Au-delà de la syntaxe : l'impératif d'une IA neuro-symbolique et d'un phénotypage piloté par ontologie dans le recrutement des essais cliniques

1. La crise économique et clinique de l'échec du recrutement

L'industrie pharmaceutique se trouve à une intersection précaire entre une science d'une ampleur inédite et une inefficacité opérationnelle insoutenable. Alors que les mécanismes de la découverte de médicaments ont été révolutionnés par le criblage à haut débit, la biologie générative et la chimie computationnelle, la machinerie de la validation clinique reste enchaînée à des processus archaïques qui menacent la viabilité économique des thérapeutiques modernes. La « Eroom's Law » phénomène—l'observation selon laquelle la découverte de médicaments devient plus lente et plus coûteuse au fil du temps, inversement proportionnelle aux progrès de la densité des transistors—n'est pas un échec de la science, mais un échec de processus. ¹ Au cœur de cette crise opérationnelle se trouve l'incapacité persistante à identifier et à recruter efficacement des patients éligibles pour les essais cliniques.

Les analyses contemporaines indiquent que la grande majorité des essais cliniques—environ 80%—n'atteignent pas leurs calendriers d'inclusion. ² Cette statistique n'est pas qu'une métrique de retard ; c'est un quantificateur d'innovation perdue et d'espoir différé. Lorsque le recrutement s'enlise, l'ensemble du pipeline de développement des médicaments se bloque, créant une défaillance en cascade qui affecte les rendements financiers, les délais d'approbation réglementaire et, plus critique encore, l'accès des patients aux thérapies vitales. L' approche actuelle de l'industrie face à ce goulot, souvent caractérisée par le déploiement d' analyseurs PDF génériques et de correspondance par mots-clés « Ctrl+F », représente une méconnaissance fondamentale du problème. Nous tentons de guérir le cancer avec la syntaxe, alors que le remède réside dans la sémantique.

1.1 Le calcul financier de la latence

Le temps est la ressource la plus coûteuse de l'écosystème pharmaceutique. Dans une industrie régie par des fenêtres d'exclusivité de brevet, chaque jour perdu en développement clinique est un jour déduit de la période de génération de revenus de pointe. L'impact financier des retards d'essais va bien au-delà du simple taux de consommation opérationnelle immédiat ; il érode la valeur actuelle nette (NPV) de l'actif et altère fondamentalement le profil de retour sur investissement (ROI) du portefeuille de recherche.

Les travaux du Tufts Center for the Study of Drug Development (CSDD) fournissent une quantification nette et rigoureuse de ce coût. Alors que les estimations historiques des années 1990 citaient souvent une fourchette large de $600,000 à $8 million par jour de retard, des analyses actualisées, affinées pour le paysage économique 2024-2025, dressent un tableau plus précis et plus alarmant. La valeur d'un seul jour de retard dans le développement de médicaments est désormais estimée à environ $800,000 de ventes de prescriptions perdues pour un actif performant moyen. ⁴

Toutefois, cette moyenne masque l'extrême volatilité présente dans les aires thérapeutiques à forte valeur. Pour les indications blockbuster en oncologie, en maladies cardiovasculaires ou en hématologie, le coût de la latence est nettement plus élevé. Les thérapies oncologiques de niche, qui ciblent souvent des marqueurs génétiques spécifiques et exigent un appariement précis des patients, subissent une pression concurrentielle intense. Un retard de quelques mois seulement peut se traduire par une entrée « deuxième arrivé sur le marché », coûtant potentiellement des milliards en part de marché perdue sur le cycle de vie du produit. ⁵

Les seuls coûts opérationnels—la dépense directe pour maintenir les sites d'essai ouverts, surveiller les données et conserver les contrats CRO—ajoutent environ $40,000 par jour pour les essais de phases II et III. ⁴ Pourtant, le vrai coût est le coût d'opportunité. Dans des indications concurrentielles comme le cancer du poumon non à petites cellules (NSCLC) ou la leucémie aiguë myéloïde (AML), plusieurs actifs se précipitent souvent vers la même ligne d'arrivée réglementaire. Le premier entrant capte généralement la majorité de la part de marché et établit le standard de soins. Être second, en raison de retards de recrutement, rend un médicament par ailleurs scientifiquement supérieur commercialement non viable.

Tableau 1 : L'impact financier des retards d'essais cliniques par aire thérapeutique

Aire thérapeutique	Ventes perdues médianes par jour de retard (USD 2023)	Complexité opérationnelle Facteur
Cardiovasculaire	$1.4 Million	Élevée (grandes cohortes, surveillance complexe)
Hématologie	$1.3 Million	Élevée (sites spécialisés, phénotypes rares)
Oncologie	$840,000	Très élevée (criblage génétique, exclusions complexes)
Système nerveux central	Variable	Modérée à élevée (critères de jugement subjectifs)

Données tirées du Tufts CSDD Impact Report et d'analyses financières associées. ⁴

Cette réalité financière crée un impératif d'efficacité que les processus manuels ou l'automatisation générique ne peuvent satisfaire. La différence entre un essai qui recrute dans les délais et un essai qui retarde de six mois est souvent celle entre un actif rentable et une dépréciation.

1.2 Le goulot opérationnel : l'entonnoir des échecs de sélection

La crise du recrutement n'est pas définie uniquement par un manque de patients, mais par l'inefficacité de l' entonnoir de sélection. L'industrie ne souffre pas d'une pénurie de prévalence de la maladie ; elle souffre d'une pénurie d'éligibilité identifiable. On estime que 37% des sites de recherche sous-recrutent, et qu'un stupéfiant 11% n'enrôlent pas un seul patient . ³ Cette inefficacité est largement alimentée par des taux élevés d'échec de sélection, où des patients sont identifiés comme candidats potentiels sur la base de critères superficiels mais sont finalement rejetés après une revue manuelle coûteuse et chronophage.

