Les essais cliniques d’IA du HHS ciblent les phases fixes avec des preuves adaptatives

Le HHS a lancé un programme de cinq ans qui remet en question les phases fixes, les infrastructures redondantes et les décisions différées inhérentes aux essais de médicaments conventionnels. L’initiative d’essais cliniques d’IA du HHS réunit des modèles prédictifs, une analyse continue et des opérations automatisées au sein d’un même cadre de recherche.

La pièce maîtresse est SURPASS, acronyme de Simulation-augmented, Real-time Platform Adaptive Seamless Trials. L’ARPA-H, l’Advanced Research Projects Agency for Health, pilotera le programme aux côtés de trois projets de soutien destinés aux sites d’essais, aux données de santé et à l’orientation des patients.

La promesse immédiate est la rapidité. La tâche plus difficile consiste à démontrer que des logiciels adaptatifs peuvent produire des preuves aussi fiables que les processus qu’ils remplacent. Ce conflit met simultanément sous pression les régulateurs, les promoteurs de médicaments, les organismes de recherche clinique, les sites d’essais et les équipes de statistique.

Les essais cliniques d’IA du HHS dépassent les phases fixes

SURPASS ne consiste pas simplement à ajouter un assistant d’IA à un essai existant. Il propose un modèle opérationnel différent pour générer des preuves cliniques.

Le HHS a annoncé SURPASS le 30 septembre 2026. Selon le programme d’essais cliniques du ministère, l’initiative combinera des modèles informatiques prédictifs, une infrastructure partagée, des groupes témoins communs et une analyse en temps réel.

Le programme est conçu pour durer cinq ans. Il devrait commencer à solliciter des propositions plus tard à l’automne auprès d’équipes réunissant des compétences en statistiques, IA, conception d’essais, opérations et réglementation.

Le HHS n’a pas divulgué le financement du programme dans son annonce initiale. Il n’a pas non plus expliqué quelle flexibilité réglementaire les participants retenus recevraient, selon la première couverture de SURPASS.

Ces omissions sont importantes, car SURPASS va au-delà de l’automatisation administrative. Ses trois domaines techniques concernent la conception des essais, l’inférence statistique et les opérations.

Le premier domaine est un moteur de conception sans phases. Il utiliserait des jumeaux numériques et des modèles prédictifs connexes pour simuler les résultats cliniques et opérationnels possibles avant le début d’une étude. Un jumeau numérique est une représentation informatique d’un patient ou d’un processus, utilisée pour explorer les résultats probables.

Le terme « sans phases » ne signifie pas que les essais cliniques perdraient leurs garde-fous de sécurité. Il décrit une structure plus continue qui peut réduire les passages rigides entre les phases d’essais traditionnellement séparées.

Le deuxième domaine est un moteur d’inférence continue. Il analyserait les données accumulées à l’aide de règles statistiques conçues pour rester valides lors d’examens répétés. Les chercheurs pourraient alors ajouter, arrêter ou ajuster des bras de traitement sans attendre une date d’analyse fixe.

Le troisième domaine est une couche d’opérations agentiques. Dans ce contexte, un agent est un logiciel capable d’exécuter une séquence définie de tâches opérationnelles avec une intervention humaine limitée. Le HHS souhaite que ces systèmes soutiennent la préparation des essais, le nettoyage des données, l’intégration de bras de traitement et la construction de jeux de données.

SURPASS associe donc plusieurs idées déjà établies plutôt que de s’appuyer sur un unique nouveau modèle. Les essais adaptatifs autorisent déjà des changements prédéterminés en fonction des preuves accumulées. Les essais plateforme peuvent tester plusieurs traitements dans le cadre d’un protocole partagé. Les modèles informatiques orientent déjà certaines décisions de développement de médicaments.

Le changement proposé consiste à placer ces éléments au sein d’un système persistant. Ce système apprendrait au cours d’un essai, au lieu de traiter la conception, le recrutement, l’analyse et le reporting comme des étapes largement distinctes.

Le HHS affirme que le développement de médicaments et de produits biologiques dure souvent plus de dix ans, peut coûter jusqu’à 2 milliards de dollars en moyenne et échoue dans plus de 90 pour cent des cas. Ces chiffres proviennent de l’annonce de l’agence et doivent être compris comme sa justification du programme.

La question utile n’est pas de savoir si le processus actuel est lent. Peu de participants contestent ce point. La question est de savoir si une plateforme continue peut supprimer les retards sans déplacer l’incertitude vers des modèles plus difficiles à auditer.

