Contexte
Les fabricants de dispositifs médicaux ont besoin de preuves cliniques solides pour soutenir les démarches réglementaires, l’évaluation clinique et la stratégie produit. Pour de nombreuses équipes, la constitution de cette base de preuves reste un processus lent et dépendant d’experts.
Un évaluateur part d’une description du dispositif et de l’usage prévu, la traduit en stratégie de recherche PubMed, construit des requêtes basées sur les MeSH, passe au crible des centaines de résumés, récupère des PDF, classe les études, vérifie la pertinence, évalue la qualité et prépare la documentation réglementaire.
Ce travail est important parce qu’il soutient des décisions nécessitant un jugement d’expert. Mais une grande partie du processus est répétitive, documentée et difficile à reproduire de façon cohérente entre dispositifs, indications ou mises à jour de recherche.
Problème
Pour un flux de travail d’évidence d’un dispositif médical, le processus manuel prenait environ 30 jours. Les spécialistes devaient naviguer entre outils de recherche, listes d’articles, dépôts de PDF, feuilles de calcul, notes d’évaluation et modèles de documents réglementaires.
L’équipe avait besoin d’un moyen plus rapide pour constituer une base de preuves défendable sans transformer le processus en boîte noire.
Ils devaient savoir :
- quelle stratégie de recherche PubMed avait été utilisée
- quels articles avaient été examinés et pourquoi
- quelles publications contenaient des preuves cliniques
- quels PDF avaient été récupérés et vérifiés
- quels textes intégraux soutenaient l’usage prévu
- quelles études devaient figurer dans les sorties PRISMA, PICO et State of the Art
- quelles décisions nécessitaient un examen expert avant la documentation finale
La rapidité comptait, mais la traçabilité comptait tout autant.
Ce que Guanta a construit
Guanta a développé un flux de travail d’évidence clinique assisté par IA pour les dispositifs médicaux.
Le système part de la description du dispositif et de l’usage prévu, puis aide à générer une stratégie de recherche PubMed experte. Il télécharge et organise les articles, filtre les publications selon la pertinence réglementaire, classe les preuves cliniques et non cliniques, gère les PDF, extrait le contenu en texte intégral, évalue la qualité des preuves et prépare des sorties structurées pour revue.
L’objectif n’est pas d’écarter le spécialiste réglementaire du processus. L’objectif est de fournir au spécialiste un point de départ plus rapide, plus cohérent et plus auditable.
Comment fonctionne le flux de travail
Le pipeline transforme le travail d’évidence clinique en une séquence d’étapes contrôlées.
Il interroge PubMed, capture les métadonnées des articles, télécharge les PDF disponibles, vérifie l’accès au texte intégral et examine chaque publication au regard du dispositif, de l’indication et de l’usage prévu. L’IA aide à classer les preuves, expliquer les décisions au niveau de l’article, identifier les motifs d’inclusion ou d’exclusion et attribuer des signaux de preuve que les examinateurs peuvent inspecter.
Le système produit aussi des structures prêtes pour la réglementation : tableaux de sélection de la littérature, disposition PRISMA, extraction PICO, classification State of the Art, résumés d’évaluation et documents téléchargeables.
Chaque exécution conserve des journaux, des justifications au niveau des articles, des signaux de qualité et des métriques du pipeline, de sorte que l’équipe peut auditer ce qui s’est passé et affiner la revue avant qu’une quelconque donnée soit utilisée comme preuve réglementaire finale.
Résultat
Le flux d’évidence est passé d’environ 30 jours de travail manuel à environ 4 heures pour un paquet initial de preuves structurées.
Cette réduction de temps offre aux équipes de dispositifs médicaux un moyen plus rapide de démarrer l’évaluation clinique, de mettre à jour les revues de preuves, de comparer les indications produits et d’itérer sur plusieurs exécutions du pipeline.
La valeur opérationnelle est concrète :
- réduction du cycle de revue des preuves de semaines à heures
- moins de filtrage répétitif des résumés et de gestion des PDF
- structure de revue de la littérature plus cohérente entre dispositifs
- justifications et scores de preuve auditable au niveau des articles
- génération plus rapide des sorties PRISMA, PICO, SOTA et des tableaux de sélection
- davantage de temps des réviseurs consacré au jugement d’expert et aux décisions finales
Pourquoi c’est important
Le travail d’évidence des dispositifs médicaux doit être suffisamment rapide pour soutenir les équipes produit et réglementaires, mais suffisamment contrôlé pour permettre une revue experte.
Cette mise en œuvre montre comment l’IA peut aider aux lourdes tâches opérationnelles autour de l’évaluation clinique sans remplacer la responsabilité réglementaire du fabricant. Le flux de travail offre aux équipes un pipeline d’évidence reproductible, des sorties structurées et une traçabilité de la stratégie de recherche jusqu’à la revue finale.
Pour les fabricants, le résultat est un meilleur modèle opérationnel : les spécialistes gardent le contrôle de la conclusion, tandis que l’IA réduit le travail manuel nécessaire pour atteindre un point de départ d’évidence de haute qualité.