Le coût d'un échec de sélection est significatif, s'élevant en moyenne à environ $1,200 par échec dans l' industrie. ³ Ce coût recouvre le temps des coordinateurs de site, la dépense des examens préliminaires et la charge administrative de traitement des données du patient. Lorsque des systèmes automatisés produisent de gros volumes de faux positifs—des patients qui semblent éligibles d'après des mots-clés mais inéligibles d'après la logique clinique—ils encombrent l'entonnoir de recrutement.

Ce phénomène crée une attaque par « déni de service » contre les sites de recherche clinique. Les coordinateurs de site, déjà surchargés de tâches administratives, sont inondés de listes de « correspondances potentielles » générées par des outils d'IA à faible fidélité. Si un outil livre 100 candidats mais que seulement 5 sont vraiment éligibles, le coordinateur perdra rapidement confiance dans le système et reviendra aux méthodes manuelles. Ce paradoxe—selon lequel davantage d'automatisation peut conduire à moins d'efficacité—est le résultat direct de l'« écart de précision » des technologies d'appariement actuelles.

En outre, la complexité croissante des protocoles d'essai aggrave ce problème. Les protocoles modernes ne sont plus de simples listes de critères d'inclusion et d'exclusion. Ce sont des structures logiques complexes contenant des dizaines de clauses conditionnelles, de dépendances temporelles (p. ex. « Pas d' exposition antérieure au médicament X dans les 6 mois sauf contexte Y ») et d'exigences complexes en biomarqueurs. Les recruteurs humains, fatigués par de gros volumes de données de DPI, et les analyseurs d'IA génériques, dépourvus de raisonnement temporel et ontologique, peinent à appliquer ces critères de façon cohérente. ⁶

1.3 L'impératif humain et éthique

Au-delà des métriques financières se trouve l'impératif éthique de la recherche clinique. Les retards de recrutement se traduisent directement par des retards d'approbation réglementaire. Pour les patients atteints de affections progressives telles que le cancer métastatique, les maladies neurodégénératives ou les troubles génétiques rares, un retard de six mois dans le démarrage d'un essai ou la phase d'inclusion n'est pas une statistique ; c'est un intervalle qui change une vie. Il peut faire la différence entre l'accès à une thérapie potentiellement curative et le recours aux soins palliatifs. ⁷

Le standard actuel de recrutement consiste à parcourir manuellement des dossiers médicaux en PDF ou à utiliser des recherches rudimentaires par mots-clés « Ctrl+F » pour trouver des patients. Cette approche est intrinsèquement biaisée contre les patients complexes. Elle favorise ceux dont l'historique est simple et clairement documenté et exclut ceux dont l'éligibilité est enfouie dans des notes non structurées ou une logique conditionnelle complexe. En échouant à identifier précisément les patients éligibles, nous ne faisons pas que retarder des médicaments ; nous refusons l'accès.

Ce livre blanc soutient que la solution à cette crise exige un changement fondamental dans la manière dont nous traitons les données cliniques. Nous devons passer du traitement stochastique de texte au phénotypage piloté par ontologie . Nous devons remplacer la probabilité du LLM par la certitude du solveur logique. Veriprajna se positionne à l'avant-garde de cette transition, en s'appuyant sur l'IA neuro-symbolique pour combler le fossé entre le langage non structuré des soins et la logique rigoureuse de la recherche.

2. L'échec de la syntaxe : pourquoi les analyseurs PDF et l'IA générique passent à côté

L'industrie pharmaceutique tente de résoudre le goulot du recrutement avec le traitement automatique du langage naturel (NLP) depuis plus d'une décennie. Toutefois, les premiers efforts se sont largement appuyés sur des approches fondées sur la syntaxe —correspondance par mots-clés, expressions régulières et chaînes de recherche booléenne—ou, plus récemment, sur la génération probabiliste via de grands modèles de langage (LLM) comme GPT-4 ou Claude. Les deux approches, bien que techniquement distinctes, partagent un mode d'échec commun dans le contexte des essais cliniques : elles manquent de précision sémantique .

2.1 Le sophisme « cathétérisme cardiaque » vs « ponction veineuse centrale »

Pour comprendre l'échec profond de l'appariement fondé sur la syntaxe, nous devons examiner un scénario clinique précis qui met en lumière l'absence d'ancrage ontologique de l'IA générique. Cet exemple n'est pas un cas limite ; il représente une classe d'erreurs qui imprègne les systèmes de recrutement automatisés.

Considérons un protocole d'essai clinique pour un nouvel anticoagulant qui liste explicitement le « Cardiac Catheterization » comme critère d'exclusion. La rationnelle médicale est solide : le cathétérisme cardiaque consiste à faire passer un cathéter dans les chambres cardiaques ou les artères coronaires pour évaluer la fonction ou traiter une obstruction. ⁹ C'est une procédure cardiaque invasive à haut risque qui implique une instabilité cardiovasculaire récente, rendant le patient inadapté au profil de sécurité de l'essai.

Considérons maintenant un patient dont le dossier patient informatisé (DPI) contient une note de médecin décrivant une « Central Venous Puncture » (souvent pour la pose d'un cathéter veineux central ou CVC). Cette procédure consiste à accéder à une veine majeure (jugulaire interne, sous-clavière ou fémorale) pour administrer un médicament, des fluides ou surveiller la pression veineuse centrale. ¹¹ Bien qu' invasive, il s'agit d'une procédure d'accès vasculaire, souvent réalisée au chevet en soins intensifs, et elle se distingue fondamentalement du cathétérisme cardiaque par la cible anatomique, l'impact physiologique et le profil de risque.

