Comment qualifier les fonctions d'IA dans les logiciels d'essais cliniques
En bref
La ligne directrice de la FDA sur la crédibilité de l'IA pour le développement de médicaments reste à l'état de projet [1]. Ce guide applique ses questions relatives au contexte d'utilisation aux fonctions individuelles des logiciels d'essais et propose quatre contrôles.
- Identifiez les réglementations contraignantes et les lignes directrices applicables à l'utilisation spécifique [1] [2] [3] [4] [5] [6] [7] [8].
- Évaluez la fonction et confirmez qui prend la décision. Rejetez les écritures automatisées non confirmées dans les enregistrements d'essai réglementés, sauf si la fonction est expressément qualifiée et autorisée au titre du niveau de contrôle le plus élevé (niveau 4) pour ce contexte d'utilisation.
- Spécifiez le modèle approuvé et les données d'entrée. Testez les modifications à l'aide d'un ensemble fixe aux réponses connues. Suivez les attentes applicables de l'EMA pour l'analyse pivot [9].
- Conservez le résultat proposé et la décision humaine dans les preuves d'audit. Utilisez les signaux de revue pour sélectionner les cas à inspecter.
Une étude de déploiement a recensé 18 établissements ayant activé REDCap AI. À Vanderbilt, 958 projets ont généré des appels pour la rédaction, le résumé et la traduction [10]. Ces flux de travail fournissent des exemples d'utilisation sous contrôles d'administrateur. Évaluez les fonctions cliniques séparément.
1. Ce qui est contraignant, ce qui oriente et ce qui reste à l'état de projet (à fin 2026)
Commencez par identifier l'autorité, la version et l'utilisation prévue pertinentes pour la fonction. Le tableau 01 distingue les règles contraignantes, les lignes directrices adoptées et les projets. Les contrôles proposés par EClinCloud commencent à la section 3.
1.1 États-Unis : cinq référentiels réglementaires et lignes directrices
Les promoteurs menant des essais cliniques dans le cadre des réglementations IND (Investigational New Drug) ou IDE (Investigational Device Exemption) interagissent avec cinq volets distincts de la FDA régissant les systèmes logiciels, l'intelligence artificielle et les enregistrements électroniques :
- Projet de ligne directrice de la FDA sur l'IA pour les médicaments et produits biologiques. La FDA a publié le projet de texte de janvier 2025 pour consultation. La section II couvre l'IA utilisée pour produire des informations ou des données destinées à étayer les décisions réglementaires relatives à la sécurité, à l'efficacité ou à la qualité des médicaments. Elle exclut les gains d'efficacité opérationnelle qui n'ont pas d'incidence sur la sécurité des patients, la qualité des médicaments ou la fiabilité des résultats d'une étude non clinique ou clinique. Ses sept étapes sont les suivantes : définir la question, définir le contexte d'utilisation, évaluer le risque du modèle, planifier les preuves de crédibilité, exécuter le plan, documenter les résultats et les écarts, et déterminer l'adéquation au contexte. L'influence du modèle et la conséquence de la décision sont les deux facteurs de l'étape 3. Recourez, le cas échéant, à des réunions formelles telles que INTERACT ou Pre-IND, ou à une option du tableau 1 telle que C3TI [1].
- Principes directeurs transatlantiques de bonnes pratiques en matière d'IA (principes conjoints non contraignants) : En janvier 2026, la FDA et l'Agence européenne des médicaments (EMA) ont publié 10 principes directeurs conjoints pour l'IA dans le développement de médicaments [11]. Les intitulés officiels sont les suivants : (1) Conception centrée sur l'humain ; (2) Approche fondée sur le risque ; (3) Respect des normes ; (4) Contexte d'utilisation clair ; (5) Expertise multidisciplinaire ; (6) Gouvernance des données et documentation ; (7) Pratiques de conception et de développement des modèles ; (8) Évaluation des performances fondée sur le risque ; (9) Gestion du cycle de vie ; et (10) Informations claires et essentielles [11]. Ces principes constituent des recommandations consensuelles non contraignantes destinées à éclairer l'adoption par les promoteurs et la réflexion réglementaire, plutôt que des obligations légales autonomes.
- Lignes directrices finales sur les systèmes électroniques, les technologies de santé numérique (DHT) et la CSA (recommandations non contraignantes interprétant les règles contraignantes du 21 CFR) : Les lignes directrices de l'agence indiquent explicitement qu'elles reflètent la position actuelle de la FDA et formulent des recommandations non contraignantes, sauf lorsque des dispositions législatives ou réglementaires spécifiques sont citées. Dans sa ligne directrice finale d'octobre 2024, Electronic Systems, Electronic Records, and Electronic Signatures in Clinical Investigations: Questions and Answers (révision 1) [12], la FDA interprète les exigences contraignantes du 21 CFR Part 11 (dossiers électroniques ; signatures électroniques) et du 21 CFR Part 312 (demande de nouveau médicament expérimental). Les principales recommandations incluent la génération de copies certifiées vérifiées conservant les mêmes informations, le même contexte, le même contenu et la même structure que les dossiers originaux (Q3), la conservation des dossiers dans des formats lisibles par l'homme avec les métadonnées essentielles (Q5), la mise en œuvre d'une validation fondée sur le risque pour les finalités prévues (Q7), le maintien de pistes d'audit sécurisées, générées par ordinateur et horodatées, enregistrant les actions des utilisateurs sans écraser les entrées antérieures (Q12), l'enregistrement des actions délibérées des utilisateurs telles que la sauvegarde ou la soumission de données plutôt que des frappes clavier en arrière-plan (Q13), ainsi que la mise en place de contrôles sécurisés de l'horloge système documentant la date, l'heure et le fuseau horaire ou l'heure moyenne de Greenwich (GMT) (Q14) [12]. Parallèlement, la ligne directrice finale de la FDA de décembre 2023, Digital Health Technologies for Remote Data Acquisition in Clinical Investigations, recommande d'identifier les spécifications techniques et de performance minimales d'une DHT ainsi que le modèle ou la version spécifique le cas échéant (section IV.A.2). Elle recommande également d'enregistrer quand et comment chaque DHT a été mise à jour et de confirmer qu'elle reste adaptée à son usage après la mise à jour (section IV.H.4) [13]. En outre, le 3 février 2026, la FDA a republié sa ligne directrice finale, Computer Software Assurance for Production and Quality Management System Software (dossier FDA-2022-D-0795), alignant la terminologie de validation sur le Quality Management System Regulation (QMSR, 21 CFR Part 820, en vigueur à compter du 2 février 2026) [14]. Bien que la partie 820 lie directement les fabricants de dispositifs médicaux plutôt que les promoteurs d'essais pharmaceutiques en tant que tels, la distinction opérée par la ligne directrice CSA entre tests scriptés et tests non scriptés (y compris les tests exploratoires) fournit un cadre de test souple et fondé sur le risque que les promoteurs peuvent adapter pour la qualification des logiciels eClinical [14].
- Règles relatives aux logiciels dispositifs médicaux expérimentaux vs plans de contrôle des modifications post-commercialisation : Lorsque des fonctions logicielles répondent à la définition d'un dispositif en vertu de la section 201(h) du Federal Food, Drug, and Cosmetic Act (FD&C Act), leur utilisation expérimentale dans les essais cliniques est régie par le 21 CFR Part 812 (exemptions pour dispositifs expérimentaux, IDE) [13]. Pour les investigations menées dans le cadre d'une demande d'IDE approuvée, les modifications du protocole et du logiciel mises en œuvre pendant l'étude active doivent être évaluées au titre du 21 CFR 812.35 afin de déterminer si une soumission d'IDE supplémentaire est requise avant la mise en œuvre, tandis que les études menées selon les exigences abrégées (812.2(b)) ou les investigations exemptées (812.2(c)) suivent leurs voies réglementaires respectives. En revanche, la ligne directrice finale republiée par la FDA le 18 août 2025, Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions (dossier FDA-2022-D-2628), constitue une voie facultative de soumission à la commercialisation pour les dispositifs autorisés sur le plan commercial et évalués selon les procédures 510(k), De Novo ou Premarket Approval (PMA) [15]. Un plan prédéterminé de contrôle des modifications (Predetermined Change Control Plan, PCCP) permet à un fabricant de spécifier à l'avance les modifications post-commercialisation d'un modèle selon trois composantes : une description des modifications (Description of Modifications), un protocole de modification (Modification Protocol) et une évaluation d'impact (Impact Assessment) [15]. Un PCCP ne constitue pas un mécanisme d'autorisation pour des modifications d'algorithme en cours d'étude lors d'un essai expérimental de médicament ou de dispositif, et son document d'accompagnement, Artificial Intelligence-Enabled Device Software Functions: Lifecycle Management and Marketing Submission Recommendations (dossier FDA-2024-D-4488, publié le 7 janvier 2025), demeure un projet de ligne directrice — non destiné à être mis en œuvre (Draft Guidance — Not for Implementation) [16].
- Ligne directrice finale de la FDA sur l'ICH E6(R3) (ligne directrice non contraignante de niveau 1) : En septembre 2025, la FDA a publié E6(R3) Good Clinical Practice (GCP) en tant que ligne directrice finale de niveau 1 sous le dossier FDA-2023-D-1955 [4]. Aux États-Unis, les lignes directrices de l'ICH adoptées par la FDA constituent des recommandations non contraignantes de l'agence plutôt que des lois fédérales directes. Les promoteurs soumettant des données d'essai au CDER ou au CBER dans le cadre d'une IND peuvent se référer aux concepts de la ligne directrice E6(R3) comme reflétant les attentes de l'agence, et les obligations contraignantes découlent des réglementations applicables. La ligne directrice de septembre 2025 est antérieure à l'annexe 2 finale de l'ICH. La page consacrée à l'annexe 2 sur le site de la FDA présentait toujours sa version comme un projet lors de sa consultation le 13 novembre 2026 [17].
