{"id":41981,"date":"2026-07-31T11:13:21","date_gmt":"2026-07-31T09:13:21","guid":{"rendered":"https:\/\/www.aplusaresearch.com\/?p=41981"},"modified":"2026-07-31T11:13:25","modified_gmt":"2026-07-31T09:13:25","slug":"leveraging-ai-to-understand-multiple-myeloma-treatment-decisions","status":"publish","type":"post","link":"https:\/\/www.aplusaresearch.com\/fr\/perspectives\/leveraging-ai-to-understand-multiple-myeloma-treatment-decisions\/","title":{"rendered":"Exploiter l'IA pour mieux comprendre les d\u00e9cisions th\u00e9rapeutiques dans le my\u00e9lome multiple"},"content":{"rendered":"<p class=\"wp-block-paragraph\">Comment le machine learning permet de r\u00e9v\u00e9ler les facteurs cach\u00e9s qui influencent les choix th\u00e9rapeutiques et d'\u00e9clairer les d\u00e9cisions strat\u00e9giques des laboratoires pharmaceutiques.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Introduction<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Le my\u00e9lome multiple (MM) est l'un des domaines th\u00e9rapeutiques les plus complexes et les plus dynamiques en oncologie-h\u00e9matologie. L'arriv\u00e9e de nouvelles classes th\u00e9rapeutiques, la diversit\u00e9 des profils de patients, les diff\u00e9rences entre les syst\u00e8mes de sant\u00e9 et des parcours de soins toujours plus individualis\u00e9s contribuent \u00e0 un environnement d\u00e9cisionnel particuli\u00e8rement fragment\u00e9.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Pour les laboratoires pharmaceutiques, comprendre pourquoi un traitement est choisi plut\u00f4t qu'un autre est devenu un d\u00e9fi croissant. Les approches analytiques traditionnelles permettent d'identifier certains facteurs influen\u00e7ant les d\u00e9cisions de prescription, mais elles peinent souvent \u00e0 appr\u00e9hender les interactions simultan\u00e9es entre des dizaines de variables.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">C'est pr\u00e9cis\u00e9ment dans ce contexte que le machine learning et l'intelligence artificielle explicable (Explainable AI) prennent tout leur sens.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Lors de la conf\u00e9rence EphMRA 2026, Hilary Worton (Senior Vice President, Client Experience Optimization chez APLUSA) a pr\u00e9sent\u00e9 la mani\u00e8re dont le machine learning et l'IA explicable permettent de mieux comprendre les d\u00e9cisions th\u00e9rapeutiques dans le my\u00e9lome multiple. S'appuyant sur des donn\u00e9es de vie r\u00e9elle collect\u00e9es au niveau individuel des patients, cette pr\u00e9sentation a montr\u00e9 comment les analyses avanc\u00e9es permettent de mettre en \u00e9vidence des facteurs d\u00e9cisionnels qui peuvent rester invisibles avec des approches analytiques conventionnelles ou n\u00e9cessiter un temps d'analyse consid\u00e9rablement plus important pour \u00eatre identifi\u00e9s.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Pourquoi le my\u00e9lome multiple constitue un cas d'usage id\u00e9al pour l'IA<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Peu de domaines th\u00e9rapeutiques illustrent aussi bien la complexit\u00e9 des d\u00e9cisions en sant\u00e9 que le my\u00e9lome multiple.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le choix d'un traitement est influenc\u00e9 par de nombreux facteurs, parmi lesquels :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>l'\u00e2ge et l'\u00e9tat g\u00e9n\u00e9ral du patient ;<\/li>\n\n\n\n<li>le profil de risque cytog\u00e9n\u00e9tique ;<\/li>\n\n\n\n<li>l'historique des traitements ant\u00e9rieurs ;<\/li>\n\n\n\n<li>l'\u00e9ligibilit\u00e9 \u00e0 une greffe de cellules souches ;<\/li>\n\n\n\n<li>les comorbidit\u00e9s ;<\/li>\n\n\n\n<li>le contexte de prise en charge et l'environnement de pratique du m\u00e9decin ;<\/li>\n\n\n\n<li>l'acc\u00e8s aux th\u00e9rapies innovantes.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Chacun de ces facteurs peut influencer diff\u00e9remment les d\u00e9cisions th\u00e9rapeutiques selon le contexte clinique.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Toute la difficult\u00e9 r\u00e9side dans le fait que ces variables n'agissent que rarement de mani\u00e8re ind\u00e9pendante. Elles interagissent entre elles selon des m\u00e9canismes souvent difficiles \u00e0 mettre en \u00e9vidence avec des approches analytiques traditionnelles.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le machine learning offre la possibilit\u00e9 d'analyser simultan\u00e9ment ces relations multidimensionnelles et de r\u00e9v\u00e9ler des sch\u00e9mas cach\u00e9s au sein de vastes jeux de donn\u00e9es de vie r\u00e9elle.