Cette distinction crée la tension centrale de l’article. Des opérations plus rapides sont précieuses, mais les preuves cliniques doivent rester interprétables après qu’un essai a changé de direction.

Quatre projets s’attaquent à quatre goulots d’étranglement différents

Le HHS traite la lenteur des essais comme un problème systémique impliquant la conception, les sites, les données et les patients, et non seulement comme un manque de meilleurs algorithmes.

SURPASS couvre la conception et l’exécution des essais. Trois projets ARPA-H complémentaires traitent les conditions qui déterminent si une étude adaptative peut fonctionner à l’échelle nationale.

STACK cible la capacité des sites cliniques. Le HHS indique que le projet utilisera l’IA pour accélérer l’activation des sites et aider des établissements de santé novices en recherche à devenir des sites d’essais capables.

L’activation d’un site comprend les contrats, la préparation du personnel, la mise en place technologique, l’examen réglementaire et la qualification par le promoteur. Une conception statistique plus rapide apporte peu d’avantages si les hôpitaux participants mettent des mois à commencer à recruter des patients.

STACK porte également un argument géographique. Un plus grand nombre de sites qualifiés pourrait permettre aux patients de participer à des études plus près de chez eux, plutôt que de se déplacer à plusieurs reprises vers un grand centre universitaire.

Cette expansion introduit un test pratique. Les nouveaux sites doivent recueillir des données cohérentes, protéger les participants et suivre des protocoles complexes. L’automatisation des formalités administratives ne peut remplacer des investigateurs expérimentés, des coordinateurs formés ou des systèmes cliniques fiables.

COMMONS traite l’infrastructure de données. Le HHS le décrit comme un système de consentement et d’accès aux données de niveau réglementaire, conçu dès l’origine pour préserver la confidentialité.

Les données de niveau réglementaire doivent être traçables, contrôlées et adaptées aux décisions concernant la sécurité et l’efficacité des traitements. L’agrégation ordinaire de données ne répond pas automatiquement à cette norme.

COMMONS vise à connecter les informations nécessaires au recrutement, à la modélisation prédictive et aux opérations d’essais. S’il est bien mis en œuvre, il pourrait réduire les demandes de données répétées et faciliter l’identification des patients admissibles.

Il pourrait également révéler l’un des plus grands défis de mise en œuvre de l’initiative. Les hôpitaux et les réseaux de recherche stockent les informations dans des formats différents, selon des règles de gouvernance différentes et avec une qualité de données inégale.

Le consentement présente un autre défi. L’autorisation donnée par un patient pour contribuer des informations doit rester compréhensible lorsque les données circulent entre institutions ou soutiennent de nouvelles analyses informatiques.

CINCH se concentre sur le côté patient. Le projet vise à aider les personnes à contribuer des données du monde réel, à coordonner leurs soins et à identifier les essais correspondant à leur situation.

Les données du monde réel proviennent des soins courants et de la vie quotidienne plutôt que d’une visite d’étude étroitement contrôlée. Elles peuvent inclure des dossiers de santé électroniques, des demandes de remboursement, des résultats de laboratoire, des registres et des informations recueillies par des appareils connectés.

Ces sources peuvent élargir la vision des effets d’un traitement. Elles peuvent aussi contenir des informations manquantes, des mesures incohérentes et des schémas créés par un accès inégal aux soins.

CINCH doit donc faire plus que faire correspondre des mots-clés dans le dossier d’un patient. Un système d’orientation utile doit expliquer pourquoi une étude semble pertinente et maintenir les cliniciens impliqués dans les décisions d’éligibilité.

Ensemble, SURPASS, STACK, COMMONS et CINCH forment un programme en couches. SURPASS repense l’essai. STACK étend les lieux où il peut être mené. COMMONS fournit des informations gouvernées. CINCH relie les patients au système.

Cette structure distingue l’annonce de projets d’IA clinique plus étroits. Le HHS ne promet pas qu’un modèle de prédiction unique sélectionnera des médicaments efficaces. Il cherche à créer une infrastructure partagée pour produire des preuves de manière répétée.

Cette ambition plus large accroît également le risque d’exécution. Les quatre projets dépendent les uns des autres, mais ils impliquent des institutions, des normes techniques et des obligations juridiques différentes.

Une défaillance à n’importe quel niveau peut limiter les autres. Un meilleur appariement ne peut réparer un site indisponible. Un site plus rapide ne peut compenser des données inutilisables. Un modèle robuste ne peut sauver un protocole mal gouverné.