Le mode d'échec de l'IA générique :

1.​ Confusion de mots-clés : Un algorithme standard de correspondance par mots-clés—ou un LLM mal prompté opérant sur la similarité vectorielle—parcourt le dossier du patient. Il identifie des termes comme « catheter », « venous », « puncture », et potentiellement « cardiac » (si le CVC a été posé dans une Cardiac Care Unit ou CCU).

2.​ Proximité vectorielle : Dans l'espace latent de haute dimension d'un modèle d'embedding générique, « Cardiac Catheterization » et « Central Venous Catheterization » sont positionnés proches l' un de l'autre. Les deux sont des procédures médicales ; les deux impliquent des cathéters ; les deux impliquent le système vasculaire. Le modèle générique, dépourvu d'une ontologie médicale rigide, les confond sur la base d'une similarité thématique.

3.​ Fausse exclusion : L'IA conclut que le patient a subi la procédure cardiaque exclue. Elle étiquette le patient comme inéligible.

4.​ Résultat : Un patient éligible est perdu pour l'essai. Le coordinateur de site ne voit jamais ce patient, ou pire, voit un rejet erroné et perd confiance dans l'outil.

Ce n'est pas une erreur hypothétique. Des études récentes évaluant des modèles d'IA pour l'appariement aux essais ont identifié des modes d'échec spécifiques où les modèles concluent à tort que « le cathétérisme cardiaque est la même chose qu'une ponction veineuse centrale », conduisant à une exclusion injustifiée. ² Cette erreur procède d'un manque de distinction ontologique ; l'IA sait que les mots sont liés, mais elle ne sait pas comment ils se distinguent.

2.2 Les limites des LLM probabilistes dans la prise de décision à forts enjeux

L'avènement de l'IA générative a conduit certains à croire que de « meilleurs prompts » résoudront ce problème. Toutefois, les grands modèles de langage souffrent de limitations structurelles inhérentes lorsqu'ils sont appliqués aux exigences déterministes des protocoles d'essais cliniques. Dans les environnements de santé à forts enjeux, la nature « boîte noire » des réseaux de neurones présente trois obstacles critiques :

1.​ Absence de déterminisme : Les LLM sont des moteurs probabilistes conçus pour prédire le jeton le plus probable suivant. Ce ne sont pas des moteurs logiques. Un LLM peut identifier correctement un patient comme éligible lors d' une exécution et inéligible à la suivante, selon de légères variations du prompt, du paramètre de température ou de la fenêtre de contexte environnante. Les essais cliniques exigent des 100% pistes d'audit reproductibles ; les régulateurs doivent savoir exactement pourquoi un patient a été inclus ou exclu. ¹³

2.​ Incapacité à vérifier la vérité (le problème de l'hallucination) : Les LLM ne vérifient pas les faits contre une base de vérité terrain, sauf s'ils sont explicitement architecturés pour le faire. Si une note de patient est ambiguë, un LLM peut halluciner un diagnostic pour combler le vide, « inventant » une comorbidité qui exclut le patient ou, plus dangereusement, inventant une autorisation qui inclut un patient inéligible.

3.​ Fuites de confidentialité et gouvernance : L'envoi de données patients non structurées vers des API de modèles publics soulève d'importantes préoccupations HIPAA/RGPD. Bien que des instances d'entreprise existent, l' architecture fondamentale de paramètres massifs interagissant avec des données de santé privées exige des architectures strictement protectrices de la vie privée que les API wrapper ne parviennent souvent pas à fournir. ¹³

La « position tranchée » qui sous-tend la philosophie de Veriprajna s'ancre dans cette réalité : l'industrie tente de résoudre un problème de logique (l'éligibilité) avec un outil de probabilité (les LLM). La solution exige de passer de la probabilité à la prouvabilité.

3. Phénotypage piloté par ontologie : l'avantage SNOMED CT

Pour résoudre l'échec de la syntaxe et les risques de la probabilité, Veriprajna défend et met en œuvre le phénotypage piloté par ontologie . Cette approche déplace fondamentalement la tâche de la lecture des mots vers la cartographie de concepts médicaux standardisés. Nous utilisons SNOMED CT (Systematized Nomenclature of Medicine -- Clinical Terms), la terminologie clinique de santé multilingue la plus complète au monde, pour fournir la « vérité terrain » à notre IA. ¹⁵

3.1 La puissance de la hiérarchie (relations Is-A)

SNOMED CT n'est pas un simple dictionnaire ; c'est une ontologie poly-hiérarchique structurée comme un graphe acyclique dirigé (DAG). Les concepts sont liés par des relations logiques, notamment la relation Is-A (sous-type). Cette structure permet à l'IA de comprendre la granularité, l'héritage et le contexte anatomique d'une manière que les listes plates de mots-clés ne peuvent pas.

En revenant à l'exemple du « Cardiac Catheterization », un système conscient de SNOMED comprend les hiérarchies distinctes suivantes :

Hiérarchie A : la cible d'exclusion

●​ Concept : Cardiac catheterization (procedure)

○​ Parent: Procedure on heart (procedure) ○​ Parent: Invasive procedure (procedure) ○​ Child: Coronary angiography (procedure) ○​ Child: Left heart catheterization (procedure) ¹⁸

Hiérarchie B : l'événement patient

●​ Concept : Central venous catheterization (procedure)

○​ Parent: Catheterization of vein (procedure)​¹⁹

○​ Parent: Insertion of vascular catheter (procedure)

○​ Child: Insertion of peripherally inserted central catheter (procedure)

Le moteur de raisonnement : Lorsque le protocole exclut le « Cardiac Catheterization », l'IA pilotée par ontologie ne cherche pas les mots « cardiac » ou « catheter ». Elle exécute une requête sémantique sur le graphe : la procédure du patient (SCTID: 392230005) est-elle un sous-type des critères d'exclusion (SCTID : 41976001) ? La hiérarchie SNOMED répond NON . Les concepts existent sur des branches différentes de l' arbre des procédures (cœur vs veine). L'IA statue de manière déterministe que le patient est éligible au regard de ce critère. ² Cette logique tient même si le médecin a écrit « Central Line Placement » ou « CVC Insertion », parce que la couche d'extraction d'entités mappe tous ces synonymes vers le bon SCTID avant que le contrôle logique n'intervienne.