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Aller au-del\u00e0 de la pr\u00e9diction pour comprendre les d\u00e9cisions<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Pour les d\u00e9cideurs de l'industrie pharmaceutique, comprendre pourquoi les professionnels de sant\u00e9 choisissent un traitement plut\u00f4t qu'un autre est essentiel, notamment dans des domaines o\u00f9 les options th\u00e9rapeutiques sont nombreuses et o\u00f9 il n'existe pas de protocole de prise en charge clairement \u00e9tabli.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">C'est pourquoi cette \u00e9tude s'est appuy\u00e9e sur des techniques d'IA explicable afin d'identifier non seulement les sch\u00e9mas de traitement observ\u00e9s, mais \u00e9galement les facteurs qui les d\u00e9terminent.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c0 partir de donn\u00e9es individuelles de patients collect\u00e9es dans plusieurs pays europ\u00e9ens, des mod\u00e8les de machine learning ont \u00e9t\u00e9 entra\u00een\u00e9s afin d'analyser les d\u00e9cisions th\u00e9rapeutiques et d'identifier les caract\u00e9ristiques ayant le plus fort impact sur le choix des traitements.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le r\u00e9sultat est un cadre analytique transparent, capable de transformer des analyses complexes en enseignements directement exploitables, tant sur le plan clinique que strat\u00e9gique.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ce que l&#039;analyse a r\u00e9v\u00e9l\u00e9<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Plusieurs r\u00e9sultats sont venus confirmer des dynamiques de march\u00e9 attendues ou fortement probables.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Par exemple, l'\u00e2ge des patients, leur \u00e9tat g\u00e9n\u00e9ral et leur \u00e9ligibilit\u00e9 \u00e0 une greffe de cellules souches se sont r\u00e9v\u00e9l\u00e9s \u00eatre des d\u00e9terminants majeurs du choix th\u00e9rapeutique parmi les traitements innovants du my\u00e9lome multiple.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Cependant, les enseignements les plus int\u00e9ressants sont apparus \u00e0 travers l'identification de sch\u00e9mas beaucoup moins \u00e9vidents.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L'analyse a mis en \u00e9vidence certaines caract\u00e9ristiques cliniques et certains profils cytog\u00e9n\u00e9tiques dont l'influence sur les d\u00e9cisions th\u00e9rapeutiques s'est r\u00e9v\u00e9l\u00e9e plus importante qu'attendu. Elle a \u00e9galement soulign\u00e9 des diff\u00e9rences significatives entre les pays, sugg\u00e9rant que les infrastructures de sant\u00e9 et les pratiques locales pourraient jouer un r\u00f4le plus important qu'on ne le suppose g\u00e9n\u00e9ralement dans l'adoption des traitements.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ces r\u00e9sultats montrent que l'IA ne se limite pas \u00e0 confirmer des hypoth\u00e8ses existantes : elle permet \u00e9galement de faire \u00e9merger de nouvelles pistes d'investigation.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Pourquoi cela est important pour les laboratoires pharmaceutiques<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La valeur du machine learning ne r\u00e9side pas dans le remplacement de l'expertise humaine.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Au contraire, son v\u00e9ritable potentiel r\u00e9side dans la combinaison des analyses avanc\u00e9es, de l'expertise th\u00e9rapeutique, de la connaissance des march\u00e9s et de la ma\u00eetrise des donn\u00e9es.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Lorsqu'elle est utilis\u00e9e de mani\u00e8re pertinente, l'IA peut aider les \u00e9quipes pharmaceutiques \u00e0 :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>identifier les principaux facteurs favorisant l'adoption des traitements ;<\/li>\n\n\n\n<li>mieux comprendre les opportunit\u00e9s de segmentation des patients ;<\/li>\n\n\n\n<li>d\u00e9tecter les freins \u00e0 l'acc\u00e8s et \u00e0 l'utilisation des traitements ;<\/li>\n\n\n\n<li>affiner les strat\u00e9gies commerciales et de marque ;<\/li>\n\n\n\n<li>g\u00e9n\u00e9rer de nouvelles hypoth\u00e8ses fond\u00e9es sur les donn\u00e9es pour orienter les futures recherches ;<\/li>\n\n\n\n<li>anticiper l'impact de l'\u00e9volution du march\u00e9 sur les futurs choix th\u00e9rapeutiques.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Dans des march\u00e9s d'oncologie toujours plus concurrentiels, ces capacit\u00e9s constituent un v\u00e9ritable avantage pour \u00e9clairer les d\u00e9cisions strat\u00e9giques.