Le véritable enjeu oppose rapidité et preuves vérifiables

Le conflit principal n’oppose pas l’IA aux chercheurs humains. Il oppose la promesse d’une adaptation continue à la nécessité de conclusions stables et reproductibles.

Les frontières traditionnelles entre phases créent des retards, mais elles organisent aussi les responsabilités. Les promoteurs savent quelles preuves doivent exister avant de progresser. Les examinateurs peuvent identifier à quel moment un protocole a changé et quel jeu de données a soutenu une décision.

Une plateforme continue affaiblit ces frontières familières. Cela peut éliminer le travail redondant, mais rend la planification statistique et l’auditabilité plus importantes.

Les essais plateforme adaptatifs illustrent ce compromis. Ils peuvent tester plusieurs interventions dans le cadre d’un protocole directeur unique, supprimer les bras inefficaces, ajouter de nouveaux candidats et partager des groupes témoins.

Pendant la pandémie de COVID-19, les essais plateforme ont produit des preuves importantes sur les traitements alors que les programmes conventionnels peinaient à gagner en rapidité. Leur réussite a montré qu’une infrastructure adaptable peut répondre efficacement à des questions urgentes.

Toutefois, l’adaptation doit être définie avant que les investigateurs ne voient des résultats susceptibles d’influencer leurs choix. Des changements non planifiés peuvent créer des biais, augmenter le risque de faux positifs ou rendre l’effet d’un traitement plus difficile à interpréter.

Une importante revue des essais plateforme décrit les exigences de conception, de conduite, de supervision et de reporting nécessaires à ces études. Sa leçon centrale est que la flexibilité exige davantage de planification, et non moins.

Les témoins partagés exigent une discipline similaire. Un groupe témoin commun peut réduire le nombre de participants assignés au traitement standard et améliorer l’efficacité de plusieurs comparaisons.

Des problèmes apparaissent lorsqu’un nouveau bras de traitement est comparé à des patients recrutés beaucoup plus tôt. Les pratiques médicales, les profils de maladie, les méthodes diagnostiques et les caractéristiques des patients peuvent évoluer au fil du temps.

Les chercheurs désignent ces participants antérieurs comme des témoins non concomitants. Leur utilisation peut accroître la puissance statistique, mais aussi introduire un biais lié au temps.

SURPASS propose un moteur d’inférence toujours valide pour traiter les analyses répétées et l’adaptation. Le HHS n’a pas encore publié la spécification statistique du moteur, ses critères de validation ou ses critères d’acceptation réglementaire.

La même charge de preuve s’applique aux jumeaux numériques. Un modèle peut simuler les résultats probables avant le recrutement, en aidant les équipes à tester des hypothèses ou à repérer des choix de protocole fragiles.

Une simulation reste une estimation. Elle reflète les patients, les variables et les relations représentés dans ses données d’entraînement.

Si un jumeau numérique sous-représente les personnes âgées, les patients ruraux, les personnes enceintes ou les patients souffrant de plusieurs pathologies, l’essai qui en résulte peut devenir efficace autour d’une population incomplète.

La validation doit donc examiner plus que la précision moyenne des prédictions. Les promoteurs et les régulateurs devront savoir où un modèle échoue, comment son incertitude est calibrée et si ses performances changent selon les sites.

Ils auront également besoin d’un processus pour les mises à jour du modèle. Un modèle qui s’améliore continuellement paraît attrayant, mais modifier le logiciel pendant un essai peut compliquer la reconstitution des décisions passées.

Chaque recommandation importante devrait être liée à une version précise du modèle, à un jeu de données d’entrée, à une règle et à une approbation humaine. Sans cet enregistrement, la rapidité peut affaiblir la responsabilité.

HHS a déjà indiqué que la recherche biomédicale soutenue par l’IA devrait privilégier la reproductibilité, des méthodes transparentes et une évaluation impartiale. Sa stratégie sur l’IA identifie également les soumissions réglementaires étayées par des preuves générées par l’IA comme un résultat mesurable.

SURPASS testera si ces principes résistent à leur mise en œuvre sur une plateforme opérationnelle. La documentation publique sera particulièrement importante, car HHS souhaite que les outils, normes et exemples réglementaires qui en résulteront bénéficient à l’ensemble du système de recherche.

