Contexte et constats

Le secteur pharmaceutique montre une décélération persistante de l’efficacité de la recherche : selon la loi d’Eroom, le nombre de nouveaux médicaments approuvés par dollar investi diminue depuis plusieurs décennies, malgré l’accroissement des outils scientifiques. Un exemple concret est le coût moyen d’un essai clinique, qui s’élève à plus d’un milliard de dollars et s’étale sur environ sept ans. Ces chiffres illustrent que la capacité technique ne suffit pas à garantir un avancement rapide.

Parallèlement, la dynamique géopolitique révèle que la Chine, grâce à des réformes réglementaires, a multiplié les accords de licence avec les grands groupes pharmaceutiques occidentaux, passant de 0 % il y a dix ans à plus de 50 % aujourd’hui, alors même que son niveau de recherche fondamentale reste inférieur à celui des États‑Unis.

Mécanismes de régulation et coûts

Les exigences réglementaires constituent le principal facteur de ralentissement. La validation d’un biomarqueur de densité minérale osseuse (BMD) comme critère de substitution dans les essais d’ostéoporose a nécessité douze années, alors que les données nécessaires étaient déjà disponibles et les analyses limitées à des régressions simples. De même, l’accès aux bases de données d’imagerie du NIH peut prendre jusqu’à un an, retardant la création de nouveaux indicateurs de suivi.

Ces délais s’ajoutent aux coûts directs des essais, qui incluent non seulement les dépenses de laboratoire mais aussi les frais liés aux procédures d’approbation par la FDA ou les autorités européennes. Le cumul de ces exigences crée un goulet d’étranglement qui ne dépend pas de la puissance de calcul ou de la sophistication des modèles d’IA.

Rôle limité de l’intelligence artificielle

L’IA possède un potentiel d’accélération, notamment dans la découverte de biomarqueurs et d’endpoints de substitution. Des études internes suggèrent que, si le bon biomarqueur était identifié, la durée d’un essai pourrait être réduite jusqu’à dix fois, traduisant un gain de plusieurs années et de plusieurs centaines de millions de dollars. Cependant, la mise en œuvre de ces solutions reste entravée par la gouvernance des données et les processus de validation réglementaire.

En pratique, les entreprises qui développent ces outils rencontrent des obstacles récurrents : demandes d’accès aux données bloquées pendant des mois, exigences de validation qui nécessitent des études longitudinales longues, et absence de cadres standardisés pour l’acceptation des modèles d’IA par les autorités sanitaires.

Perspectives et contraintes

Pour que l’IA devienne un levier réel, il faut d’abord réduire les frictions administratives. Cela implique la création de protocoles d’accès aux données publiques, la mise en place de voies accélérées pour la validation des biomarqueurs, et l’harmonisation des exigences entre les agences régulatrices. Sans ces réformes, les gains techniques resteront théoriques, tandis que les coûts et les délais des essais cliniques continueront de dominer le paysage de l’innovation médicale.