Choisir les bons m\u00e9decins et les bons lieux pour mener des essais cliniques reste un d\u00e9fi majeur. Les m\u00e9thodes traditionnelles, souvent lentes et limit\u00e9es, entra\u00eenent des retards co\u00fbteux et un manque de diversit\u00e9 parmi les participants. Pr\u00e8s de quatre sites sur dix peinent \u00e0 recruter suffisamment de volontaires, et un sur dix n\u2019en trouve aucun. Ces difficult\u00e9s retardent l\u2019acc\u00e8s aux nouveaux traitements et alourdissent les budgets, avec des pertes pouvant atteindre plusieurs millions par jour.<\/p>\n
Une nouvelle approche utilise l\u2019intelligence artificielle pour optimiser ce processus. En analysant les donn\u00e9es des patients, les crit\u00e8res des essais et les historiques de participation, un mod\u00e8le informatique propose les m\u00e9decins les plus adapt\u00e9s. Ce syst\u00e8me ne se contente pas de sugg\u00e9rer des correspondances pr\u00e9cises : il am\u00e9liore aussi la diversit\u00e9 des participants et r\u00e9duit les conflits entre essais simultan\u00e9s.<\/p>\n
Test\u00e9 sur plus de 24 000 m\u00e9decins et 5 000 essais aux \u00c9tats-Unis, ce mod\u00e8le a d\u00e9montr\u00e9 une efficacit\u00e9 sup\u00e9rieure de 58 % par rapport aux m\u00e9thodes existantes. Il prend en compte des informations vari\u00e9es, comme les ant\u00e9c\u00e9dents m\u00e9dicaux des patients ou les descriptions des essais, pour identifier les professionnels les plus pertinents. Un algorithme compl\u00e9mentaire affine ces suggestions en favorisant une meilleure repr\u00e9sentation des diff\u00e9rentes origines et en \u00e9vitant de surcharger les m\u00eames m\u00e9decins.<\/p>\n
L\u2019outil permet \u00e9galement d\u2019estimer les co\u00fbts de recrutement, aidant ainsi les organisateurs \u00e0 mieux planifier leurs budgets. En rendant la s\u00e9lection des sites plus rapide, plus \u00e9quitable et plus \u00e9conomique, cette technologie pourrait acc\u00e9l\u00e9rer le d\u00e9veloppement de nouvelles th\u00e9rapies.<\/p>\n
Contrairement aux syst\u00e8mes actuels qui \u00e9valuent l\u2019\u00e9ligibilit\u00e9 des patients un par un, cette solution se concentre sur les m\u00e9decins et leur capacit\u00e9 \u00e0 recruter des volontaires adapt\u00e9s. Elle combine des donn\u00e9es structur\u00e9es, comme les diagnostics, et des textes libres, comme les protocoles d\u2019essais, pour offrir une vision globale. Gr\u00e2ce \u00e0 cette approche, les essais pourraient devenir plus accessibles, plus repr\u00e9sentatifs et moins on\u00e9reux, tout en limitant les risques de d\u00e9s\u00e9quilibres g\u00e9ographiques ou d\u00e9mographiques.<\/p>\n
L\u2019utilisation de l\u2019intelligence artificielle dans ce domaine ouvre la voie \u00e0 une m\u00e9decine plus inclusive et plus r\u00e9active. En identifiant des m\u00e9decins parfois ignor\u00e9s par les m\u00e9thodes classiques, elle \u00e9largit le champ des possibilit\u00e9s et r\u00e9duit les biais de s\u00e9lection. Une avanc\u00e9e qui pourrait transformer la recherche m\u00e9dicale et faciliter l\u2019acc\u00e8s aux innovations th\u00e9rapeutiques pour tous.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1038\/s44360-026-00073-6<\/a><\/p>\n Titre\u00a0:<\/strong> Matching clinicians with clinical trials using AI<\/p>\n Revue : <\/strong> Nature Health<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Junyi Gao; Cao Xiao; Lucas M. Glass; Ewen M. Harrison; Jimeng Sun<\/p>\n","protected":false},"excerpt":{"rendered":" L\u2019intelligence artificielle peut-elle r\u00e9volutionner le recrutement pour les essais cliniques ? Choisir les bons m\u00e9decins et les bons lieux pour mener des essais cliniques reste un d\u00e9fi majeur. Les m\u00e9thodes traditionnelles, souvent lentes et limit\u00e9es, entra\u00eenent des retards co\u00fbteux et un manque de diversit\u00e9 parmi les participants. Pr\u00e8s de quatre sites sur dix peinent \u00e0… Poursuivre la lecture L\u2019intelligence artificielle peut-elle r\u00e9volutionner le recrutement pour les essais cliniques ?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-16","post","type-post","status-publish","format-standard","hentry","category-science-technologie","entry"],"_links":{"self":[{"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/posts\/16","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/comments?post=16"}],"version-history":[{"count":1,"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/posts\/16\/revisions"}],"predecessor-version":[{"id":17,"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/posts\/16\/revisions\/17"}],"wp:attachment":[{"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/media?parent=16"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/categories?post=16"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/themedicaltribune.com\/fr\/wp-json\/wp\/v2\/tags?post=16"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}