L’objectif ne devrait pas être de rendre chaque essai adaptatif. Certaines questions se prêtent à des conceptions conventionnelles et stables. D’autres concernent des résultats qui ne peuvent pas être mesurés assez rapidement pour orienter des changements en temps réel.

La survie à long terme, les effets indésirables tardifs et les pathologies à évolution lente ne deviennent pas immédiats parce qu’un logiciel analyse plus vite les données entrantes.

La conception doit suivre la question médicale. Dans le cas contraire, le programme risque de traiter l’adaptation comme une finalité plutôt que comme une méthode.

Operation TrialBlazer relève les enjeux concurrentiels

SURPASS s’inscrit dans une tentative fédérale plus vaste visant à faire des États-Unis un pays où les médicaments peuvent être développés plus rapidement, notamment alors que les capacités chinoises de recherche clinique progressent.

HHS a lancé Operation TrialBlazer en juin 2026 comme initiative de recherche clinique à l’échelle de l’ensemble du département. Elle coordonne les travaux d’ARPA-H, de la FDA, des NIH, du National Cancer Institute et des responsables fédéraux des technologies de santé.

L’argument politique de l’initiative est direct. Selon HHS, la recherche en phase précoce s’est déplacée à l’étranger et les États-Unis risquent de perdre les investissements, l’expertise et l’activité de développement de médicaments qui y sont associés.

La Chine constitue le point de comparaison le plus visible. Des données d’IQVIA montrent que la part des lancements mondiaux d’essais cliniques attribuable aux entreprises chinoises est passée de 1 % en 2009 à 30 % en 2024.

Les États-Unis conservent des atouts majeurs, notamment un vaste marché pharmaceutique, des régulateurs expérimentés, des hôpitaux de recherche de premier plan et un financement important des biotechnologies.

Cependant, la rapidité des essais influe sur les lieux où les entreprises testent leurs produits et où les investisseurs placent leurs capitaux. Un programme scientifique qui progresse lentement peut perdre des opportunités, même si ses institutions restent respectées.

SURPASS s’attaque aux retards de conception et d’exploitation. D’autres mesures de TrialBlazer portent sur l’examen réglementaire et les exigences de soumission.

La FDA a lancé un programme pilote accéléré d’Investigational New Drug pour les études de première administration chez l’humain. Les promoteurs sélectionnés peuvent travailler avec des établissements de recherche qualifiés et soumettre les composantes d’une demande au fil de leur préparation.

La soumission continue permet aux régulateurs d’examiner les sections terminées avant que l’ensemble du dossier soit prêt. La FDA souhaite également que certains travaux d’examen institutionnel et d’activation des sites avancent parallèlement à l’élaboration de la demande.

L’agence indique que des attentes plus claires, adaptées à chaque phase, en matière de chimie et de fabrication peuvent faire gagner aux entreprises de six à douze mois. Ces estimations figurent dans sa feuille de route de développement, qui traite également de la sélection quantitative des doses et des protocoles directeurs de phase avancée.

Pour les développements ultérieurs, la FDA a précisé dans quels cas une étude pivot rigoureuse, complétée par des preuves confirmatoires, peut étayer une autorisation. Elle a aussi révisé ses projets de lignes directrices pour les essais basket, umbrella et platform.

Ces politiques comptent, car ARPA-H ne peut à elle seule créer une acceptation réglementaire. SURPASS peut financer des outils et des démonstrations, mais c’est la FDA qui détermine si les preuves produites étayent une décision relative à un produit médical.

La relation entre les agences façonnera l’adoption. Les promoteurs hésiteront à restructurer leurs programmes d’essais autour d’un nouveau système sans preuve claire que les régulateurs peuvent évaluer ses résultats.

Le risque inverse existe également. Une politique visant à accélérer le développement national pourrait créer une pression en faveur d’une interprétation généreuse de l’incertitude.

La meilleure protection réside dans une validation transparente. Un examen plus rapide devrait signifier une coordination plus précoce, des exigences plus claires et moins de travail en double. Il ne devrait pas impliquer des normes moins strictes pour la sécurité ou l’efficacité.

L’initiative fédérale de TrialBlazer indique explicitement que la modernisation devrait préserver la rigueur scientifique. Ce principe doit désormais se traduire par une mise en œuvre observable.

C’est pourquoi le succès du programme ne devrait pas être mesuré uniquement par des délais plus courts. HHS doit également suivre les écarts au protocole, la représentativité, la détection des événements indésirables, la reproductibilité et la concordance entre les prédictions des modèles et les résultats cliniques.