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Passer d'une analyse ponctuelle \u00e0 un apprentissage continu<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Traditionnellement, les analyses des parcours th\u00e9rapeutiques offrent une photographie du march\u00e9 \u00e0 un instant donn\u00e9.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Les approches reposant sur l'IA apportent une nouvelle dimension : la capacit\u00e9 d'explorer en continu des donn\u00e9es en constante \u00e9volution et d'identifier de nouveaux sch\u00e9mas au fur et \u00e0 mesure que le march\u00e9 \u00e9volue.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c0 mesure que les th\u00e9rapies innovantes, telles que les CAR-T cells, les anticorps bisp\u00e9cifiques et les anticorps conjugu\u00e9s (ADC), transforment le paysage th\u00e9rapeutique du my\u00e9lome multiple, cette capacit\u00e9 \u00e0 d\u00e9crypter les m\u00e9canismes complexes qui sous-tendent les d\u00e9cisions th\u00e9rapeutiques devient de plus en plus strat\u00e9gique.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L'objectif n'est plus simplement de d\u00e9crire ce qui s'est produit hier. Il s'agit de mieux comprendre, interpr\u00e9ter et anticiper les \u00e9volutions du march\u00e9 afin d'aider les marques \u00e0 influencer ce qui est susceptible de se produire demain.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Conclusion<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c0 mesure que les march\u00e9s de la sant\u00e9 gagnent en complexit\u00e9, les limites des approches analytiques traditionnelles deviennent de plus en plus \u00e9videntes.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Le machine learning et l'intelligence artificielle explicable constituent un compl\u00e9ment puissant aux approches classiques des \u00e9tudes de march\u00e9, en r\u00e9v\u00e9lant des sch\u00e9mas qui resteraient autrement invisibles. Associ\u00e9es \u00e0 des donn\u00e9es de vie r\u00e9elle robustes et \u00e0 l'expertise des \u00e9quipes qui les interpr\u00e8tent, ces approches permettent aux laboratoires pharmaceutiques de mieux comprendre les m\u00e9canismes qui sous-tendent les d\u00e9cisions th\u00e9rapeutiques en pratique r\u00e9elle.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L'avenir des insights en sant\u00e9 ne consiste pas \u00e0 remplacer l'expertise humaine par l'intelligence artificielle. Il repose sur la combinaison de mod\u00e8les pr\u00e9dictifs, de connaissances th\u00e9rapeutiques et de compr\u00e9hension des enjeux business afin de prendre des d\u00e9cisions plus \u00e9clair\u00e9es dans des march\u00e9s toujours plus complexes.<\/p>","protected":false},"excerpt":{"rendered":"<p>How machine learning can uncover hidden drivers behind treatment choices and support smarter pharmaceutical decision-making. Introduction Multiple myeloma (MM) is one of the most complex and rapidly evolving oncology \/ hematology markets. New treatment classes, diverse patient profiles, varying healthcare infrastructures, and increasingly individualized treatment pathways all contribute to a highly fragmented decision-making environment. For [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":41984,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_titles_title":"Leveraging AI to Understand MM Treatment Decisions","_seopress_titles_desc":"Discover how machine learning and explainable AI uncover hidden drivers of multiple myeloma treatment decisions for smarter pharma strategy.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"80","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","_seopress_news_disabled":"","_seopress_video_disabled":"","_seopress_video":[],"_seopress_pro_schemas_manual":[],"_seopress_pro_rich_snippets_disable_all":"","_seopress_pro_rich_snippets_disable":[],"_seopress_pro_schemas":[],"content-type":"","footnotes":""},"categories":[80],"tags":[],"class_list":["post-41981","post","type-post","status-publish","format-standard","has-post-thumbnail","category-views"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/posts\/41981","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/comments?post=41981"}],"version-history":[{"count":0,"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/posts\/41981\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/media\/41984"}],"wp:attachment":[{"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/media?parent=41981"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/categories?post=41981"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.aplusaresearch.com\/fr\/wp-json\/wp\/v2\/tags?post=41981"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}