1.2 Cadres de l'ICH E6(R3), de l'Union européenne, du Royaume-Uni et de la Chine
Les cadres réglementaires internationaux établissent une distinction entre les règlements régionaux directement contraignants, les lignes directrices consensuelles adoptées, les documents de réflexion des agences et les décrets nationaux :
- Ligne directrice consolidée ICH E6(R3) (étape 4 adoptée le 16 juin 2026) : Le Conseil international pour l'harmonisation (ICH) a consolidé la ligne directrice E6(R3) à l'étape 4 le 16 juin 2026, réunissant les Principes généraux, l'Annexe 1 (essais cliniques interventionnels, finalisée le 6 janvier 2025) et l'Annexe 2 (considérations supplémentaires pour les conceptions d'essais non traditionnelles, les essais décentralisés et les sources de données en vie réelle, adoptée le 3 juin 2026) [2]. Selon les procédures de fonctionnement de l'ICH, l'adoption des lignes directrices de l'étape 4 est recommandée aux autorités réglementaires régionales plutôt que de constituer un droit international directement contraignant. Dans l'Union européenne, le Comité des médicaments à usage humain (CHMP) de l'EMA a adopté les Principes et l'Annexe 1 avec une date d'entrée en application fixée au 23 juillet 2025, tandis que l'Annexe 2 et le texte consolidé portent une date d'entrée en vigueur officielle au 15 janvier 2027 [3]. Dans les juridictions où elle est mise en œuvre, la section 4.2.2 indique que les systèmes informatisés doivent tenir des pistes d'audit enregistrant les interactions entre le système et les utilisateurs ainsi que les modifications des flux de travail avec une date et une heure non ambiguës (en donnant le temps universel coordonné, UTC, comme exemple) ; la section 4.2.3 indique que les promoteurs doivent effectuer des revues fondées sur les risques des données et des métadonnées, y compris des pistes d'audit ; et la section 4.3.4 indique que la validation des systèmes informatisés doit être proportionnée aux risques et couvrir la configuration du système, son intégration et ses évolutions dans le temps [2].
- Règlement européen relatif aux essais cliniques et lignes directrices de l'EMA : Dans l'UE, les essais cliniques de médicaments sont régis par le règlement (UE) n° 536/2014 (règlement relatif aux essais cliniques, CTR) [18]. Le CTR est devenu applicable le 31 janvier 2022. L'article 47 impose au promoteur et à l'investigateur de tenir dûment compte des lignes directrices de l'ICH relatives aux bonnes pratiques cliniques lors de l'élaboration du protocole ainsi que lors de l'application du règlement et du protocole [18]. L'article 98 prévoyait un traitement transitoire pour les essais relevant de la directive précédente. Lors de l'inspection d'un essai historique, déterminez le régime applicable à partir de son historique d'autorisation et de transition [18]. Les attentes opérationnelles concernant les systèmes informatisés sont énoncées dans la ligne directrice du groupe de travail des inspecteurs GCP de l'EMA, Guideline on computerised systems and electronic data in clinical trials (EMA/INS/GCP/112288/2023, entrée en vigueur six mois après sa publication en mars 2023) [19]. Son champ d'application couvre l'IA utilisée pour le recrutement des participants, l'éligibilité, le codage, la clarification des données, les processus de requêtes et l'adjudication des événements. Les attentes générales s'appliquent à ces utilisations. La ligne directrice réserve les exigences spécifiques à l'IA à une éventuelle annexe future [19]. Cette ligne directrice recommande une qualification formelle des fournisseurs, une séparation claire des rôles entre le personnel administratif et les utilisateurs de l'essai, ainsi qu'une exportabilité chronologique complète des journaux d'audit [19]. En septembre 2024, l'EMA a adopté son document non contraignant Reflection paper on the use of artificial intelligence (AI) in the medicinal product lifecycle (EMA/CHMP/CVMP/83833/2023) [9]. La section 2.3.3.1 précise que lorsqu'une méthode présente un impact réglementaire élevé ou un risque élevé pour les patients et que l'EMA ne l'a pas encore qualifiée pour ce contexte, l'EMA peut demander l'architecture du modèle, les dossiers de développement et de test, les données d'entraînement et le pipeline de traitement. La section 2.3.3.3 porte sur l'IA utilisée dans l'analyse et l'inférence des données d'essais, y compris les contrôles pour les essais pivots de phase tardive [9]. En parallèle, la consultation publique de la Commission européenne sur la révision du volume 4 d'EudraLex, chapitre 4, annexe 11 (Systèmes informatisés), et du projet d'annexe 22 (Intelligence artificielle) s'est clôturée en octobre 2025 [20]. Lors de la vérification effectuée le 13 novembre 2026, le volume 4 d'EudraLex publié par la Commission mentionnait toujours le chapitre 4 et l'annexe 11 de 2011 et ne contenait aucune annexe 22. Les textes révisés demeuraient des projets relatifs aux BPF. Les opérations d'essais cliniques sont régies séparément par les exigences GCP applicables.
- Bac à sable AI Airlock de la MHRA (Royaume-Uni) : La MHRA britannique, soutenue par le Department of Health and Social Care (DHSC) et le Regulatory Innovation Office (RIO), a publié son rapport AI Airlock Sandbox Phase 2 Programme Report en juin 2026 (mis à jour en juillet 2026) [21]. L'Airlock est un bac à sable réglementaire destiné aux dispositifs médicaux d'IA. Son rapport n'établit aucune exigence GCP pour les logiciels d'essais. Le bac à sable de la phase 2 a évalué 51 candidatures, sélectionnant sept projets pilotes candidats (trois testés dans le cadre de parcours multi-environnements et quatre évalués uniquement lors d'ateliers de simulation) [21]. Le rapport définit trois environnements d'évaluation distincts : les environnements de simulation (ateliers multidisciplinaires réunissant les parties prenantes afin de soumettre des scénarios de risque hypothétiques à des tests de résistance), les environnements virtuels ou de recherche (test d'algorithmes au sein d'environnements de données rétrospectives sécurisés et isolés) et les environnements en conditions réelles (déploiement distinct des parcours cliniques et des processus décisionnels, utilisant des données rétrospectives ou synthétiques, ce qui ne constitue pas une investigation clinique) [21]. Le rapport a mis en évidence deux enseignements clés relatifs au cycle de vie : l'enseignement 2 a observé que la supervision humaine peut se dégrader au cours du cycle de vie d'un système à mesure que les cliniciens développent une complaisance envers l'automatisation, tandis que l'enseignement 3 a souligné que, pour les produits reposant sur de grands modèles de langage (LLM), des changements significatifs de comportement peuvent survenir du seul fait du comportement du modèle, de sorte que les systèmes dépourvus de garde-fous actifs peuvent présenter des fonctions dépassant leur usage prévu [21]. La MHRA a lancé la phase 3 en octobre 2026 (qui se déroule jusqu'en avril 2029) afin de se concentrer spécifiquement sur la surveillance après commercialisation et la supervision réglementaire tout au long du cycle de vie [22].
- GCP révisées pour les médicaments de la NMPA et ligne directrice technique du CDE (Chine) : Les essais multirégionaux menés en Chine doivent se conformer à la réglementation nationale directement contraignante prévue par l'annonce 2026 n° 50 de la NMPA, Good Clinical Practice for Drugs (2026 Revision), publiée conjointement par la NMPA, la Commission nationale de la santé (NHC), l'Administration nationale de la médecine traditionnelle chinoise (NATCM) et l'Administration nationale de contrôle et de prévention des maladies (NDCPA) le 21 mai 2026, et entrant en vigueur le 1 septembre 2026 [5]. L'annonce n° 50 abroge l'annonce n° 57 de 2020 [5]. Le CDE chinois a publié la ligne directrice Guideline on Computerized Systems and Electronic Data in Drug Clinical Trials par l'avis 2026 n° 44 le 22 septembre 2026, avec prise d'effet dès sa publication [6]. Cette ligne directrice expose la position actuelle du régulateur et précise qu'elle n'a pas de force juridique obligatoire. Elle couvre la localisation des données sources et leur saisie directe, le contrôle d'accès basé sur les rôles avec des utilisateurs privilégiés indépendants de la conduite de l'essai, les pistes d'audit générées par ordinateur et horodatées comportant une liste minimale de champs, les contrats avec les fournisseurs et la qualification des fournisseurs de cloud, y compris l'acceptation d'audits ou d'inspections. La ligne directrice indique également dans quels cas une donnée peut être configurée en remplissage automatique [6]. Voir la section 5.1 de ce guide.
- ISPE GAMP 5 deuxième édition et guide GAMP sur l'IA : Dans le domaine de l'ingénierie et de la validation, l'International Society for Pharmaceutical Engineering (ISPE) a publié le GAMP Guide: Artificial Intelligence en juillet 2025 en tant que guide autonome destiné à être utilisé conjointement avec GAMP 5: A Risk-Based Approach to Compliant GxP Computerized Systems (Second Edition) [23]. La table des matières publiée couvre les phases de concept, de projet, d'exploitation et de retrait, la gestion des risques liés à la qualité, les activités et la gestion des fournisseurs, la pensée critique, le découpage des données, la gestion des changements opérationnels et de la configuration, ainsi que la surveillance des modèles et la détection de la dérive [23].
Matrice mondiale 2026 du statut réglementaire de l’IA/ML dans les systèmes d’essais cliniques
Règlements contraignants, lignes directrices adoptées et projets de textes pour les États-Unis, l’UE et la Chine, ainsi que les conclusions du bac à sable britannique sur les dispositifs médicaux d’IA.
