L'intelligence artificielle est déjà utilisée dans de nombreux domaines de la médecine, de l'imagerie médicale à la découverte de médicaments. Une application moins visible pourrait devenir tout aussi importante: utiliser l'IA avant même le début d'un essai clinique.
Les essais sont coûteux, longs et incertains. Les chercheurs doivent décider quels patients recruter, quels résultats mesurer, comment structurer les groupes de traitement, combien de temps l'étude doit durer et quelle approche statistique employer. Ces choix peuvent déterminer si l'essai apportera une réponse utile.
QuantHealth développe des outils de simulation basés sur l'IA afin que les sociétés pharmaceutiques et biotechnologiques puissent tester virtuellement certaines de ces décisions avant de lancer un essai réel.
L'idée est séduisante, mais elle doit être interprétée avec prudence. Un patient simulé n'est pas un patient réel et une prédiction ne prouve pas qu'un médicament fonctionne.
Que signifie simuler un essai clinique?
La simulation utilise des modèles mathématiques et informatiques pour estimer ce qui pourrait se passer selon différents plans d'étude.
Imaginons une entreprise qui prépare un essai pour un nouveau traitement. Avant le recrutement, elle peut vouloir savoir si des critères d'éligibilité différents modifieraient la population étudiée, si un autre critère de jugement serait plus informatif ou si un calendrier thérapeutique différent changerait la probabilité de détecter un effet.
Traditionnellement, ces décisions reposent sur la recherche antérieure, le raisonnement biologique, la modélisation statistique et l'expertise. L'IA ajoute une couche supplémentaire en analysant de grandes quantités de données cliniques et biologiques et en générant des prédictions pour de nombreux scénarios.
QuantHealth indique que son système permet de modifier des variables du protocole et d'observer les effets modélisés sur les résultats, la faisabilité, les coûts et d'autres facteurs. Les lecteurs peuvent consulter le processus de simulation du développement clinique de QuantHealth pour comprendre comment l'entreprise présente cette approche.
Le mot essentiel est "modélisés". Il s'agit de prédictions, pas de résultats cliniques.
Pourquoi les développeurs de médicaments s'y intéressent
Un essai mal conçu peut consommer des années et des sommes considérables.
Il existe donc une forte incitation à détecter les problèmes avant le recrutement du premier patient. Si une simulation suggère qu'une population ne produira probablement pas une réponse utile, ou qu'un critère de jugement correspond mal à l'effet attendu, le protocole peut éventuellement être modifié plus tôt.
La valeur potentielle ne se limite pas à prédire le succès ou l'échec. La simulation peut devenir un outil d'aide à la décision pour comparer différentes structures d'essai, hypothèses de recrutement, sous-groupes de patients et choix de protocole.
L'intérêt pour ce domaine augmente avec les investissements de l'industrie pharmaceutique dans l'IA. En août 2026, QuantHealth a annoncé une levée de fonds Series B de 45 millions de dollars menée par Qumra Capital, avec notamment Pitango HealthTech et Sanofi Ventures. Des médias israéliens indépendants ont confirmé l'opération.
Ce financement fait de QuantHealth un exemple israélien actuel d'une tendance plus large: l'IA dépasse la découverte précoce de médicaments pour entrer dans les décisions prises pendant le développement clinique.
La question des preuves ne peut pas être écartée
L'utilité d'une simulation dépend du modèle qui la sous-tend.
Si les données sont incomplètes, peu représentatives ou biaisées, même un modèle sophistiqué peut produire une conclusion trompeuse. C'est particulièrement important en médecine, où l'âge, le sexe, la génétique, le stade de la maladie, les traitements antérieurs et d'autres variables peuvent modifier les résultats.
Un modèle performant dans un contexte ne le sera pas nécessairement dans un autre.
QuantHealth publie des exemples de validation et affirme que sa plateforme a servi à simuler des centaines d'essais. Ces chiffres de performance doivent néanmoins être présentés comme des affirmations de l'entreprise tant qu'ils n'ont pas été reproduits ou validés de manière indépendante dans des travaux externes accessibles.
Cette distinction est essentielle dans toute discussion sur l'IA médicale.
Les régulateurs demandent aussi si le modèle est crédible pour l'usage prévu
La Food and Drug Administration américaine, FDA, a élaboré un cadre pour évaluer les modèles d'IA utilisés dans le développement de médicaments et de produits biologiques. Une notion importante est le "contexte d'utilisation".
Autrement dit, il ne suffit pas de demander si un modèle est généralement précis. Il faut comprendre quelle décision il doit soutenir, sur quelles données il repose, comment il a été évalué et quelles seraient les conséquences d'une erreur.
Ce cadre aide à comprendre la simulation clinique. Un modèle utilisé pour explorer plusieurs plans d'étude ne joue pas nécessairement le même rôle qu'un modèle dont le résultat intervient directement dans une décision réglementaire.
Plus l'usage est important, plus les preuves nécessaires doivent être solides.
La simulation ne remplace pas l'essai clinique
C'est la limite la plus importante et l'une des plus faciles à mal comprendre.
L'IA peut simuler des résultats possibles. Elle ne peut pas établir qu'un médicament expérimental est sûr et efficace chez de vrais patients simplement parce qu'un modèle le prédit.
La biologie humaine est complexe, et les effets inattendus font précisément partie des raisons pour lesquelles les essais cliniques existent.
À court terme, le rôle le plus réaliste de l'IA est donc d'améliorer les décisions autour des essais, non de les supprimer. Si un modèle permet de repérer plus tôt un mauvais plan d'étude, il peut économiser du temps et des ressources. S'il aide à analyser plus systématiquement les populations ou les critères de jugement, il peut améliorer les décisions avant le recrutement.
Cela ne supprime jamais le besoin de validation, d'examen indépendant et de surveillance réglementaire appropriée.
Une histoire israélienne de healthtech qui pose une question mondiale
QuantHealth constitue un bon cas d'étude parce que l'entreprise se situe à l'intersection de l'IA israélienne, de la recherche pharmaceutique, des données cliniques et de la médecine computationnelle.
La question n'est pas de savoir si une seule plateforme peut prédire tous les essais. Il s'agit plutôt de savoir si le développement pharmaceutique peut devenir plus prévisible avant que des patients et des capitaux soient engagés dans des décisions difficiles à inverser.
Les systèmes d'IA peuvent traiter davantage de variables qu'une équipe humaine ne pourrait raisonnablement examiner une par une. C'est un potentiel réel. Mais la médecine rappelle régulièrement que les prédictions impressionnantes doivent résister à l'épreuve de la réalité.
La simulation doit donc être comprise comme un outil supplémentaire au sein de la science clinique, et non comme un raccourci pour la contourner. Avec une validation crédible et des limites clairement définies, elle pourrait modifier la manière dont les concepteurs d'essais abordent certaines de leurs décisions les plus coûteuses.
Le principe devrait rester simple: plus la décision est importante, plus les preuves nécessaires pour faire confiance au modèle doivent être solides.
