© MdEmajuddin - Adobe Stock

L’IA comme levier d’équité dans l’accès aux essais cliniques 

Dossier : Cancérologie | Magazine N°818 Octobre 2026
Par Thomas PEYRESBLANQUES (X11)
Par Nicolas DRIZARD (X12)

L’oncologie vit un âge d’or scientifique : 102 milliards de dollars de R&D en 2024, 41 % des essais cliniques mondiaux. Pourtant, 85 % des études prennent du retard faute de patients recrutés à temps. Plus la médecine devient précise, moins elle est accessible. La conviction des auteurs : la course à l’innovation thérapeutique se joue désormais autant dans la logistique du recrutement de cas cliniques que dans les laboratoires – et l’IA y est devenue une question stratégique de souveraineté. 

L’oncologie est le premier moteur de la R & D pharmaceutique mondiale. Cette dynamique ne profite pas équitablement aux territoires. Les États-Unis concentrent près de la moitié des essais industriels en oncologie. La Chine, partie de moins de 5 % il y a dix ans, en capte aujourd’hui plus du quart, portée par une stratégie d’État alignant hôpitaux, sponsors et régulateur. La France, malgré une excellence en phase précoce (CLIP², centres investigateurs spécialisés, au sein d’établissements de santé, dans les essais précoces de nouveaux médicaments), peine à industrialiser le recrutement et stagne autour de 5 %.

Les Ateliers de Giens 2025 ont identifié le défaut d’inclusion de patients comme le défi stratégique majeur de la recherche clinique française. Notre conviction, forgée auprès des équipes hospitalières et des sponsors, est que la course n’est plus seulement scientifique, elle est aussi logistique. Sans modernisation technologique du recrutement, la souveraineté thérapeutique française se jouera sur d’autres continents.


Les Ateliers de Giens
Les Ateliers de Giens sont des rencontres annuelles de pharmacologie et de recherche clinique pour l’innovation et les technologies de santé qui réunissent des acteurs du monde universitaire, institutionnel et industriel en vue de produire des recommandations concrètes sur les grandes problématiques liées aux médicaments et aux produits de santé.

Un système fragmenté

Le screening manuel (sélection ou criblage des patients éligibles à un essai clinique), « artisanal » selon Deplanque et al., atteint sa limite. Les protocoles ne cherchent plus « un cancer du poumon » mais une mutation génétique précise chez un patient ayant déjà reçu deux lignes de traitement spécifiques, sans antécédent cardiaque, dans une fenêtre temporelle de quelques semaines. Selon Medidata, un essai oncologique de phase III mobilise désormais en moyenne 3,6 millions de points de données par patient. Avec parfois trois cents essais ouverts simultanément dans un grand centre, aucun oncologue ne peut mémoriser cette combinatoire en temps réel. Conséquence : des essais ouverts recrutent peu et des patients éligibles ne sont jamais identifiés.

À ce mur cognitif s’ajoute une fracture territoriale. Les patients suivis en ville ou dans des hôpitaux périphériques sont structurellement invisibles pour la recherche clinique. La recommandation n° 1 des Ateliers de Giens « aller chercher le patient là où il se trouve » reste théorique tant que les informations sur les essais cliniques ne sont pas accessibles à l’ensemble des oncologues et des établis­sements hospitaliers.

Le coût de la fragmentation

Cette lenteur a un coût caché, rarement chiffré dans le débat public, sur le prix des thérapies innovantes. Chaque journée de retard sur un essai oncologique coûte près de 40 000 dollars au sponsor (Medidata) ; à l’échelle d’un programme, six mois de retard représentent jusqu’à sept millions de dollars de surcoût direct. Mais l’impact économique va plus loin : le prix d’un médicament en AMM (autorisation de mise sur le marché) intègre, par construction, le coût de son propre essai et celui de tous les essais qui ont échoué en amont. Un médicament approuvé porte le poids économique de la dizaine de molécules qui n’a pas vu le jour.

Tout retard de recrutement gonfle donc indirectement le prix unitaire des thérapies innovantes prises isolément. Le débat sur le coût des thérapies innovantes ignore largement cette équation amont. Face à cette compétition mondiale, la France n’a ni la puissance privée américaine ni la verticalité chinoise, mais elle dispose d’un système de soins universel et d’infrastructures de données (SNDS, système national des données de santé ; EDS, entrepôts de données de santé ; Plateforme des données de santé) qui, une fois articulés, peuvent constituer une troisième voie. Le chantier est encore en construction mais la promesse est réelle, à condition de la rendre opérationnelle.

L’IA au service du patient

Les Ateliers de Giens appellent de leurs vœux des « outils d’IA capables d’interroger les EDS ». Les grands modèles de langage (LLM) rendent cet appel réalisable. Côté patient, ils permettent de structurer le texte libre des comptes rendus médicaux, où réside la majorité de l’information clinique utile : antécédents, biomarqueurs, lignes de traitement, comorbidités. Côté essais, ils transforment des dizaines de pages de protocole en critères d’éligibilité interrogeables.


“L’IA appliquée au recrutement réduit de 30 à 50 % le coût par patient inclus.”