Faites défiler horizontalement pour afficher la figure complète.
| Juridiction / Organisme | Instrument réglementaire et statut officiel | Date d’entrée en vigueur / d’application | Impact opérationnel sur la qualification des logiciels d’essai |
|---|---|---|---|
| États-Unis (FDA) | L’IA dans la prise de décision relative aux médicaments (dossier FDA-2024-D-4689) — Projet de ligne directrice (non destiné à la mise en œuvre) | Publié le 6 janv. 2025 ; clôture des commentaires le 7 avr. 2025 | Le champ d’application du projet de la FDA est défini à la section II. Les réunions formelles incluent INTERACT ou Pre-IND. Le tableau 1 présente d’autres voies d’échange telles que C3TI. |
| États-Unis (FDA) | ICH E6(R3) Bonnes pratiques cliniques (dossier FDA-2023-D-1955) — Ligne directrice finale de niveau 1 | Publiée en septembre 2025 | La ligne directrice finale de septembre 2025 est antérieure à l’annexe 2 finale de l’ICH. La FDA répertoriait toujours son annexe 2 distincte comme projet au 13 novembre 2026. |
| États-Unis (FDA) | Systèmes et signatures électroniques — Questions-réponses, rév. 1 — Ligne directrice finale (recommandations non contraignantes) | Octobre 2024 | Interprète le règlement contraignant 21 CFR Part 11 ; définitions de la copie certifiée (Q3), capture de la piste d'audit (Q12) et contrôles de fuseau horaire ou d'horloge GMT (Q14). |
| États-Unis (FDA) | Assurance des logiciels informatiques (CSA, dossier FDA-2022-D-0795) — Ligne directrice finale (non contraignante) | Rééditée le 3 février 2026 | S’aligne sur le QMSR (21 CFR Part 820) ; distingue les tests scriptés des tests non scriptés (y compris les tests exploratoires) ; adaptable aux outils eClinical. |
| États-Unis (FDA) | PCCP pour les logiciels de dispositifs d’IA (dossier FDA-2022-D-2628) — Ligne directrice finale (non contraignante) | Rééditée le 18 août 2025 | Voie facultative de soumission post-commercialisation pour les dispositifs commercialisés ; n’autorise pas les modifications d’algorithmes en cours d’essai dans les études expérimentales sous IND/IDE. |
| États-Unis et UE (FDA / EMA) | Principes directeurs de bonnes pratiques de l’IA dans le développement de médicaments — 10 principes conjoints (non contraignants) | Janvier 2026 | Dix principes généraux portant sur la conception centrée sur l’humain, le respect des normes, la gestion du cycle de vie, l’évaluation des risques et la gouvernance des données. |
| ICH | Ligne directrice ICH E6(R3) relative aux bonnes pratiques cliniques — Ligne directrice consolidée finale de l’étape 4 | Version consolidée de l’étape 4 adoptée le 16 juin 2026 | L’ICH recommande une date et une heure non ambiguës, avec le format UTC en exemple, une revue des métadonnées et une validation proportionnée aux risques. |
| Union européenne (EMA) | Mise en œuvre régionale de l’ICH E6(R3) — Ligne directrice scientifique du CHMP de l’EMA | Principes et annexe 1 : 23 juillet 2025 ; annexe 2 et version consolidée : 15 janvier 2027 | Ligne directrice régionale adoptée dans l’UE ; établit l’attente réglementaire pour les systèmes informatisés GCP et la gouvernance de la piste d’audit fondée sur les risques. |
| Union européenne | Règlement (UE) n° 536/2014 relatif aux essais cliniques — Règlement de l’Union européenne directement contraignant | Applicable à compter du 31 janvier 2022, avec les dispositions transitoires de l’article 98 | S’applique aux essais autorisés au titre du règlement. Pour les essais plus anciens, déterminer le régime applicable à partir de l’historique d’autorisation et de transition. L’article 47 exige de tenir dûment compte des lignes directrices ICH GCP. |
| Union européenne (EMA) | Systèmes informatisés dans les essais cliniques (EMA/INS/GCP/112288/2023) — Ligne directrice du GCP IWG | Entrée en vigueur le 9 septembre 2023 | Les attentes générales couvrent l’IA pour le recrutement, l’éligibilité, le codage, la clarification des données, les queries et l’adjudication des événements. L’EMA a réservé les exigences propres à l’IA à une éventuelle annexe future. |
| Union européenne (EMA) | Document de réflexion sur l’IA (EMA/CHMP/CVMP/83833/2023) — Document de réflexion non contraignant | Adopté en septembre 2024 | Section 2.3.3.3 : l’EMA attend que les modèles et le prétraitement utilisés pour les tests d’hypothèses soient figés et documentés avant le verrouillage de la base de données. |
| Union européenne | Règlement européen sur l'IA (2024/1689) et Digital Omnibus (2026/1744) — Règlements de l'UE directement contraignants | AI Act en vigueur le 1er août 2024. Omnibus en vigueur le 27 juillet 2026. L'article 50(1) s'applique le 2 août 2026. | Divulgation prévue à l'article 50(1) le cas échéant. Les sections 1 à 3 du chapitre III, à l'exception de l'article 6(5), s'appliquent aux systèmes à haut risque relevant de l'annexe III à compter du 2 décembre 2027 et aux systèmes à haut risque relevant de l'annexe I à compter du 2 août 2028. |
| Royaume-Uni (MHRA) | AI Airlock — bac à sable réglementaire pour les dispositifs médicaux intégrant l'IA | Rapport de la phase 2 en juin/juillet 2026 ; phase 3 lancée en oct. 2026 | La phase 2 a sélectionné 7 candidats parmi 51 candidatures. Le rapport aborde la complaisance envers l'automatisation et ne fixe aucune exigence GCP pour les logiciels d'essais. |
| Chine (NMPA / NHC / NATCM / NDCPA) | Bonnes pratiques cliniques des médicaments (révision 2026, annonce 2026 n° 50) — Annonce (GCP nationales contraignantes) | Publié le 21 mai 2026 ; en vigueur le 1er septembre 2026 | Publie les Bonnes pratiques cliniques des médicaments révisées et abroge l'annonce de 2020. |
| Chine (CDE) | Ligne directrice sur les systèmes informatisés et les données électroniques dans les essais cliniques de médicaments (Avis du CDE 2026 n° 44). Cette ligne directrice précise qu'elle n'a pas de force juridique obligatoire. | Publiée et entrée en vigueur le 22 septembre 2026 | Capture directe à la source, séparation des rôles et indépendance des utilisateurs privilégiés, pistes d'audit horodatées, contrats et qualifications des fournisseurs, et limites relatives au remplissage automatique. |
Les règlements contraignants définissent des obligations légales. Le règlement européen sur les essais cliniques exige également de tenir dûment compte des lignes directrices ICH GCP. Le rapport britannique AI Airlock décrit un bac à sable.
2. Évaluations publiées, 2025–2026
Les études comprennent un déploiement de REDCap, une expérimentation rétrospective sur des tickets d'assistance, un modèle de risque des centres investigateurs avec validation externe, une étude de validation linguistique combinant revue, enquête et entretiens, ainsi que deux revues de l'utilisation clinique et des dossiers réglementaires.
Shyr et ses collègues ont étudié le déploiement de janvier à août 2025 de REDCap 15.0 AI. Les administrateurs de 18 établissements ont activé les fonctionnalités désactivées par défaut. Sur 958 projets de Vanderbilt, ces fonctionnalités ont généré 2,801 appels de rédaction, 2,720 appels de synthèse et 200 appels de traduction. L'article rapporte l'adoption et le nombre d'appels. L'exactitude des sorties et l'efficacité ne faisaient pas partie de son évaluation [10].
Carroll et ses collègues ont évalué des grands modèles de langage dans la gestion des demandes d'assistance des utilisateurs à l'Université du Michigan [24]. En analysant un échantillon de 90 tickets d'assistance tirés de 6,316 demandes historiques soumises en 2023, les chercheurs ont comparé quatre configurations de GPT-4o : GPT-4o par défaut, GPT-4o complété par la documentation de Vanderbilt, GPT-4o avec la documentation de l'Université du Michigan, et GPT-4o avec la documentation combinée [24]. Le modèle a démontré une forte concordance avec la catégorisation par des experts humains, atteignant des valeurs de kappa de Cohen d'environ 0.85 et une exactitude de catégorisation comprise entre 81 % et 89 % [24]. Toutefois, dans la tâche d'évaluation de la complexité des tickets, les configurations avec recherche documentaire ont surestimé la complexité des tickets ; pour la génération d'ébauches de réponses, la configuration avec la documentation de l'Université du Michigan a produit le plus de réponses exactes, générant des réponses substantiellement ou entièrement exactes pour environ deux tiers des tickets courants de complexité faible à modérée [24]. Les auteurs ont conclu que les LLM sont véritablement prometteurs pour le triage automatisé de l'assistance lorsqu'ils s'appuient sur une supervision humaine continue, un affinement des prompts et une documentation locale élargie [24].
Yang a développé un modèle de qualification des centres investigateurs à partir de 460 centres investigateurs issus de 42 études sur l'ATTR-CM et a utilisé 761 centres investigateurs issus de 89 études sur la DMD pour la validation externe. Une machine à vecteurs de support a obtenu les meilleures performances dans le cadre du développement. L'étude a vérifié des sous-groupes par région géographique et par type de centre, et a rapporté une exactitude de 81.21 % lors de l'évaluation externe. Ses variables relatives à la DMD utilisaient des variables de substitution (proxies). L'étude ne disposait pas de résultats de monitoring de référence et n'a pas évalué en déploiement les effets opérationnels projetés [25]. EClinCloud recommande de tester un classement proposé au regard des résultats réels de monitoring avant de l'utiliser pour répartir les efforts.
McKown et ses collègues ont combiné une revue de la littérature, des entretiens avec des spécialistes de l'IA et une enquête auprès de 50 parties prenantes. Les répondants comprenaient des détenteurs de droits d'auteur sur les instruments, des chercheurs de l'industrie pharmaceutique spécialisés en COA ou en recherche sur les résultats, des professionnels de la traduction, de l'eCOA et de l'IA, ainsi que des auteurs des travaux antérieurs de l'ISPOR. Leurs recommandations mettent en balance les capacités techniques et l'efficience avec la protection de la propriété intellectuelle, la confidentialité et la sécurité des données, ainsi que l'implication des patients. Ils soutiennent le recours à l'IA sous supervision humaine pour la plupart des étapes de validation linguistique et recommandent d'exclure l'IA de la réconciliation, de la revue par les cliniciens et de la conduite des entretiens de débriefing cognitif. Ils recommandent une revue humaine à chaque étape [26]. La revue de Karako et Gao rapporte des preuves d'équivalence avec des lecteurs experts pour la mesure automatisée de la fraction d'éjection ventriculaire gauche. Ils identifient la généralisation entre fournisseurs, l'équité entre sous-groupes et les modifications d'algorithme en cours d'essai comme des défis ouverts [27].
Thierry et ses collègues ont examiné 60 approbations liées aux technologies de santé numérique entre septembre 2021 et mars 2025. Les outils électroniques de résultats rapportés par les patients représentaient 70 % des outils de santé numérique étudiés. Les auteurs n'ont relevé aucune approbation reposant uniquement sur un critère d'évaluation principal issu d'une technologie de santé numérique [28].
3. Classer chaque fonction selon son contexte d'utilisation
Évaluez la fonction dans son flux de travail réel. Un analyseur dédié à la configuration d'étude, un assistant destiné aux participants et un outil calculant un critère d'évaluation nécessitent chacun un plan de test différent. Le projet de ligne directrice de la FDA sur l'IA, la section 4.3.4 de l'ICH E6(R3) et les principes CSA fondés sur les risques éclairent l'évaluation proposée [1] [2] [14].