3.2 Résoudre le problème de la synonymie et de la granularité

La documentation médicale abonde en synonymes, abréviations et niveaux de granularité variables. Un médecin peut écrire « Heart Cath », « Angio », « Coronary Angiography » ou « LHC » (Left Heart Cath). Une recherche par mots-clés doit être codée en dur avec chaque variation possible, et elle manquera encore des formulations inédites.

SNOMED CT traite cela via la synonymie et la permanence des concepts . Le concept Coronary artery disease est automatiquement mappé vers « CAD », « Coronary arteriosclerosis », « Arteriosclerotic heart disease » et des dizaines d'autres variantes. ²⁰ Notre IA extrait l'identifiant de concept (SCTID), non la chaîne. Une fois le texte converti en SCTID, l'ambiguïté disparaît. L'appariement s' effectue de concept à concept, non de mot à mot.

En outre, SNOMED CT permet la post-coordination, où les concepts peuvent être affinés par des attributs. Par exemple, un « Left kidney stone » n'est pas qu'une chaîne ; c'est le concept Kidney stone affiné par l'attribut de latéralité Left. ²² Cela permet à l'IA d'apparier des protocoles qui spécifient la latéralité ou la sévérité (p. ex. « Exclude patients with bilateral kidney disease ») avec une précision mathématique.

3.3 Construire le phénotype computationnel

En agrégeant ces SCTID à partir du texte non structuré, nous construisons un « phénotype computationnel » du patient. Ce phénotype est un ensemble structuré de codes représentant l' état clinique exact du patient, en distinguant :

●​ Diagnostic (Disorder) : p. ex., Malignant tumor of lung

●​ Procédure : p. ex., Lobectomy of lung

●​ Finding : p. ex., Mass in lung

Cette distinction est cruciale. Un « Finding » d'une masse n'est pas la même chose qu'un « Diagnosis » de cancer. Une recherche par mots-clés de « lung mass » pourrait exclure un patient d'une étude de volontaires sains, ou l'inclure à tort dans un essai en cancérologie. Le phénotypage piloté par ontologie respecte la distinction entre une affection suspectée et un diagnostic confirmé. ¹⁶

4. La logique de l'exclusion : le raisonnement déontique dans les critères d'éligibilité

Alors que SNOMED CT traite le quoi (les concepts médicaux), la logique déontique traite le comment (les règles d'engagement). Les critères d'essais cliniques sont rarement de simples énoncés booléens (présence/absence). Ce sont des énoncés normatifs complexes régissant ce qui est obligatoire (doit avoir), permis (peut avoir) ou interdit (ne doit pas avoir). ²⁴

4.1 La complexité du « unless » : analyser les clauses d'exception

Un point d'échec majeur pour l'IA générique est la « clause d'exception ». Les protocoles d'essai incluent fréquemment des critères d'exclusion conditionnels. Considérons le critère d'exclusion standard suivant dans les essais d'oncologie :

« Exclude patients with hypertension, unless it is well-controlled on stable medication for at least 3 months. »

Un apparieur de mots-clés voit « hypertension » et exclut le patient. Un filtre booléen standard peut voir « hypertension = TRUE » et exclure. Les deux entraînent la perte d'un patient éligible qui a la maladie mais satisfait aux critères de participation.

Analyse en logique déontique : L'IA de Veriprajna analyse cette phrase à l'aide d'opérateurs déontiques :

●​ Interdiction ($F$) : présence d'hypertension ($H$).

●​ Exception/permission ($P$) : hypertension ($H$) AND contrôlée ($C$) AND stable ($S$).

La formulation logique devient une fonction conditionnelle :

$$\text{Status}(x) = \begin{cases} \text{Eligible} & \text{if } \neg H(x) \lor (H(x) \wedge C(x) \wedge S(x)) \\ \text{Excluded} & \text{if } H(x) \wedge (\neg C(x) \lor \neg S(x)) \end{cases}$$ Notre IA analyse ensuite les contraintes temporelles (« at least 3 months ») et le statut clinique (« controlled » défini par une PA < 140/90 mmHg ou un historique médicamenteux stable). ²⁶ Elle identifie les patients qui ont la maladie mais possèdent la permission déontique de participer.

4.2 Traiter « Not X unless Y » : états cliniques contradictoires

Un autre schéma fréquent implique des états cliniques contradictoires ou des thérapies antérieures.

« Patients must not have received prior chemotherapy, unless it was neoadjuvant

therapy completed > 6 months ago. »

Ici, l'IA doit vérifier simultanément :

1.​ Événement : administration de chimiothérapie (typiquement une exclusion).

2.​ Contexte (intention) : était-ce néoadjuvant ? (exige de comprendre l'intention de la thérapie).

3.​ Temporel : s'est-elle terminée > 6 mois avant Date_Current ?

Nous implémentons cela à l'aide de la logique d'ensemble temporel (TEL), une forme spécialisée de logique temporelle qui permet au système de modéliser la chronologie de l'essai et de placer les événements patients dans des fenêtres d' observation valides. ²⁸ Le système crée une chronologie de l'historique du patient, marque l' événement de chimiothérapie, vérifie son attribut (néoadjuvant) et mesure le delta $t$ par rapport à la date de référence. Cette analyse logique rigoureuse sauve des patients éligibles que les recherches par mots-clés écartent du seul fait de la mention de « chemotherapy » dans leur historique.

