adapté à la prise de décision. »
Trouver le bon équilibre entre complexité et incertitude est essentiel pour maximiser l’utilité des modèles pilotés par l’IA.
Tendances et opportunités 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 agentique sont capables de mettre à jour de manière autonome les paramètres du modèle avec les dernières preuves, en se connectant à 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 pensons que les systèmes d’IA agentique sont sur le point de redéfinir la modélisation économique.
Un autre domaine dans lequel nous nous attendons à ce que les systèmes d’IA deviennent essentiels est l’analyse des soumissions historiques d’ETS et des commentaires des payeurs pour identifier les facteurs de risque associés au rejet ou à l’inefficacité des modèles.
Le Dr Poole a fait la prédiction suivante :
« Pour un domaine pathologique donné, je pense que nous verrons probablement l’IA être utilisée pour créer une base de données des facteurs qui conduisent au succès d’un modèle considéré comme adapté à la prise de décision et, surtout, des facteurs associés à un modèle jugé inapproprié. Il y a peut-être 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 s’attaquer de manière proactive aux pièges potentiels de leurs présentations, améliorant ainsi les chances de succès.
Un autre domaine dans lequel nous nous attendons à ce que les systèmes d’IA deviennent essentiels est l’analyse des soumissions historiques d’ETS et des commentaires des payeurs pour identifier les facteurs de risque associés au rejet ou à l’inefficacité des modèles.
Le Dr Poole a fait la prédiction suivante :
« Pour un domaine pathologique donné, je pense que nous verrons probablement l’IA être utilisée pour créer une base de données des facteurs qui conduisent au succès d’un modèle considéré comme adapté à la prise de décision et, surtout, des facteurs associés à un modèle jugé inapproprié. Il y a peut-être 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 s’attaquer de manière proactive aux pièges potentiels de leurs présentations, améliorant ainsi les chances de succès.
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 en matière de 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 garantir la validité et la faisabilité des modèles basés sur l’IA. À l’avenir, l’intégration des systèmes d’IA agentique ouvrira de nouvelles opportunités pour la génération de preuves.
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 garantir la validité et la faisabilité des modèles basés sur l’IA. À l’avenir, l’intégration des systèmes d’IA agentique ouvrira de nouvelles opportunités pour la génération de preuves.
*Sources suite ci-dessous
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. Fleurence RL, Bian J, Wang X, et al ; Groupe de travail ISPOR sur l’IA générative. L’intelligence artificielle générative pour l’évaluation des technologies de la santé : opportunités, défis et considérations politiques : rapport du groupe de travail ISPOR. Valorisez 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 intégral
4. Fleurence RL, Wang X, Bian J, et al ; Groupe de travail ISPOR sur l’IA générative. Une taxonomie de l’intelligence artificielle générative dans l’économie de la santé et la recherche sur les résultats : un rapport du groupe de travail ISPOR. Valorisez la santé. 2025; 28(11):1601-1610. doi :10.1016/j.jval.2025.04.2167
