FLARE : apprentissage fédéré pour l'observance, le risque et l'engagement dans les essais cliniques

FLARE : apprentissage fédéré pour l'observance, le risque et l'engagement dans les essais cliniques

Utilisation de l'IA pour améliorer l'adhésion au traitement, la surveillance de la sécurité et l'engagement des patients

FLARE (Federated Learning for Adherence, Risk, and Engagement) aidera les équipes de soins de santé à accompagner plus rapidement les patients et les participants à la recherche, et à veiller à leur la sécurité de manière plus cohérente, tant dans le cadre des essais cliniques que des programmes post-commercialisation, sans regrouper ni transférer de dossiers médicaux sensibles entre les organisations. Aujourd’hui, certains signaux importants sont dispersés entre les applications, les processus de travail des infirmières, les rapports des patients et la documentation des équipes de soins. En conséquence, les problèmes d'observance, le risque d'abandon et les événements indésirables potentiels peuvent passer inaperçus ou être identifiés trop tard. Les patients peuvent avoir du mal à trouver les conseils et les ressources appropriés au moment opportun.

S'appuyant sur une plateforme clinique existante, FLARE fournira une solution de bout en bout (expérience utilisateur, services d'infrastructure et flux de travail basés sur l'intelligence artificielle) offrant trois fonctionnalités pratiques :

• Prédiction des risques liés à l'observance et à l'engagement afin d'identifier les personnes susceptibles de manquer des doses, de voir leur engagement diminuer ou mettre fin à leur traitement ou leur participation, afin que les équipes de soins (infirmières, pharmaciens et autres professionnels de santé) puissent apporter un soutien opportun et approprié, conformément aux politiques convenues.
• Aide à la détection des événements indésirables (EI/EIS) pour aider les équipes à repérer et à trier plus tôt les événements indésirables potentiels en analysant les données structurées et le matériel local (par exemple, les enregistrements, les journaux, les messages et les notes des infirmières), avec un examen humain et des pistes d'audit claires.
• Engagement des patients/participants grâce à une interface conversationnelle intelligente et respectueuse de la vie privée, conçue pour les environnements réglementés. L'interface comprendra l'intention et les besoins de l'utilisateur, l'aidera à naviguer et à passer aux étapes suivantes, et recommandera des ressources approuvées — telles que du contenu pertinent et des textes issus de documents de programme propriétaires (par exemple, des protocoles d'essais cliniques ou du contenu de soutien post-commercialisation) — tout en respectant les règles de gouvernance et de conformité.

FLARE utilise l'apprentissage fédéré. Les modèles sémantiques sont entraînés là où les données se trouvent déjà, au sein de l'environnement sécurisé de chaque organisation. Les dossiers des patients ne sont pas déplacés ; seules les mises à jour des modèles, protégées par des mesures de confidentialité, sont partagées. L'équipe du projet vise à présenter un prototype fonctionnel multipartenaires qui réduit la charge de travail manuelle, améliore la cohérence du triage de sécurité et renforce le soutien aux patients et aux équipes de soins, depuis les essais cliniques jusqu'au traitement à long terme.