3.1 Le filtrage en trois questions
Le projet de ligne directrice de la FDA (FDA-2024-D-4689) conceptualise le risque selon deux dimensions fondamentales : Influence du modèle et Conséquence de la décision [1]. Dans notre cadre opérationnel adaptant ces concepts, nous définissons trois niveaux pour chaque facteur :
- Influence du modèle :
- Influence faible : L'IA fournit une assistance purement préparatoire, informationnelle ou de rédaction, soumise à une revue et une vérification humaines complètes et indépendantes avant toute action.
- Influence moyenne : L'IA génère des projets structurés de configurations, des classifications ou des signalements opérationnels qui orientent ou hiérarchisent directement la revue humaine, les réviseurs humains vérifiant les résultats par rapport à des critères objectifs établis.
- Influence élevée : La décision dépend substantiellement de la sortie du modèle, avec une vérification indépendante limitée de cette sortie avant son utilisation. Évaluez la dépendance séparément du préjudice ou de la perturbation qu'une erreur pourrait causer.
- Conséquence de la décision :
- Conséquence faible : Inefficience opérationnelle ou administrative mineure ; aucun impact sur la sécurité ou les droits des participants, le respect du protocole ou l'intégrité des données probantes de l'essai clinique.
- Conséquence moyenne : Distorsions potentielles dans l'allocation des ressources opérationnelles, documentation GCP non critique ou retard dans la résolution des queries, facilement détectés et corrigés lors de la gestion courante des données.
- Conséquence élevée : Menaces directes pour la sécurité des participants, levée de l'insu des traitements randomisés, compromission des critères d'évaluation d'efficacité principaux ou secondaires clés, ou biais systématique dans les soumissions réglementaires.
Appliquez le filtrage en trois questions à chaque fonctionnalité d'IA examinée.
| Question de filtrage | Critères d'évaluation | Détermination résultante |
|---|---|---|
| Question 1 : Écritures non confirmées | La fonction peut-elle écrire dans un dossier d'essai réglementé sans décision humaine authentifiée et attribuable ? | Une fonction avec écritures non confirmées n'est éligible que dans le cadre de l'autorisation de Niveau 4 ci-dessous. Pour une fonction sans écritures non confirmées, passez à la Question 2. |
| Question 2 : Proximité avec les participants et les décisions | Que fait la fonction dans le flux de travail prévu ? | 2A : Attribuez le Niveau 4 si la fonction détermine une valeur de critère d'évaluation, un grade de sévérité, une dose ou une éligibilité sans décision humaine indépendante. Orientez le signalement consultatif vers la Question 3. 2B : Appliquez les garanties de Niveau 1 limitées à la navigation à l'aide technique destinée aux participants. Orientez les autres fonctions destinées aux participants vers la branche décisionnelle ou de qualité des données applicable et évaluez séparément les protections des participants. 2C : Attribuez le Niveau 3 aux contrôles consultatifs de qualité des données sources des participants. 2D : Pour les autres utilisations, passez à la Question 3. |
| Question 3 : Influence du modèle et conséquence de la décision | Évaluez les deux à l'aide des définitions ci-dessus. | Lisez le niveau résultant dans la matrice de correspondance. |
Pour la question 1, le §6.1.4 de l'EMA attend une autorisation de l'investigateur pour toute modification par le promoteur des données saisies par les investigateurs ou les participants, qu'elle soit automatique ou manuelle [19]. Dans le cadre de l'exception proposée de niveau 4, spécifiez la fonction et les contrôles dans le protocole approuvé ou le plan de gestion des données, obtenez l'approbation écrite de l'assurance qualité du promoteur et l'autorisation de l'investigateur pour les modifications apportées aux données saisies par l'investigateur ou le participant, et obtenez toute autorisation réglementaire applicable pour l'utilisation prévue. Appliquez d'abord les questions 1 et 2. Lorsque l'une ou l'autre attribue un niveau ou suspend la fonction, cette décision prévaut. Seules les fonctions restantes utilisent la matrice de la question 3.
| Influence du modèle \ Conséquence de la décision | Conséquence faible | Conséquence moyenne | Conséquence élevée |
|---|---|---|---|
| Influence faible | Niveau 1 (Assistance informationnelle) | Niveau 2 (Projet de configuration) | Niveau 2 (Génération de projets de documents) |
| Influence moyenne | Niveau 1 (Hiérarchisation des flux de travail) | Niveau 2 (Paramétrage opérationnel) | Niveau 3 (Extraction et surveillance RBQM) |
| Influence élevée | Niveau 2 (Orientation de demandes de formation internes non critiques hors des dossiers de l'essai) | Niveau 3 (Hiérarchisation d'une file de revue opérationnelle non critique principalement sur la base d'un score du modèle) | Niveau 4 (Dépendance élevée et conséquence élevée après les questions 1 et 2) |
Filtrage en trois questions des fonctions d'IA pour essais cliniques
Commencez par déterminer si l'outil peut écrire ou décider de manière indépendante. Pour les fonctions consultatives, utilisez la matrice d'influence et de conséquence.
Faites défiler horizontalement pour afficher la figure complète.
| Flux de travail | Voie décisionnelle | Ensemble de contrôles |
|---|---|---|
| Écriture indépendante | Rejeter, sauf si la fonction est expressément qualifiée et autorisée au titre du Niveau 4 | Niveau 4 si autorisé |
| Détermination indépendante du critère d'évaluation, de la sévérité, de la dose ou de l'éligibilité | Utiliser la branche 2A | Niveau 4 |
| Navigation technique pour les participants | Branche 2B hors matrice. Appliquer le schéma 1 et les garanties pour les participants. | Niveau 1 avec garanties de navigation |
| Cas A : file d'attente de suggestions de codage | Question 3 : influence moyenne, conséquence élevée | Niveau 3 |
| Cas B : ébauches de narratifs de CSR vérifiées de manière indépendante | Question 3 : influence faible, conséquence élevée | Niveau 2 |
| Signalements consultatifs de présélection pour une éligibilité possible | Question 3 : influence moyenne, conséquence élevée | Niveau 3 |
| Ébauche de query complétant les contrôles de cohérence programmés | Question 3 : influence moyenne, conséquence moyenne | Niveau 2 |
3.2 Quatre niveaux de qualification opérationnelle
En synthétisant le risque de modèle à deux facteurs de la FDA, les attentes de validation de la section 4.3.4 de la directive ICH E6(R3) et les principes du GAMP 5, EClinCloud recommande de structurer la gouvernance de l'IA eClinique en quatre niveaux opérationnels. Chaque niveau définit des postures de test et des limites réglementaires spécifiques :
Niveau 1 : Assistance informative et administrative
- Champ d'application : Cellule type de la matrice : faible influence, faible conséquence. Assistance aux flux de travail destinée au personnel (par exemple, agents conversationnels de navigation logicielle répondant aux questions pratiques sur les interfaces EDC), relecture de rapports de monitoring dans le système de gestion des essais cliniques (CTMS) et rédaction de correspondance administrative.
- Mesures de protection pour la navigation destinée aux participants. Pour les assistants de navigation destinés aux participants, appliquez la branche 2B en dehors de la matrice. Verrouillez le modèle, les prompts et les sources de récupération selon le schéma 1 (section 4.2). Limitez l'assistant à la navigation technique. Testez le refus dans toutes les langues de l'étude avant la mise en production et après toute modification des prompts. Concevez l'assistant pour qu'il refuse les avis médicaux, les questions de posologie et l'interprétation des items des instruments. Utilisez une réponse fixe orientant les préoccupations de santé vers le personnel du centre investigateur ou les services d'urgence selon le cas, transmettez l'échange signalé au personnel du centre investigateur et planifiez une revue périodique des journaux par le personnel du centre investigateur ou de pharmacovigilance à la recherche d'événements indésirables non déclarés. Les contrôles de refus peuvent laisser passer des réponses hors périmètre, c'est pourquoi la revue des journaux fait partie de l'ensemble des contrôles [21]. Soumettez les documents destinés aux participants à l'examen de l'IRB/IEC applicable. Consultez la section 6.2 pour les mentions relatives au fournisseur.
- Contrôles suggérés : Appliquez des tests CSA non scriptés et exploratoires [14] ; imposez l'absence totale d'accès direct en écriture aux bases de données cliniques ; exécutez des tests de régression après toute mise à jour des SOP ou de la documentation logicielle ; et maintenez des mentions d'avertissement dans l'interface utilisateur précisant que les conseils sont générés par ordinateur.
Niveau 2 : Ébauche de configuration en préproduction et classification opérationnelle
- Périmètre : Cellule type de la matrice : influence moyenne, conséquences moyennes. Analyse de protocoles d'essais cliniques par grand modèle de langage afin de générer des ébauches de calendriers de cahiers d'observation électroniques (eCRF), de matrices de visites et de spécifications de contrôles de cohérence (edit checks) ; paramétrage assisté par IA des paramètres d'approvisionnement RTSM et des configurations de conditionnement ; classification automatisée des documents du dossier permanent de l'essai (Trial Master File) selon des structures normalisées (par exemple, le TMF Reference Model) ; et traduction préliminaire automatisée de documents administratifs de l'étude.
- Contrôles suggérés : Maintenir les outils de configuration en amont de la mise en production. La rédaction d'ébauches en cours d'étude peut également être recevable lorsqu'une revue a lieu avant utilisation. Les configurations générées sont traitées comme des ébauches non vérifiées. Les gestionnaires de données, biostatisticiens, spécialistes TMF et responsables de la randomisation examinent, testent et approuvent de manière indépendante l'ensemble des configurations. Utiliser des tests d'acceptation utilisateur (UAT) scriptés pour les configurations critiques de l'étude avant leur mise en service. La ligne directrice ICH E6(R3), sections 4.3.4(c) et (e), recommande une validation avant utilisation, incluant les fonctionnalités standard, les configurations spécifiques à l'étude et les interfaces [2].
Niveau 3 : Extraction de données réglementées, assurance qualité de la capture et surveillance RBQM
- Champ d'application : Cellule type de la matrice : influence moyenne, conséquence élevée. Reconnaissance optique de caractères (OCR) augmentée par récupération extrayant les valeurs de laboratoire des dossiers hospitaliers vers des ébauches d'eCRF ; contrôles en temps réel de la qualité d'image de la caméra en eCOA (détection du flou, des reflets ou d'angles incorrects dans les journaux photographiques) ; masquage automatisé des informations personnellement identifiables (PII) sur les documents sources numérisés ; et calcul de score de risque au niveau des centres investigateurs par apprentissage automatique et surveillance des limites de tolérance qualité (QTL) au sein des plateformes de gestion de la qualité fondée sur les risques (RBQM) [25][29]. Dans l'exemple du risque au niveau du centre, le score exerce une influence moyenne lorsque le personnel prend la décision finale, et présente une conséquence élevée lorsqu'un signal manqué pourrait retarder une intervention face à un problème grave d'intégrité des données ou de sécurité des participants.