4.3 Pourquoi « Start Matching Patients » signifie logique déontique

Le slogan « Stop matching words. Start matching patients » désigne spécifiquement cette capacité. Nous interprétons l'état d'éligibilité du patient, pas seulement la présence de termes dans son dossier. En modélisant les droits et obligations du protocole (p. ex. le droit de participer sous conditions spécifiques), nous alignons l'IA sur l'intention éthique et scientifique de la conception de l'étude. ¹⁴

Cette approche transforme le processus de recrutement d'une tâche de « recherche »—trouver des chaînes dans une base de données—en une tâche de « raisonnement »—évaluer l'état d'un patient au regard d'un ensemble de règles logiques. C'est la différence fondamentale entre un moteur de recherche documentaire et un système d'aide à la décision clinique.

5. Architecture d'un moteur neuro-symbolique

Pour livrer cette solution, Veriprajna emploie une architecture d'IA neuro-symbolique . Ce n'est pas une construction académique théorique ; c'est un choix d'ingénierie pragmatique qui combine le meilleur de deux paradigmes d'IA pour assurer fiabilité, explicabilité et exactitude dans une industrie réglementée.

5.1 La pile neuro-symbolique

Notre architecture suit un modèle d'intégration neuro-symbolique « Type 2 » ou « Type 4 », où un système neuronal (LLM) agit comme couche de perception, et un système symbolique (graphe de connaissances/solveur logique) agit comme couche de raisonnement. ³⁰ Cette séparation des préoccupations nous permet de tirer parti de la flexibilité linguistique des LLM tout en bridant leurs tendances stochastiques par une logique rigide.

Couche 1 : perception neuronale (le lecteur)

●​ Fonction : ingère des données non structurées (PDF, notes manuscrites, laboratoires scannés, récits de médecins).

●​ Technologie : LLM fondés sur les transformers (p. ex. GPT-4 personnalisé, Llama 3, ou variantes BioBERT spécifiques au domaine).

●​ Rôle : le LLM ne prend pas la décision finale d'éligibilité. Sa seule tâche est l'extraction et la normalisation d'entités . Il lit « pt complains of chest pain » et identifie l' entité Chest pain.

●​ Nouveauté : nous utilisons le « Concept-Aware Decoding » où le LLM est contraint de produire des termes préférés ou identifiants SNOMED CT valides, réduisant l'hallucination à la source. ¹³

Couche 2 : le pont sémantique (le mappeur)

●​ Fonction : mappe les entités extraites vers le graphe de connaissances d'entreprise.

●​ Technologie : bases vectorielles couplées à des lookups d'ontologie et des bases de graphes (p. ex. Neo4j).

●​ Rôle : convertit l'entité textuelle Chest pain vers le SCTID spécifique : 29857009. Il désambiguïse les termes selon le contexte (p. ex. distinguer « Cold » le virus de « Cold » la température) en utilisant la structure du graphe et les nœuds adjacents.

Couche 3 : raisonnement symbolique (le penseur)

●​ Fonction : exécute la logique d'éligibilité contre le phénotype structuré.

●​ Technologie : réseaux de logique probabiliste (PLN) ou solveurs de logique du premier ordre (p. ex. raisonneurs de style Prolog) intégrés au graphe de connaissances. ³³

●​ Rôle : cette couche applique les règles de logique déontique. Elle vérifie les relations Is-A dans SNOMED (p. ex. « Is CVC a subtype of Cardiac Cath ? »). Elle calcule les durées temporelles. Elle est déterministe —à entrées identiques, elle produira toujours le même résultat d'éligibilité, fournissant l'auditabilité exigée par la FDA et l'EMA. ¹³

5.2 La « zone verte » de la logique

Comme décrit dans la littérature neuro-symbolique, nous insérons un module logique (souvent visualisé comme une « zone verte » dans les diagrammes d'architecture) à l'intérieur de la boucle de traitement. Lorsque le système rencontre une requête complexe du type « Is the patient eligible based on exclusion criteria 4? », le LLM n'hallucine pas une réponse. Au lieu de cela, il délègue la requête au raisonneur symbolique. Le raisonneur calcule la réponse à partir de faits et de règles (p. ex. Patient_Has_Hypertension AND Medication_Is_Stable), et renvoie le résultat au LLM pour une synthèse en langage naturel. ³³

Cette approche hybride garantit que le « raisonnement » est mathématiquement fondé, tandis que l' « interface » reste conversationnelle et accessible aux cliniciens.

Tableau 2 : comparaison des approches d'IA pour les essais cliniques

Caractéristique	LLM standard (wrapper API)	IA neuro-symbolique (Veriprajna)
Traitement des données	Prédiction probabiliste de jetons	Logique déterministe + extraction neuronale
Termes inconnus	Hallucine ou manque	Signale pour revue humaine (opaque vs transparent)
Raisonnement	Corrélations de surface	Raisonnement multi-sauts via graphe de connaissances
Explicabilité	« Boîte noire » (ne peut citer la logique source)	Trace pleinement auditable (preuves logiques)
Exactitude	~63-87% (variable)	>95% (quasi humaine ou surhumaine)13
Confidentialité	Risque élevé de fuite de données	Logique traitée localement/de façon sécurisée

Comparaison ancrée dans des métriques de performance d'études récentes évaluant l'IA en santé. ²

6. RAG sur graphe de connaissances (GraphRAG) : le moteur de contexte

Pour soutenir l'architecture neuro-symbolique, Veriprajna utilise la génération augmentée par récupération sur graphe (GraphRAG) . Alors que le RAG traditionnel récupère des chunks de documents selon la similarité vectorielle, GraphRAG récupère l'information selon les relations, permettant au système de « relier les points » à travers l'ensemble du dossier patient et la connaissance médicale externe. ³⁵

6.1 Pourquoi les vecteurs ne suffisent pas

Dans un système RAG vectoriel standard, si un chercheur cherche « side effects of Drug A », le système récupère des chunks de documents contenant la chaîne « Drug A ». Toutefois, les protocoles d'essais cliniques excluent souvent les patients sur la base de classes de médicaments ou de mécanismes d'action.

