L'IA fonctionne précisément quand les données manquent — 3 preuves dans les maladies rares

"L'IA ne marche que quand on a beaucoup de données." Faux.

C'est l'un des mythes les plus tenaces dans la santé et la pharma. Et en 2024-2025, l'IA a prouvé sa valeur précisément là où les données manquent.

Voici 3 exemples concrets dans les maladies rares.

TxGNN : drug repurposing en zero-shot (Harvard, Nature Medicine 2024)

TxGNN est un modèle fondationnel développé à Harvard pour le repositionnement de médicaments. Son principe : exploiter la structure d'un graphe de connaissances biomédicales pour prédire des candidats thérapeutiques, y compris pour des maladies sans aucun traitement connu.

Les chiffres parlent d'eux-mêmes :

• 17 080 maladies modélisées, 7 957 candidats thérapeutiques identifiés
• 92 % des maladies dans son graphe n'avaient aucun traitement existant
• +49 % de précision par rapport aux 8 méthodes de référence

Le tout en zero-shot — c'est-à-dire sans avoir vu d'exemples d'entraînement pour ces maladies spécifiques. C'est exactement le type de situation où l'on dit habituellement que l'IA ne peut pas fonctionner.

TxGNN est accessible gratuitement sur txgnn.org

Healx : du screening à l'IND FDA en 24 mois

Healx a appliqué l'IA au syndrome de l'X fragile, une maladie rare d'origine génétique.

Le résultat :

• Du screening in silico à l'IND FDA (autorisation de débuter des essais cliniques) en moins de 24 mois
• Budget initial : 91 500 $
• Contre 10 à 15 ans et des centaines de millions en approche classique

Ce n'est pas un gain marginal. C'est un changement d'ordre de grandeur dans le temps et le coût de développement.

En savoir plus sur Healx

Unlearn.AI : réduire les bras de contrôle grâce aux jumeaux numériques

Unlearn.AI utilise des jumeaux numériques de patients pour réduire la taille des bras de contrôle dans les essais cliniques, de 25 à 50 %.

• Méthodologie PROCOVA qualifiée par l'EMA en 2022
• Confirmée par la FDA en 2024

Pour une maladie ultra-rare où recruter 50 patients relève de l'exploit, passer de 30 patients contrôles à 15 change radicalement la faisabilité de l'essai. Moins de patients nécessaires, des essais plus rapides, des coûts réduits — sans sacrifier la rigueur statistique.

En savoir plus sur Unlearn.AI

Le vrai problème n'est pas le manque de données

Ce qui freine l'adoption de l'IA dans les maladies rares, ce n'est pas l'absence de données. C'est de croire que les approches de 2015 sont encore les seules disponibles.

Les outils d'aujourd'hui ont été conçus pour la rareté :

• Zero-shot learning — prédire sans exemples d'entraînement spécifiques
• RAG spécialisé — exploiter la littérature scientifique existante
• Designs bayésiens adaptatifs — optimiser les essais avec peu de patients
• Bras de contrôle synthétiques — réduire le besoin de recrutement

La rareté des données est un argument pour l'IA, pas contre.

Et pour votre organisation ?

Si vous êtes une biotech maladies rares qui pense que l'IA n'est pas pour vous parce que vous n'avez pas assez de données, il est temps de réévaluer cette hypothèse.

Les approches existent. Les preuves cliniques et réglementaires aussi. La question n'est plus "est-ce possible ?" mais "par où commencer ?".

Réservez un appel découverte pour en discuter.