- Contrôles suggérés : Imposez des instantanés de modèle approuvés ou un réétalonnage borné selon le schéma 2 le cas échéant ; exécutez des tests d'acceptation utilisateur (UAT) scriptés à l'aide de suites de tests de référence (« golden benchmarks ») ; mettez en œuvre des architectures de traçabilité des sources reliant les copies de travail caviardées aux dossiers sources sous le contrôle de l'investigateur ; enregistrez des journaux auxiliaires (sidecar) immuables d'inférence et de décision humaine ; et exigez une confirmation humaine authentifiée avant toute écriture. Évaluez la présentation des valeurs proposées au regard de la section 4.7 de l'EMA et des recommandations du CDE sur le remplissage automatique, toutes deux décrites à la section 5.1 de ce guide.
Niveau 4 : Fonctions cliniques soumises au niveau de contrôle le plus élevé
- Portée : Cellule type de la matrice : forte influence, conséquences élevées. Quantification automatisée par vision par ordinateur de critères d'évaluation d'essais cliniques (par exemple, évaluation échocardiographique de la FEVG, mesure radiographique de lésions ou histologie numérique) [27] ; biomarqueurs numériques algorithmiques issus de capteurs portables étayant des allégations d'efficacité principales ou secondaires ; et algorithmes adaptatifs de triage des patients déterminant l'éligibilité à l'essai ou la posologie expérimentale. (Remarque : les flux de travail menés par des humains au sein d'un comité de revue indépendant (IRC) — dans lesquels des spécialistes cliniques examinent des images médicales et enregistrent les évaluations des lecteurs — demeurent des évaluations cliniques humaines plutôt que des outils automatisés de cotation par IA.)
- Positionnement réglementaire et en matière de tests : Le niveau 4 désigne un ensemble de contrôles proposé. Le statut de dispositif médical au titre de la section 201(h) du FD&C Act, du MDR ou de l'IVDR fait l'objet d'une détermination distincte. Aux États-Unis, les fonctions de dispositifs expérimentaux concernées sont régies par le 21 CFR Part 812 (IDE) [13]. Pour les investigations menées dans le cadre d'une IDE approuvée, les modifications en cours d'essai doivent être évaluées au titre du 21 CFR 812.35. Dans l'Union européenne, les investigations cliniques portant sur un logiciel ayant le statut de dispositif médical relèvent des articles 62 à 82 et de l'annexe XV du MDR, et sont généralement conduites selon la norme ISO 14155 [30]. Un logiciel qualifié de dispositif médical de diagnostic in vitro relève des exigences relatives aux études des performances du règlement (UE) 2017/746 (IVDR). Les logiciels d'histologie numérique analysant des échantillons tissulaires peuvent entrer dans cette catégorie, selon leur finalité prévue. Évaluez séparément la classification au titre de l'EU AI Act (voir la section 6.2). L'EMA attend que les modèles pivots de test d'hypothèses et le prétraitement soient figés et documentés avant le gel de la base de données, et soutient la validation clinique prospective dans les contextes à fort impact [9]. EClinCloud suggère également une adjudication indépendante en aveugle lorsque cela est approprié.
Matrice de classification des risques selon le contexte d'utilisation pour les fonctions logicielles d'essais cliniques
L'évaluation des fonctions logicielles d'essai selon l'influence du modèle et la conséquence de la décision permet d'établir des contrôles de qualification proportionnés, des tests exploratoires jusqu'à la validation clinique prospective.
Faites défiler horizontalement pour afficher la figure complète.
| Niveau de qualification | Cellule typique de la matrice ou branche attribuée | Fonctions logicielles représentatives | Cadre réglementaire et portée juridique | Contrôles de test et de gouvernance suggérés |
|---|---|---|---|---|
| Niveau 1 : Assistance informationnelle et administrative | Influence faible, conséquence faible | Agents conversationnels de navigation destinés au personnel ; relecture de rapports de monitoring CTMS ; rédaction administrative. | Lecture d'EClinCloud : l'exclusion prévue dans le projet de la FDA dépend des effets sur la sécurité des patients, la qualité du médicament ou la fiabilité des résultats de l'étude. Obligation du fournisseur au titre de l'article 50(1) lorsque le règlement de l'UE s'applique. | Tests CSA non scriptés et exploratoires ; aucune autorisation d'écriture en base de données ; mentions d'avertissement dans l'interface ; contrôles de non-régression lors des mises à jour des SOP. |
| Niveau 1 (exception destinée aux participants) | Branche 2B hors matrice | Assistants mobiles eCOA pour les patients répondant aux questions relatives à la recharge de l'appareil, à la programmation des alarmes ou à la navigation. | Obligation du fournisseur au titre de l'article 50(1) lorsque le règlement s'applique. | Verrouillage selon le schéma 1. Tester le refus dans toutes les langues de l'étude. Orienter les préoccupations de santé vers le personnel du centre ou les services d'urgence, acheminer les signalements et examiner les journaux. Soumettre les documents applicables à l'examen de l'IRB/CEI. |
| Niveau 2 : Configuration de brouillons en préproduction | Influence moyenne, conséquence moyenne | Brouillons de matrices eCRF/visites, règles RTSM et classification eTMF. Les brouillons de récits de sécurité de CSR vérifiés de manière indépendante relèvent d'une influence faible et d'une conséquence élevée (cas B). | Lecture d'EClinCloud : le champ d'application du projet de la FDA dépend des effets sur la sécurité, la qualité du médicament et la fiabilité des résultats de l'étude. Une revue indépendante éclaire l'évaluation. | L'ICH E6(R3), 4.3.4(c) et (e), recommande une validation avant utilisation. EClinCloud suggère une UAT scriptée et une revue des brouillons. |
| Niveau 3 : Extraction de données réglementées et surveillance | Influence moyenne, conséquence élevée | Extraction OCR de résultats de laboratoire vers des brouillons d'eCRF ; contrôles qualité d'image en temps réel pour l'eCOA ; masquage automatisé des données personnellement identifiables (PII) ; notation des risques des centres en RBQM et suivi des QTL. | La Part 11 s'applique lorsque le système entre dans son champ d'application. La section 4.2.2 de l'ICH E6(R3) recommande des contrôles de piste d'audit. | Appliquez des verrouillages de protocole pour l'extraction ou un réétalonnage borné pour le calcul de score RBQM qualifié. Effectuez des tests à l'aide de cas de référence et conservez les journaux auxiliaires (sidecar). Évaluez la manière dont les valeurs proposées sont présentées au regard de la section 4.7 de l'EMA et des recommandations du CDE sur le remplissage automatique, toutes deux décrites à la section 5.1 de l'article. |
| Niveau 4 : Fonctions cliniques à contrôle maximal | Influence élevée, conséquences importantes | Calcul automatisé de la FEVG par échocardiographie ; quantification radiographique des lésions ; biomarqueurs numériques issus de capteurs portables étayant des allégations d'efficacité principale. | Évaluer séparément le statut de dispositif. Lorsque la fonction répond à la définition de dispositif, appliquer les exigences applicables de la FDA en matière d'investigation ou des règlements européens MDR/IVDR, et évaluer le champ d'application de l'AI Act. | L'EMA attend que les modèles et le prétraitement destinés aux tests d'hypothèses soient figés et documentés avant le verrouillage de la base de données. EClinCloud suggère une adjudication en aveugle lorsque cela est approprié. |
Les niveaux et les contrôles suggérés représentent des recommandations d'EClinCloud ; les classifications juridiques reflètent les cadres réglementaires applicables.
3.3 Exemples détaillés de classification pour des fonctions logicielles courantes des essais cliniques
Pour illustrer comment le filtre en trois questions s'applique aux fonctions courantes des logiciels d'essais cliniques, examinez cinq mises en œuvre représentatives :
Cas A : Suggestions de codage MedDRA dans EDC : Une plateforme EDC intègre un modèle d'embedding qui suggère des termes de plus bas niveau et des termes préférentiels du Medical Dictionary for Regulatory Activities (MedDRA) pour les termes verbatim d'événements indésirables saisis par les coordinateurs de centre investigateur.
Filtrage : La ligne directrice de l'EMA mentionne le codage dans son champ d'application [19]. La validation automatique relève de la règle d'autorisation de la question 1. Dans la file de suggestions, un codeur médical accepte ou remplace activement le code. La branche 2D renvoie à la question 3. L'influence est moyenne car la suggestion oriente la revue. La conséquence est élevée car un codage erroné peut masquer des signaux de sécurité.
Résultat : Niveau 3 (Assistance réglementée à l'extraction de données et au codage). Opérant dans le cadre de la gestion active des données d'un essai clinique, il requiert les contrôles de niveau 3, notamment la validation du dictionnaire sur jeu de référence (golden set), la journalisation des remplacements et la confirmation obligatoire par un codeur médical humain.
Cas B : Génération automatisée des récits de sécurité pour le rapport d'étude clinique (CSR) : Un outil de CDMS ou de rédaction médicale utilise un LLM pour rédiger une ébauche des récits de sécurité des patients à partir des bases de données d'événements indésirables, des listings de laboratoire et des traitements concomitants.
Filtrage : Le résultat reste une ébauche. À la question 3, la conséquence est élevée et l'influence est faible lorsqu'un rédacteur médical vérifie de manière indépendante le contenu par rapport à la source. EClinCloud considère que le test de champ d'application de la section II du projet de la FDA dépend de l'influence réelle sur la sécurité des patients, la qualité du médicament ou la fiabilité des résultats de l'étude. Une vérification indépendante étaye cette évaluation sans déterminer le champ d'application juridique [1].
Résultat : Niveau 2. Validez le flux de travail d'ébauche et consignez la revue par rapport aux listings sources.
Cas C : Assistant de navigation eCOA pour les participants : Un assistant conversationnel intégré à une application mobile eDiary répond aux questions des participants concernant la charge de l'appareil, la programmation des alarmes du journal et la navigation dans l'application.
Filtrage : Question 1 : Privilège d'écriture ? Aucun accès en écriture aux réponses aux questionnaires. Question 2 : Proximité ? Directement orienté vers les participants, ce qui déclenche la branche 2B.
Résultat : Niveau 1 avec garde-fous de navigation. Appliquez le verrouillage du schéma 1 et les mesures de protection des participants de la section 3.2.