La compétitivité nationale ajoute un sentiment d’urgence, mais elle ne résout pas le problème des preuves. Les États-Unis ont peu à gagner d’essais plus rapides si les autres régulateurs, les cliniciens ou les patients ne font pas confiance à leurs conclusions.

Ce que HHS doit démontrer ensuite

Les prochaines étapes doivent montrer que SURPASS peut produire simultanément des outils validés, des preuves prêtes pour les régulateurs et un accès élargi pour les patients.

Le premier signal réside dans la structure de l’appel à projets d’ARPA-H. Les candidats doivent définir des objectifs mesurables en matière de rapidité, de coût, de charge pour les participants, de validité statistique et de couverture de la population.

Un appel à projets principalement centré sur des fonctionnalités d’automatisation affaiblirait les ambitions du programme. Un appel solide exigera une validation prospective par rapport aux approches conventionnelles ainsi que des critères d’échec clairs.

Les équipes devraient également indiquer comment les modèles seront audités entre les groupes démographiques et les sites participants. Une précision globale ne suffit pas pour des décisions qui déterminent qui entre dans un essai ou quel traitement se poursuit.

Le deuxième signal est l’alignement réglementaire. La participation de la FDA doit évoluer d’un soutien général aux conceptions innovantes vers des méthodes concrètes d’évaluation des résultats de SURPASS.

Les promoteurs ont besoin d’indications sur la validation acceptable des jumeaux numériques, les modifications des modèles, les contrôles partagés, l’analyse continue et la documentation. Ils doivent aussi savoir dans quels cas une conception conventionnelle demeure nécessaire.

Des exemples publics seraient utiles. Un protocole, un plan de simulation et un cadre d’analyse examinés par un régulateur pourraient rendre le programme utile au-delà de ses équipes financées.

L’alignement réglementaire renforcerait l’initiative s’il produit des normes claires avant que de grands essais en dépendent. Une ambiguïté persistante ralentirait l’adoption, quelles que soient les performances techniques du logiciel.

Le troisième signal sera constitué des preuves opérationnelles issues de STACK, COMMONS et CINCH. HHS devrait indiquer si les nouveaux sites sont activés plus rapidement, s’ils recrutent des populations représentatives et si les patients peuvent comprendre le processus de consentement.

Un nombre plus élevé de sites n’a pas automatiquement de sens. Les sites doivent recruter des participants, maintenir la qualité des données, retenir leur personnel et protéger les patients.

COMMONS devrait être évalué selon la disponibilité de données traçables de qualité réglementaire, et non selon le volume de dossiers connectés. CINCH devrait être évalué selon la pertinence des appariements, les inclusions finalisées et la compréhension des patients.

Ces mesures révéleraient si les essais cliniques avec IA de HHS élargissent l’accès ou accélèrent simplement le travail d’établissements déjà équipés pour participer.

Le programme devrait également publier les résultats négatifs. Un jumeau numérique qui fonctionne mal dans un domaine pathologique peut tout de même apporter des preuves précieuses sur les situations où cette approche n’a pas sa place.

Cette transparence aiderait à distinguer une infrastructure scientifique d’une campagne d’acquisition technologique. Elle soutiendrait également les normes réutilisables que HHS affirme vouloir créer.

Pour les équipes cliniques, la tâche à court terme est de se préparer. Les organisations qui envisagent de participer devraient dès maintenant cartographier la provenance de leurs données, la gouvernance de leurs modèles, le langage de consentement et leurs journaux de décision.

Les connaissances des statisticiens, cliniciens, ingénieurs des données, spécialistes des affaires réglementaires et opérateurs de sites doivent rester reliées tout au long de l’étude. Les équipes peuvent utiliser une base de connaissances consultable pour préserver les hypothèses, les décisions et la documentation des modèles entre ces groupes.

Le résultat le plus important de l’initiative ne sera pas l’affirmation que l’IA a accéléré les essais. Ce sera la preuve que les chercheurs ont obtenu plus tôt des réponses fiables, avec moins de contraintes inutiles et sans perte cachée de rigueur.

HHS a défini l’ambition. ARPA-H doit maintenant démontrer ses méthodes, la FDA doit clarifier la voie probatoire, et les équipes financées doivent publier des résultats que des acteurs externes peuvent reproduire. Les premiers projets SURPASS exposeront-ils leurs règles de validation aussi clairement qu’ils mettent en avant leur rapidité ?