Exemple : un protocole d'essai exclut « Any drug interacting with CYP3A4 enzymes. » Un patient prend « Drug B. »

●​ Échec du RAG vectoriel : si le DPI du patient mentionne « Drug B » mais n'indique pas explicitement « Drug B is a CYP3A4 inhibitor », une recherche vectorielle peut échouer à récupérer le contexte pertinent. Le patient pourrait être inclus à tort.

●​ Solution GraphRAG : le graphe de connaissances contient le triplet : (Drug B) --[inhibits]--> (CYP3A4). Lors de la vérification des critères d'exclusion, GraphRAG parcourt le graphe. Il identifie Drug B comme substance interdite même si le texte ne le dit pas explicitement . ³²

Cette capacité est essentielle pour les essais modernes « umbrella » ou « basket » qui s'appuient sur des interactions complexes de biomarqueurs et de pharmacologie. GraphRAG permet au système d'effectuer une récupération multi-sauts, en traversant Patient -> Drug -> Mechanism -> Exclusion Criteria, garantissant qu'aucun facteur d'exclusion caché n'est manqué.

6.2 Le « Second Brain » pour la pharma

Cette architecture transforme la plateforme de recrutement en un « Second Brain » pour les chercheurs. ³⁸ Elle permet des requêtes complexes en langage naturel qui exigent un raisonnement sur la structure des données, telles que : « Find patients who have a history of cardiomyopathy but have not received anthracyclines. »

Le système comprend via le graphe que « Doxorubicin » is-an anthracycline. Il peut correctement exclure les patients qui ont pris de la doxorubicine, assurant la sécurité et le respect du protocole, tout en incluant les patients qui ont pris d'autres agents non-anthracyclines. Ce niveau d'interopérabilité sémantique permet une construction dynamique de cohortes et une analyse de faisabilité qui dépassent de loin les capacités des constructeurs de requêtes traditionnels.

7. Stratégie de mise en œuvre : de la théorie à l'entreprise

Veriprajna n'offre pas une simple API « plug-and-play » mais une stratégie d'intégration profonde. Mettre en œuvre le phénotypage piloté par ontologie exige une transformation délibérée de l'infrastructure de données afin que l'IA soit alimentée par des données structurées de haute qualité et que ses sorties soient intégrées au flux de travail clinique.

7.1 Intégration avec CDISC et FHIR

Notre système est conçu pour interopérer avec les standards de données cliniques existants qui forment l' épine dorsale de l'industrie pharmaceutique.

●​ Entrée : nous ingérons les données via HL7 FHIR (Fast Healthcare Interoperability Resources) resources. Nous analysons les ressources Patient, Condition, Procedure et MedicationAdministration pour peupler le graphe de connaissances.

●​ Sortie : nous mappons les phénotypes directement vers les standards CDISC SDTM (Study Data Tabulation Model), en particulier le domaine IE (Inclusion/Exclusion) . ³⁹ Cela signifie que les données de recrutement générées par notre système ne sont pas qu'une liste de noms ; ce sont des données réglementaires structurées, prêtes pour la soumission et l'analyse dès le jour 1. Cela réduit la charge de nettoyage et de réconciliation des données en aval.

7.2 Le flux de travail humain dans la boucle (HITL)

Nous défendons l'intelligence augmentée, non l'automatisation totale. L'objectif est de faire passer à l'échelle le clinicien expert, non de le remplacer. La sortie neuro-symbolique inclut un « score de confiance » et une « trace de raisonnement » pour chaque décision.

●​ Confiance élevée (déterministe) : si la logique est claire et les données non ambiguës (p. ex. correspondance SCTID spécifique), le système peut auto-apparier ou auto-exclure.

●​ Confiance faible (texte ambigu) : si la logique est floue ou le texte peu clair (p. ex. « possible history of... »), le système signale le cas pour revue humaine. Surtout, il met en évidence les critères spécifiques et l'extrait de texte pertinent qui a causé l'ambiguïté. Cette vue « prédigérée » réduit le temps dont un clinicien a besoin pour examiner un dossier jusqu'à 40%. ²

7.3 Confidentialité des données et gouvernance

En utilisant une architecture neuro-symbolique modulaire, Veriprajna traite la préoccupation primordiale de la confidentialité des données. Nous pouvons conserver les données patients derrière le pare-feu sécurisé de l'hôpital (la couche « symbolique » et le graphe). La couche « neuronale » (LLM) peut être déployée comme un modèle local open source (p. ex. Llama 3 affiné pour l'extraction médicale) au sein de l'enclave sécurisée, ou n'être utilisée que pour le traitement de texte désidentifié. ⁴⁰ Cela garantit que les informations de santé protégées (PHI) ne sont jamais exposées à des API publiques ni utilisées pour entraîner des modèles externes, assurant la conformité au RGPD, à HIPAA et aux politiques de gouvernance institutionnelles.

8. Conclusion : Stop Matching Words, Start Matching Patients

Le goulot de la découverte de médicaments n'est plus la science ; c'est la syntaxe. Nous tentons de naviguer dans les complexités de la biologie humaine et des protocoles d'essais cliniques avec des outils conçus pour la recherche documentaire. Ce décalage se traduit par des milliards de dollars de valeur perdue, des opérations d'essais inefficaces et, plus important encore, un espoir retardé pour les patients en attente de nouvelles thérapies.

L'erreur « Central Venous Puncture » vs « Cardiac Catheterization » n'est pas un dysfonctionnement ; c'est un symptôme de cécité sémantique. En adoptant le phénotypage piloté par ontologie, ancré dans SNOMED CT, régi par la logique déontique, et propulsé par l'IA neuro-symbolique, nous pouvons guérir cette cécité.