Cas D : Outil automatisé de pré-sélection d'éligibilité des patients : Un algorithme de pré-sélection dans les dossiers de santé électroniques (EHR) signale les candidats potentiels à l'essai aux coordinateurs d'étude des centres investigateurs sur la base des critères d'inclusion et d'exclusion du protocole.
Filtrage : La ligne directrice de l'EMA mentionne le recrutement et l'éligibilité [19]. Le personnel du centre investigateur voit un indicateur consultatif et décide de l'éligibilité de manière indépendante. À la question 3, l'influence est moyenne et la conséquence est élevée.
Résultat : Niveau 3. Testez un échantillon de dossiers non signalés ainsi que de dossiers signalés. Un algorithme qui détermine l'éligibilité sans décision humaine indépendante relève de la branche 2A et des contrôles de niveau 4.
Cas E : Assistant automatisé de rédaction d'ébauches de divergences / queries : Un outil de gestion des données analyse les données de l'eCRF par rapport aux règles du protocole et rédige des propositions de queries pour revue par le gestionnaire de données avant l'envoi aux centres investigateurs.
Filtrage : La ligne directrice de l'EMA mentionne les processus de clarification des données et de queries [19]. L'outil complète les contrôles de cohérence (edit checks) programmés. Le gestionnaire de données vérifie les queries proposées avant transmission. Dans cet exemple, il hiérarchise la revue, rendant l'influence moyenne et la conséquence moyenne en cas de résolution différée.
Résultat : Niveau 2. Testez l'exactitude des ébauches et inspectez un échantillon de dossiers non signalés afin de détecter d'éventuelles divergences manquées. Réévaluez la conséquence s'il remplace un contrôle de cohérence établi.
4. Contrôle des versions, gouvernance des changements et garde-fous contre la dérive silencieuse
La validation classique des systèmes informatisés teste une version logicielle, une configuration, un état système et un environnement d'exploitation contrôlés. Les déploiements d'IA peuvent évoluer via les points de contrôle ou les paramètres du fournisseur, les mises à jour des sources de récupération et les variations des entrées rencontrées selon les régions ou les contextes cliniques. Consignez les entrées et les conditions d'exécution que la validation couvre.
4.1 Réalités du déploiement : empreintes auto-hébergées face aux modèles hébergés dans le cloud
Une distinction technique pratique que les responsables de l'assurance qualité doivent prendre en compte est que les mécanismes de verrouillage de version diffèrent entre les modèles auto-hébergés et les API cloud commerciales tierces :
- Modèles auto-hébergés et à poids ouverts. Enregistrez les empreintes SHA-256 des poids approuvés, des images de conteneurs, de la configuration et des dépendances d’inférence. Limitez les déploiements aux artefacts approuvés et vérifiez les empreintes de ce que l’environnement d’exécution charge réellement. Les restrictions de modification et les vérifications de mise en production assurent le contrôle. Une empreinte identifie la version vérifiée.
- API cloud commerciales et d’hyperscalers : Lorsqu’un logiciel d’essai clinique se connecte à des modèles cloud propriétaires via des API externes, les fournisseurs n’exposent généralement pas les poids des modèles, les architectures neuronales ni les condensats cryptographiques. De plus, les hyperscalers retirent les points de contrôle des modèles selon des calendriers commerciaux qui peuvent entrer en conflit avec les échéanciers pluriannuels des essais cliniques. En outre, le réglage de la température à zéro réduit le non-déterminisme des sorties sur des clusters GPU distribués, sans toutefois l’éliminer complètement. Pour les API cloud, demandez au fournisseur les preuves disponibles de maîtrise des changements ainsi qu’un identifiant de modèle figé et daté (par exemple, faisant référence à une date de version statique précise plutôt qu’à un alias flottant tel que
-latest).
Garde-fous contre la dérive silencieuse des API hébergées : Un identifiant d'API stable confirme le libellé. Les résultats des tests révèlent si le comportement a changé. Pour se prémunir contre des ajustements silencieux de paramètres sous un identifiant inchangé, nous recommandons aux promoteurs d'imposer des réexécutions périodiques planifiées sur un jeu étalon (par exemple, mensuelles ou trimestrielles). Le fournisseur ou le promoteur exécute une suite de tests comparatifs automatisée via le point de terminaison actif de l'API, en mesurant la proportion de champs numériques du jeu étalon qui diffèrent de la référence, y compris les champs manquants, par rapport à un seuil prédéfini. Suspendez l'utilisation de la fonction concernée pour investigation et testez à nouveau si cette proportion dépasse le seuil.
Pour gérer les cycles de vie des API tierces dans les études pluriannuelles, nous suggérons aux promoteurs d'intégrer un protocole de migration forcée et de dépréciation dans les accords qualité conclus avec les fournisseurs :
- Préavis contractuel : Le fournisseur s'engage contractuellement à fournir un préavis écrit avant le retrait, la dépréciation ou la modification des paramètres de tout point de terminaison d'un modèle tiers sous-jacent (avec une cible indicative de départ de 30 jours, liée à la politique commerciale de préavis publiée par le fournisseur).
- Tests de concordance sur jeu de référence (golden set) : Dès réception de l'avis de dépréciation, le fournisseur et le promoteur réalisent une évaluation comparative confrontant le modèle sortant au modèle de remplacement désigné sur une suite de tests de référence (golden benchmark) validée, en mesurant la concordance des sorties par rapport à des marges de tolérance prédéfinies.
- Évaluation d'impact selon la ligne directrice ICH E6(R3) : Conformément à la ligne directrice ICH E6(R3), section 4.3.4(c), qui précise que la validation doit évaluer l'impact des modifications logicielles sur les données d'essai tant historiques que futures, les équipes de gestion des données et de biostatistique documentent si la migration du modèle est susceptible d'introduire un biais systématique ou des variations dans les schémas d'extraction de données [2].
- Rapport de transition documenté pour le TMF : La justification du contrôle des changements, les résultats de l'évaluation comparative et l'évaluation des risques sont documentés dans un rapport de rapprochement (bridging report) formel du Trial Master File (TMF) approuvé par l'assurance qualité avant le basculement en production.
4.2 Trois schémas de gouvernance des changements et position de l'EMA sur les modèles figés
Pour aligner la maintenance logicielle sur les attentes réglementaires, nous recommandons d'affecter chaque capacité d'IA à l'un des trois schémas de gouvernance des changements avant l'inclusion du premier patient (FPI, First Patient In) :
| Schéma de gouvernance des changements | Périmètre et niveaux applicables | Mécanisme technique | Gouvernance qualité et validation |
|---|---|---|---|
| Schéma 1 : Instantané immuable verrouillé au protocole | Outils de construction d'étude et de rédaction en cours d'étude de niveau 2, extraction réglementée de niveau 3, algorithmes de niveau 4 figés pour l'étude selon la position applicable de l'EMA et navigation des participants de niveau 1. | Figer les poids du modèle SHA-256 (ou un identifiant d'API daté et épinglé), les invites système, les paramètres de décodage et les index de récupération pour chaque construction d'étude. | Aucune modification en cours d'essai n'est autorisée sans contrôle formel des changements, tests de régression sur des suites de tests de référence (golden benchmark) dans les marges de tolérance définies et approbation par l'assurance qualité. |
| Schéma 2 : Recalibrage opérationnel borné | Modèles de surveillance RBQM / de calcul du score de risque des centres de niveau 3. | Le recalibrage s'effectue strictement dans des limites opérationnelles prédéfinies, avec des critères de convergence documentés et des déclencheurs de retour arrière automatisé (lorsque cela est techniquement faisable sur des versions auto-hébergées ou prises en charge). | Protocole de changement borné préspécifié dans le plan de gestion des données ou le plan de monitoring de l'essai ; évaluer les changements comme le recommande la ligne directrice ICH E6(R3), section 4.3.4(c) [2]. |
| Schéma 3 : Mise en production contrôlée par environnement client (tenant) sans accès en écriture | Assistants de flux de travail et outils administratifs destinés au personnel, de niveau 1. | Mises à jour régulières dans le cadre des cycles de développement logiciel du fournisseur et des tests exploratoires / non scriptés selon l'approche CSA. | Isolation logique vis-à-vis des bases de données cliniques ; aucune autorisation d'écriture ; tests de régression sur les modes opératoires normalisés (SOP) mis à jour et les garde-fous des invites. |
Position de l'EMA sur les modèles figés dans les essais pivots : Pour les essais pivots de phase avancée, la section 2.3.3.3 du document de réflexion de l'EMA demande des tests de performance prospectifs avant le déploiement dans des contextes à fort impact réglementaire, tels que l'analyse du critère d'évaluation principal. Elle attend que le pipeline de prétraitement et les modèles utilisés pour les tests d'hypothèses soient figés et documentés avant le gel de la base de données et la levée de l'aveugle qui s'ensuit. L'EMA rejette l'apprentissage incrémental dans ce contexte et attend une interaction réglementaire pour amender le plan d'analyse statistique si un modèle change en cours d'essai [9]. Utilisez le schéma 1 pour l'analyse confirmatoire. Évaluez séparément le schéma 2 pour un usage opérationnel tel que la notation des centres en RBQM, y compris pour déterminer si le changement pourrait altérer la collecte des données des critères d'évaluation ou le monitoring.
4.3 Validation par étapes avant mise en production et assertions d'UAT antagonistes
S'inspirant des environnements par étapes expérimentés dans le cadre du programme AI Airlock de la MHRA britannique [21], EClinCloud recommande aux promoteurs de mettre en place un pipeline de tests préalable à la mise en production en trois étapes avant de déployer des mises à jour logicielles de niveau 3 ou de niveau 4 :
- Étape de simulation : Organisez des ateliers multidisciplinaires de tests de résistance réunissant gestionnaires de données, ingénieurs logiciels et coordinateurs cliniques afin d'évaluer le comportement du modèle dans des conditions simulées difficiles (telles que des photos sur smartphone en basse résolution, des dossiers cliniques multilingues et des valeurs cliniques extrêmes) [21].
- Étape virtuelle : Rejouez des jeux de données d'essais historiques figés à travers l'algorithme mis à jour dans un environnement bac à sable sécurisé et isolé afin d'évaluer la concordance par rapport aux références historiques validées, en vérifiant que la variance des résultats reste strictement dans les plages de tolérance prédéfinies [21].