Le matching – mise en relation automatisée entre les critères précis des essais cliniques et les données médicales individuelles des patients – cesse d’être une revue manuelle pour devenir une opération continue, automatisable et exécutable en quelques secondes sur un dossier complet. Cette industrialisation produit un effet économique sous-estimé : le coût marginal du screening tend vers zéro. Selon Medidata, l’IA appliquée au recrutement réduit de 30 à 50 % le coût par patient inclus. Là où chaque thérapie innovante voit son prix unitaire grimper avec la sophistication, l’IA appliquée au recrutement suit une logique d’effet de levier : plus elle est branchée à des centres, plus elle absorbe ses coûts fixes et plus elle devient économiquement défendable pour le système de soins.

La mise en application

Plusieurs initiatives issues du Paris Saclay Cancer Cluster, dont celle que nous portons chez Klineo, expérimentent ce changement de paradigme : matching en temps réel des dossiers patients avec les essais ouverts, réseaux d’adressage de patients entre les hôpitaux périphériques et les hôpitaux experts pour permettre aux patients partout en France d’accéder aux innovations théra­peutiques, priorisation objective des essais à ouvrir dans un centre selon la probabilité réelle d’inclusion.

Les premiers retours sont très encourageants : augmentation des demandes entre les centres, réduction du délai entre diagnostic et inclusion, et arrivée dans les essais de patients qui en étaient jusqu’alors tenus à distance pour des raisons strictement géographiques. Les Diversity Action Plans de la FDA, qui imposent aux sponsors de documenter la diversité de leurs cohortes, accentuent la pression vers l’innovation. Les sponsors arbitrent désormais l’allocation de leurs sites de recrutement selon la capacité des pays à identifier rapidement des patients représentatifs des populations cibles. Les pays incapables de répondre à ces critères verront leur part dans les essais internationaux s’éroder et, avec elle, l’accès précoce de leurs propres patients aux molécules les plus prometteuses. L’objectif n’est donc plus de prouver que l’IA fonctionne, mais de la déployer à l’échelle du système.

Klineo
Klineo, start-up française fondée en 2021, est une plateforme numérique de matching entre patients atteints de cancer et essais cliniques en oncologie, accessible gratuitement aux patients et aux médecins, pour remédier aux problèmes de recrutement qui retardent les essais cliniques. 

L’humain augmenté, l’équité restaurée

Notre conviction, forgée auprès des oncologues, des chefs de service et des patients, est que le vrai sujet n’est ni la prouesse algorithmique ni la performance brute des modèles. C’est l’intégration au workflow clinique. Tant qu’un oncologue de Châteauroux ne pourra pas, en deux clics, vérifier qu’un essai parisien est disponible pour son patient, l’innovation française restera une promesse non tenue. L’IA bien déployée ne remplace pas l’investigateur : elle le décharge de la fouille administrative pour le ramener au cœur de son métier – le soin et le consentement éclairé. Elle redonne au système une chance d’être à la fois plus rapide, plus juste et plus soutenable. La frontière entre soin standard et recherche s’estompe : l’essai clinique cesse d’être un parcours d’élite réservé à quelques centres pour redevenir, conformément aux ambitions de France 2030, une option thérapeutique de droit commun, accessible à tous, où qu’ils soient.

Si nous avons choisi d’engager nos compétences d’ingénieur dans ce domaine au sortir de l’École, c’est d’abord pour son impact : en France, près d’un homme sur deux et une femme sur trois développeront un cancer au cours de leur vie, et chacun d’entre nous a un visage à associer à cette statistique. C’est aussi parce que ce métier – au croisement du médical, de la technique et du stratégique – prolonge naturellement notre formation pluridisciplinaire d’ingénieur. 

Commentaire

Ajouter un commentaire

Emile Butzbachrépondre
6 octobre 2026 à 10 h 33 min

Bonjour Thomas, Bonjour Nicolas,
J’ai cliqué sur votre article car j’y ai vu les mots équité et IA, et que l’interface technique-médecine m’intéresse. Mais les chiffres sur la recherche en oncologie et vos avis sur l’utilisation de l’IA m’ont déçu voire un peu choqué: les conditions de soin dans les hôpitaux se dégradent par l’austérité et le refus de l’adaptation au changement climatique entre autres, les soins sont déplacés vers le privé ce qui rend leur accès inéquitable (question de moyens), mais en même temps énormément de moyens sont déployés pour la recherche privée dans le cancer (car il y a de la marge à trouver je suppose), maladie qui affectent plus souvent ceux qui vivent plus de 60/70 ans (c’est à dire les riches). En même temps, sans proposer ici de critique, vous parlez d’équité grâce à l’IA. Or l’IA est biaisée par construction: les données d’entraînement sont celles qui sont disponibles donc contiennent principalement des informations sur des hommes cis blancs (un peu comme dans la recherche médicale). Vous ne mentionnez pas non plus les risques sur les données de santé si vous utilisez des LLMs sur les EDS, ni la consommation de ressources humaines, énergétique et matérielles pour l’utilisation et l’entraînement de ces modèles.

Je ne vous rends bien sûr pas responsable de tous ces problèmes, mais je trouve ça dommage que cette critique ne soit pas développée dans votre article ou au moins dans un article séparé. Aussi, je suis ouvert à continuer cette discussion car j’aimerais confronter ces perspectives sur l’IA et le système de santé à votre vision de la R&D en oncologie.

Je suis un X21 intéressé et engagé, et j’ai écrit ce commentaire complètement sur un coup de tête. J’espère que vous pouvez me répondre.
Bon début d’Automne!

Répondre