Veriprajna offre une voie loin de la fragilité de la probabilité et vers la robustesse de la logique. Nous permettons aux entreprises pharmaceutiques de trouver les bons patients, pour les bons essais, au bon moment—non en devinant, mais en raisonnant.

#Pharma #ClinicalTrials #HealthTech #AI #DrugDiscovery #NeuroSymbolicAI #SNOMEDCT

Points clés pour l'entreprise

●​ Impact financier : éliminer les retards de recrutement peut économiser $800,000+ par jour en coûts d' opportunité perdus pour les actifs à forte valeur.

●​ Supériorité technique : l'IA neuro-symbolique crée des pistes de raisonnement auditables et déterministes que les LLM génériques ne peuvent fournir, essentielles à la conformité réglementaire.

●​ Précision sémantique : l'intégration SNOMED CT prévient les fausses exclusions en comprenant les hiérarchies médicales (relations Is-A) et en distinguant des procédures distinctes.

●​ Rigueur logique : la logique déontique analyse correctement les clauses complexes « unless » et « except » dans les protocoles d'essai, sauvant des patients éligibles que la logique booléenne écarte.

●​ Avantage stratégique : GraphRAG active des capacités de « Second Brain », reliant les données patients à des graphes de connaissances pharmacologiques plus larges pour un appariement supérieur et un raisonnement multi-sauts.

À propos de Veriprajna

Veriprajna est un cabinet de conseil logiciel en IA spécialisé, dédié à résoudre les problèmes les plus durs en biopharma grâce à des solutions d'IA profonde. Nous allons au-delà des API wrapper pour construire des architectures neuro-symboliques qui comprennent le langage de la médecine.

Ouvrages cités

1. AI Innovations in Clinical Trials: Speeding Drug Development - IntuitionLabs, consulté le 10 décembre 2025, https://intuitionlabs.ai/pdfs/ai-innovations-in-clinical-trials-speeding-drug-development.pdf

2. AI model matches patients to trials almost as ... - Fierce Biotech, consulté le 10 décembre 2025, https://www.fiercebiotech.com/cro/ai-model-matches-patients-clinical-trials-fast-human-only-slight-dip-accuracy

3. What clinical trial statistics tell us about the state of research today - Antidote.me, consulté le 10 décembre 2025, https://www.antidote.me/blog/what-clinical-trial-statistics-tell-us-about-the-state-of-research-today

4. Quantifying the Value of a Day of Delay in Drug Development | Tufts CSDD | White Papers, consulté le 10 décembre 2025, https://csdd.tufs.edu/sites/default/ft iles/2025-02/Aug2024%20Day%20of%20Dela y%20White%20Paper%20Final.pdf?1763577702

5. The Cost of Delay: Quantifying the Financial Impact of Inefficient Clinical Trial Start-Up - Blog, consulté le 10 décembre 2025, https://blog.td2inc.com/quantifying-the-financial-impact-of-inefficient-clinical-trial-start-up

6. How to Avoid Costly Clinical Research Delays - MESM Ltd, consulté le 10 décembre 2025, https://www.mesm.com/blog/tips-to-help-you-avoid-costly-clinical-research-delays/

7. AI's Symbiotic Impact on Drug Development and Patient Experience in Global Pharma and Biotech - Eglobalis, consulté le 10 décembre 2025, https://www.eglobalis.com/ais-symbiotic-impact-on-drug-development-and-patient-experience-in-global-pharma-and-biotech/

8. Why Time Is The Most Expensive Resource In Clinical Trials—And How To Make Every Second Count - Leapcure, consulté le 10 décembre 2025, https://blog.leapcure.com/why-time-is-the-most-expensive-resource-in-clinical-trials-and-how-to-make-every-second-count/

9. 2020 AHA/ACC Key Data Elements and Definitions for Coronary Revascularization: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Data Standards (Writing Committee to Develop Clinical Data Standards for Coronary Revascularization) | Circulation: Cardiovascular Quality and Outcomes - American Heart Association Journals, consulté le 10 décembre 2025, https://www.ahajournals.org/doi/10.1161/HCQ.0000000000000059

10. coronary artery disease - efo - EMBL-EBI, consulté le 10 décembre 2025, https://www.ebi.ac.uk/efo/EFO_0001645

11. Femoral Vein Morphometry in Children - Clinics in Surgery, consulté le 10 décembre 2025, https://www.clinicsinsurgery.com/open-access/femoral-vein-morphometry-in-children-9466.pdf

12. Clinical validation of the diagnosis adverse location of peripherally inserted central catheter in neonatology - ResearchGate, consulté le 10 décembre 2025, https://www.researchgate.net/publication/394290075_Clinical_validation_of_the_diagnosis_adverse_location_of_peripherally_inserted_central_catheter_in_neonatology

13. Neuro-symbolic AI for auditable cognitive information extraction from medical reports - PMC, consulté le 10 décembre 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12638795/

14. Ethics in Digital Health: a deontic accountability framework - ResearchGate, consulté le 10 décembre 2025, https://www.researchgate.net/profile/Zoran-Milosevic-3/publication/338253522_Ethics_in_Digital_Health_A_Deontic_Accountability_Framework/links/60684b5c299bf1252e24e182/Ethics-in-Digital-Health-A-Deontic-Accountability-Framework.pdf