- Étape de déploiement en mode fantôme (extension opérationnelle EClinCloud) : En tant qu'extension opérationnelle au-delà de ce qu'a évalué le bac à sable de phase 2 de la MHRA (qui a testé des données rétrospectives et synthétiques séparément des parcours cliniques) [21], les promoteurs peuvent exécuter le modèle mis à jour de manière silencieuse en parallèle du système de production validé existant pendant une durée indicative de 14 à 30 jours. Avant toute exécution en mode fantôme, confirmez que le traitement reste dans le cadre du protocole, du consentement et des conditions de traitement des données du fournisseur. N'affichez pas les sorties du mode fantôme au personnel des centres investigateurs et ne les inscrivez pas dans les dossiers de l'étude. Cela permet aux ingénieurs de quantifier la concordance des sorties sur des flux de données cliniques en direct avant de basculer les flux de travail principaux.
Lors des tests formels d'acceptation utilisateur (UAT), les équipes d'assurance qualité du promoteur devraient exécuter des assertions adverses ciblées, associées aux niveaux pertinents :
- Vérification de la provenance à l'exécution et des métadonnées (niveaux 2, 3, 4) : Interrogez l'API d'inférence et vérifiez que chaque transaction renvoie de manière univoque un
model_id_and_version(empreinte cryptographique SHA-256 pour les modèles auto-hébergés ; identifiant de version daté et figé pour les API cloud), ainsi qu'unprompt_or_config_hashcorrespondant au dossier de qualification fournisseur approuvé. - Matrice de perturbations de référence et de paramètres régionaux (niveaux 3, 4) : Exécutez un jeu de tests de référence automatisé contenant des numérisations cliniques corrompues, des photos prises sur mobile inclinées, des étiquettes de médicaments bilingues et des variantes numériques régionales (telles que les virgules décimales européennes par opposition aux points décimaux américains, et les formats de date
DD-MM-YYYYpar opposition àMM-DD-YYYY). Mesurez la part des champs numériques du jeu de référence qui diffèrent de la référence, y compris les champs omis. Comparez-la au seuil prédéfini et suspendez la mise en production pour investigation et réexécution si ce seuil est dépassé. - Calibration du refus et de l'incertitude (niveaux 1 destiné aux participants, 3, 4) : Soumettez des numérisations totalement illisibles, des documents rognés et des questions médicales hors périmètre. Vérifiez que le système déclenche un indicateur explicite de refus pour faible niveau de confiance, demandant une saisie humaine manuelle ou une escalade vers un coordinateur, plutôt que de fabriquer des valeurs plausibles.
- Isolation des brouillons non confirmés (niveaux 2, 3) : Tentez des soumissions programmatiques par API et via l'interface frontale pour faire passer un document eTMF au statut Classé ou un champ de données d'eCRF au statut Enregistré directement à partir d'une sortie d'IA sans événement authentifié de revue humaine. Vérifiez que le système informatisé refuse strictement l'accès en écriture, imposant une confirmation humaine.
5. Enregistrement de l’inférence et de la décision pour l’inspection
Pour les systèmes fermés soumis à la partie 11, le 21 CFR 11.10(e) exige des pistes d’audit sécurisées, générées par ordinateur et horodatées, qui enregistrent de manière indépendante la date et l’heure des actions de l’opérateur créant, modifiant ou supprimant des enregistrements électroniques [31]. En complément de cette règle contraignante, les questions-réponses de la FDA sur les systèmes électroniques Q12–Q14 [12], l’ICH E6(R3), section 4.2.2 [2], la ligne directrice de l’EMA EMA/INS/GCP/112288/2023 [19] et la ligne directrice du CDE chinois relative aux systèmes informatisés [6] recommandent que les systèmes informatisés maintiennent une traçabilité chronologique complète. Pour préparer l’inspection, vérifiez si l’historique peut être reconstitué : Le promoteur peut-il reconstituer les données d’origine, l’événement d’inférence et la décision qui lui a fait suite, y compris la personne responsable ou l’acteur machine autorisé ainsi que l’état de l’enregistrement qui en résulte ?
5.1 Modes de défaillance forensique : pré-remplissages fantômes et lignage source des copies de travail
Lorsque les éditeurs de logiciels traitent l'intelligence artificielle comme une commodité transitoire d'interface utilisateur plutôt que comme un processus informatisé inspectable, deux graves défaillances de conformité forensique apparaissent :
- Préremplissages fantômes : Si un modèle de reconnaissance optique de caractères ou un modèle de langage remplit automatiquement un champ d'eCRF dans un navigateur web et qu'un coordinateur de recherche clinique clique simplement sur Enregistrer, les pistes d'audit standard de la base de données consignent uniquement que le coordinateur a saisi les données. Un événement d'enregistrement seul ne permet pas à un auditeur de distinguer une suggestion automatisée d'une valeur vérifiée par le coordinateur. Testez si d'autres éléments probants conservés permettent de reconstituer le flux de travail. La section 4.7 de l'EMA déconseille de préremplir ou de remplir automatiquement des champs, sauf s'ils ne sont pas modifiables et qu'ils sont dérivés de données saisies précédemment [19]. La ligne directrice du CDE chinois déconseille généralement de configurer des points de données en remplissage automatique, sauf s'ils ne sont pas modifiables ou s'ils sont dérivés de données saisies précédemment (pages imprimées 3–4) [6]. Les deux traitent du remplissage automatique sans mentionner l'IA. EClinCloud considère une sortie de modèle inscrite dans un champ modifiable comme un préremplissage au regard de ces deux textes. Lors de la qualification, vérifiez si l'interface maintient la suggestion séparée du champ jusqu'à ce qu'une personne l'accepte ou la saisisse. Pour les préremplissages modifiables, documentez le risque et l'évaluation selon les lignes directrices applicables. Traitez tout préremplissage sortant des conditions applicables comme un défaut de conception à résoudre avant la mise en production. La ligne directrice ICH E6(R3), section 4.2.2, recommande de conserver les actions de flux de travail pertinentes pour les données de criticité plus élevée [2]. Les principes de bonnes pratiques en matière d'IA de la FDA et de l'EMA appuient l'évaluation de l'étape de revue humaine dans le contexte d'utilisation [11].
- Rupture de la traçabilité de la source après occultation automatisée pour la confidentialité : Lorsqu'un logiciel clinique applique des filtres de vision par ordinateur ou de traitement automatique du langage naturel pour occulter les noms des patients, les numéros d'identité nationaux ou les traits du visage dans des dossiers médicaux téléversés ou des journaux photographiques eCOA, les fournisseurs écrasent ou suppriment parfois le fichier original non occulté. Cette pratique porte atteinte à l'intégrité des données. Le document Q&R de la FDA sur les systèmes électroniques (Q3) décrit une copie certifiée comme une copie dont il a été vérifié qu'elle contient les mêmes informations, y compris le contexte, le contenu et la structure, que l'original [12]. Un document masqué ou occulté n'est donc pas une copie certifiée ; il s'agit d'une copie de travail occultée. Les documents sources originaux contenant des identifiants de patients devraient demeurer sous le contrôle juridique et physique de l'investigateur clinique au centre investigateur (ou dans une partition à accès cloisonné contrôlée par l'investigateur), conformément à la ligne directrice ICH E6(R3), principe 1.6 et section 3.16.1(t), concernant la confidentialité des participants et les lois applicables en matière de protection de la vie privée [2]. Dans l'architecture que nous recommandons, le système accessible au promoteur conserve une copie de travail chiffrée et occultée et la relie à l'original conservé au centre investigateur à l'aide d'un pointeur source et d'une empreinte SHA-256 générée par le centre investigateur, établissant ainsi une traçabilité vérifiable de la source pour appuyer la vérification des données sources lors des audits.
5.2 Proposition d'enregistrement d'événement d'inférence et de disposition sidecar
EClinCloud propose un événement d’inférence immuable pour chaque invocation de niveau 2, niveau 3 ou niveau 4. Ajoutez une décision distincte liée à l’UUID d’inférence. Pour une suggestion différée, conservez l’état initial et ajoutez toute décision ultérieure, en conservant les deux événements dans l’ordre.
inference_event_uuid: identifiant unique universel établissant un lien relationnel direct entre l'événement d'IA et l'enregistrement correspondant dans la base de données clinique (par exemple, champ eCRF, téléversement eCOA ou artefact eTMF).model_id_and_version: identifiant de modèle figé, empreinte de conteneur ou date de version cloud statique. Le document d'orientation de la FDA relatif aux DHT recommande d'enregistrer quand et comment chaque DHT a été mise à jour. EClinCloud applique cette approche de tenue des enregistrements à chaque enregistrement de modèle [13].prompt_or_config_hash: empreinte cryptographique SHA-256 des instructions système, des modèles de prompt, de l'instantané de la base de données vectorielle RAG, des paramètres de température et des paramètres de seuil de décision.source_pointer_and_hash: localisateur unique et empreinte SHA-256 reliant la copie de travail chiffrée et expurgée à l'original. Calculer le SHA-256 de l'original au centre lors de la création de la copie de travail et le conserver avec celle-ci. Le vérifier par un recalcul côté centre.raw_ai_output_and_score: suggestion machine non modifiée et son score de confiance lorsqu'il est disponible, conservés indépendamment de ce qu'il advient de l'enregistrement.disposition_state: consignerHUMAN_REVIEWED,AUTHORIZED_AUTOMATEDouUNCOMMITTED. Un élément différé reste non validé jusqu'à ce qu'une décision ultérieure autorise une écriture.human_disposition_action: en cas de revue humaine effective, consignerACCEPTED_UNCHANGED,EDITED_AND_CONFIRMED,REJECTED_MANUAL_ENTRYouDEFERRED. Laisser ce champ vide lorsqu'aucune revue n'a eu lieu.machine_actor_and_authorization_ref: pour une décision automatisée autorisée, identifier le service ou la tâche d'exécution et lier le contexte approuvé ainsi que les autorisations applicables de la section 3.1. Une écriture automatisée sans ces enregistrements échoue au test.final_committed_value: pour une décision validée après revue humaine ou une décision automatisée autorisée, conserver le résultat exact inscrit dans l'enregistrement clinique. Laisser ce champ vide pour une décision non validée.reviewer_id_and_role: lorsqu'une revue humaine a lieu, consigner l'identité authentifiée et le rôle, à l'appui de la séparation des rôles recommandée dans la ligne directrice 112288/2023 de l'EMA [19].override_reason_code: lorsqu'une revue humaine a lieu, consigner le motif chaque fois que le réviseur passe outre une suggestion à niveau de confiance élevé ou accepte une prédiction à faible niveau de confiance, à l'appui de l'analyse des causes profondes en matière de qualité.inference_and_disposition_timestamps: horodatages UTC de haute précision pour l'exécution et chaque décision ultérieure, y compris la validation humaine le cas échéant, en cohérence avec les recommandations Q14 de la FDA sur l'horloge système et permettant l'analyse du temps de revue [12].review_dwell_seconds: pour toute revue humaine achevée, consigner la durée écoulée entre la présentation et la soumission, fournissant des métadonnées opérationnelles pour évaluer la rigueur de la revue.