15. UNIVERSIDADE FEDERAL DE MINAS GERAIS ESCOLA DE CIÊNCIA DA INFORMAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM GESTÃO & ORGANIZAÇ ResearchGate, consulté le 10 décembre 2025, https://www.researchgate.net/profile/Jeanne-Emygdio/publication/361670001_INTEROPERABILIDADE_SEMANTICA_ORIENTADA_POR_ONTOLOGIA_PARA_A_CIENCIA_DA_INFORMACAO_a_metodologia_Onto4All-Interoperability_como_resultado_de_estudo_de_caso_no_dominio_de_energia/links/62bf12083d26d6389e899f87/INTEROPERABILIDADE-SEMANTICA-ORIENTADA-POR-ONTOLOGIA-PARA-A-CIENCIA-DA-INFORMACAO-a-metodologia-Onto4All-Interoperability-como-resultado-de-estudo-de-caso-no-dominio-de-energia.pdf

16. cohort identification from free-text clinical notes using - Carolina Digital Repository, consulté le 10 décembre 2025, https://cdr.lib.unc.edu/downloads/9p290k671

17. Aligning an administrative procedure coding system with SNOMED CT open.trinetx, consulté le 10 décembre 2025, https://open.trinetx.com/wp-content/uploads/sites/2/2020/06/OPS-SNOMED-FINAL1.pdf

18. 37.22 Left heart cardiac cath - ICD-9-CM Vol. 3 Procedure Codes, consulté le 10 décembre 2025, https://www.findacode.com/icd-9/37-22-left-heart-cardiac-catheterization-icd-9-procedure-code.html

19. 392230005 - Browse Code Systems - NIH, consulté le 10 décembre 2025, https://vsac.nlm.nih.gov/context/cs/codesystem/SNOMEDCT/version/2020-03/code/392230005/info

20. coronary artery disease [EFO:0001645](Polygenic Trait) - PGS Catalog, consulté le 10 décembre 2025, https://www.pgscatalog.org/trait/EFO_0001645/

21. Coronary artery disorder (Concept Id: C1956346) - NCBI, consulté le 10 décembre 2025, https://www.ncbi.nlm.nih.gov/medgen/365486

22. The CORE Problem List Subset of SNOMED CT - National Library of Medicine, consulté le 10 décembre 2025, https://www.nlm.nih.gov/research/umls/Snomed/core_subset.html

23. Fundamentals of Clinical Data Science - OAPEN Library, consulté le 10 décembre 2025, https://library.oapen.org/bitstream/handle/20.500.12657/22918/1007243.pdf

24. Deontic Logic - Stanford Encyclopedia of Philosophy, consulté le 10 décembre 2025, https://plato.stanford.edu/entries/logic-deontic/

25. Ten Philosophical Problems in Deontic Logic - ICR, consulté le 10 décembre 2025, https://icr.uni.lu/leonvandertorre/papers/normas07b.pdf

26. NCT03574363 | Phase 2b Study of KBP-5074 in Subjects With Uncontrolled Hypertension and Advanced Chronic Kidney Disease | ClinicalTrials.gov, consulté le 10 décembre 2025, https://clinicaltrials.gov/study/NCT03574363

27. Characteristics of Populations Excluded From Clinical Trials Supporting Intensive Blood Pressure Control Guidelines - NIH, consulté le 10 décembre 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC8174340/

28. Temporal Ensemble Logic for Integrative Representation of the Entirety of Clinical Trials - DROPS, consulté le 10 décembre 2025, https://drops.dagstuhl.de/storage/00lipics/lipics-vol355-time2025/LIPIcs.TIME.2025.13/LIPIcs.TIME.2025.13.pdf

29. Excluding People With Disabilities From Clinical Research: Eligibility Criteria Lack Clarity And Justification | Health Affairs, consulté le 10 décembre 2025, https://www.healthafairs.org/doi/10.1377/hlthaff .2022.00520f

30. Type 4 neuro-symbolic AI system with explicit mapping. This figure... ResearchGate, consulté le 10 décembre 2025, https://www.researchgate.net/figure/Type-4-neuro-symbolic-AI-system-with-explicit-mapping-This-figure-shows-a-structure_fig11_381230747

31. The Emerging Field of Neuro-Symbolic AI: An Introduction - Ultralytics, consulté le 10 décembre 2025, https://www.ultralytics.com/blog/an-introduction-to-the-emerging-field-of-neuro-symbolic-ai

32. Understanding GraphRAG: How Does It Compare with RAG? - Charter Global, consulté le 10 décembre 2025, https://www.charterglobal.com/what-is-graphrag/

33. Avoiding LLM Hallucinations: Neuro-symbolic AI and other Hybrid AI approaches, consulté le 10 décembre 2025, https://www.cotacapital.com/knowledge-base/avoiding-llm-hallucinations-neuro-symbolic-ai-and-other-hybrid-ai-approaches/

34. Explainable Diagnosis Prediction through Neuro-Symbolic Integration - PMC NIH, consulté le 10 décembre 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12150699/

35. Graph RAG: Frameworks, Tools & Use Cases Explained - Chitika, consulté le 10 décembre 2025, https://www.chitika.com/graph-based-retrieval-augmented-generation/

36. What Is GraphRAG? - Neo4j, consulté le 10 décembre 2025, https://neo4j.com/blog/genai/what-is-graphrag/

37. GraphRAG: Practical Guide to Supercharge RAG with Knowledge Graphs LearnOpenCV, consulté le 10 décembre 2025, https://learnopencv.com/graphrag-explained-knowledge-graphs-medical/

38. Pharma Knowledge Management: Building a "Second Brain" with AI | IntuitionLabs, consulté le 10 décembre 2025, https://intuitionlabs.ai/articles/pharma-knowledge-management-second-brain

39. CDASHIG v2.0 - CDISC, consulté le 10 décembre 2025, https://www.cdisc.org/standards/foundational/cdash/cdashig-v2-0

40. Am I eligible? Natural Language Inference for Clinical Trial Patient Recruitment: the Patient's Point of View - arXiv, consulté le 10 décembre 2025, https://arxiv.org/html/2503.15718v1