Enregistrements suggérés des inférences et des suites données, et vérification
Enregistrez l'inférence et ajoutez la suite donnée qui lui est imputable. Utilisez des éléments de preuve distincts pour la revue humaine, les écritures automatisées autorisées et les résultats qui restent non validés.
Faites défiler horizontalement pour afficher la figure complète.
| Nom du champ | Type de données et exemple de format | Justification réglementaire et de gouvernance | Méthode de vérification UAT recommandée |
|---|---|---|---|
| uuid_evenement_inference | Chaîne UUID (p. ex., 'a1b2c3d4-...') | Clé étrangère relationnelle reliant directement l'inférence de l'IA à l'enregistrement de la base de données clinique (eCRF, eCOA, eTMF). | Vérifier que l'événement pointe vers l'enregistrement ou le brouillon prévu et que toutes les tentatives restent traçables. |
| id_et_version_modele | Chaîne : identifiant du modèle + SHA-256 / identifiant daté | Enregistre la version exacte du modèle et l'identifiant de déploiement. Le document d'orientation de la FDA relatif aux DHT recommande un enregistrement des mises à jour pour chaque DHT. EClinCloud étend cette pratique aux enregistrements de modèles. | Vérifier que l'API renvoie une valeur model_id_and_version correspondant au dossier approuvé. |
| empreinte_prompt_ou_config | Chaîne : condensat hexadécimal SHA-256 de 64 caractères | Identifie l'instantané approuvé des invites (prompts), des paramètres de décodage et des index de récupération. | Recalculer le SHA-256 sur la charge utile du prompt et de la configuration ; vérifier la correspondance avec le hachage de version approuvé. |
| pointeur_et_empreinte_source | Localisateur source et SHA-256 calculés sur le centre lors de la création de la copie de travail | Établit la lignée source reliant la copie de travail expurgée au document original détenu par le centre. | Recalculer sur le centre et comparer avec le hachage conservé. |
| sortie_ia_brute_et_score | Objet JSON : texte/valeur + score en virgule flottante | Conserve la suggestion machine non modifiée et le score de confiance afin de reconstituer la prédiction initiale. | Vérifier que la charge utile de sortie contient la prédiction initiale avant son affichage dans l'interface humaine. |
| état_de_disposition | HUMAN_REVIEWED / AUTHORIZED_AUTOMATED / UNCOMMITTED | Distingue le résultat de l'événement d'inférence. | Rejouez une suggestion différée suivie d'une décision. Vérifiez que les deux suites données restent liées et ordonnées. |
| acteur_machine_et_réf_autorisation | Service ou tâche d'exécution et identifiant de l'enregistrement d'approbation pour l'automatisation autorisée | Identifie la responsabilité de la machine et l'autorisation de la section 3.1. | Rejetez une écriture automatisée injectée dépourvue d'approbation applicable. Vérifiez l'acteur et la référence d'approbation lors d'une écriture autorisée. |
| action_decision_humaine | Conditionné à une revue humaine effective : ACCEPTED_UNCHANGED, EDITED_AND_CONFIRMED, REJECTED_MANUAL_ENTRY ou DEFERRED. | S'aligne sur les principes directeurs FDA-EMA 1 et 8 afin d'évaluer l'interaction humain-IA et la supervision. | Testez les actions humaines et vérifiez que le champ est vide lorsqu'aucune personne n'a revu le résultat. |
| valeur_finale_enregistree | Chaîne / Numérique / Saisie codée | Consigne la valeur écrite par la revue humaine ou l'automatisation autorisée. | Comparez la valeur écrite à la suite donnée. Vérifiez qu'un événement différé ou non validé ne comporte aucune valeur enregistrée. |
| id_et_role_evaluateur | Chaîne : identifiant utilisateur authentifié + rôle | Enregistre la revue humaine lorsqu'elle a lieu. | Comparez l'identité et le rôle avec ceux de la session de revue. Vérifiez qu'aucune identité humaine n'est enregistrée pour une décision exclusivement automatisée. |
| code_motif_derogation | Énumération / Code catégoriel + texte facultatif | Justification obligatoire lorsqu'un humain passe outre une sortie d'IA à niveau de confiance élevé ou accepte une sortie à faible niveau de confiance. | Tenter une soumission sans code de motif lors d'une dérogation ; vérifier que la validation de l'interface bloque l'enregistrement. |
| horodatages d'inférence et de décision | Chaîne UTC ISO 8601 (YYYY-MM-DDThh:mm:ssZ) | Enregistre les heures UTC d'inférence et de décision, y compris toute validation humaine effective. | Vérifier que les horodatages proviennent d'horloges système synchronisées par NTP au format UTC. |
| duree_examen_secondes | Flottant / Entier (secondes) | Entrée RBQM facultative pour une revue humaine finalisée. | Vérifiez le temps écoulé entre la présentation et la soumission. Laissez vide si aucune revue humaine n'a eu lieu. |
Tous les champs, codes de motif et assertions de vérification représentent des implémentations suggérées par EClinCloud.
5.3 Exploiter les métadonnées d'audit pour la surveillance RBQM et la préparation aux inspections
La section 4.2.3 de l'ICH E6(R3) recommande aux promoteurs d'effectuer des revues fondées sur les risques des données cliniques et des métadonnées, y compris les pistes d'audit [2]. En agrégeant les métadonnées d'audit au niveau des transactions sur l'ensemble des centres investigateurs, les gestionnaires de données centraux et les responsables de la gestion de la qualité fondée sur les risques (RBQM) peuvent identifier des anomalies opérationnelles :
- Surveillance de la complaisance envers l'automatisation via la durée de consultation lors de la revue : En s'appuyant sur l'AI Airlock Insight 2 de la MHRA britannique concernant l'érosion potentielle de la supervision humaine au fil du temps [21], les tableaux de bord de monitoring centralisé peuvent suivre l'
AI Acceptance Rateconjointement avec leMean Review Dwell Time. Si le personnel des centres investigateurs enregistre de manière constante des décisionsACCEPTED_UNCHANGEDsur des documents complexes de plusieurs pages avec des durées de consultation inférieures à un seuil indicatif (par exemple, moins de deux secondes par page), ce signal opérationnel invite à approfondir l'analyse. Les responsables de la gestion des données peuvent vérifier si les coordinateurs contrôlent les documents sources ou s'ils acceptent les résultats de manière superficielle, et planifier une remise à niveau ciblée le cas échéant. Toutefois, les responsables assurance qualité doivent reconnaître que la durée de consultation est un indicateur indirect opérationnel comportant des limites inhérentes : une durée de consultation courte prise isolément est un signal ambigu (par exemple, un coordinateur peut avoir examiné attentivement les dossiers sources papier avant d'ouvrir l'écran du logiciel), tandis qu'une durée élevée peut refléter un écran laissé ouvert. EClinCloud recommande de rapporter la durée de consultation au niveau du centre investigateur, sauf si les accords avec le centre ainsi que les règles applicables en matière de protection des données et d'emploi autorisent un reporting individuel. - Suivi des dérives de distribution régionales via les taux de dérogation : Le suivi du
Human Override Rateentre les centres investigateurs, les pays et les réseaux de laboratoires alerte les opérations cliniques sur l'apparition de dérives de distribution. Une augmentation soudaine des taux de dérogation dans des centres internationaux nouvellement intégrés peut inciter à rechercher des différences dans les abréviations médicales locales, la mise en page des dossiers hospitaliers ou les unités de laboratoire, afin d'identifier la nécessité d'ajustements localisés des UAT. EClinCloud suggère de calculer ces deux taux par fonction, par centre investigateur et par période. Ne comptabilisez que les décisions finalisées ayant fait l'objet d'une revue humaine. Divisez les acceptations sans modification par ce dénominateur pour obtenir le taux d'acceptation, et divisez les modifications plus les rejets par le même dénominateur pour obtenir le taux de dérogation. Excluez les événements automatisés autorisés. Présentez les reports séparément et n'incluez un élément reporté dans les taux qu'après sa décision humaine finalisée. Affichez le dénominateur avec chaque taux. - Exportation des pistes d'audit chronologiques : Pour les systèmes fermés relevant du champ d'application de la Part 11, le 21 CFR 11.10(b) traite des copies pour inspection et le 11.10(e) traite des pistes d'audit [31]. La ligne directrice ICH E6(R3), section 4.2.2(c), recommande des pistes d'audit et des journaux interprétables aux fins de revue [2]. La question Q12 de la FDA recommande de conserver les pistes d'audit dans un format permettant la recherche et le tri, et accepte un format statique tel que le PDF lorsque cela n'est pas réalisable en pratique [12]. Le §6.2.1 de l'EMA traite de la revue et de l'exportation [19]. Pour la qualification du fournisseur, EClinCloud suggère de vérifier l'exportation du journal d'audit complet dans un format documenté lisible par machine, tel que CSV ou XML, qui s'ouvre sans outils propriétaires du fournisseur. Obtenez une présentation correspondante lisible par l'humain, telle qu'un fichier PDF. Vérifiez que les deux affichent l'UUID d'inférence, les identifiants du modèle et de la configuration, le pointeur source, la suggestion brute, l'état de décision, la valeur enregistrée lorsqu'elle est présente et les horodatages UTC synchronisés. Pour une décision humaine, incluez le réviseur et le motif applicable. Pour une automatisation autorisée, incluez l'acteur machine et la référence d'autorisation.
6. Le règlement européen sur l'IA (AI Act) : où se situent réellement les logiciels d'essais cliniques
Lus conjointement, le règlement sur l'IA (AI Act) et le règlement (UE) 2026/1744 établissent une structure à plusieurs niveaux. Commencez par le champ d'application, puis déterminez la classification et toute obligation de transparence [7] [8].
6.1 L'exclusion relative à la recherche scientifique : article 2(6), considérant 25 et article 2(8)
La question juridique préalable pour tout outil d'essai clinique est de savoir s'il relève de l'exclusion relative à la recherche et au développement établie à l'article 2(6) [7]. L'article 2(6) dispose textuellement :
« Le présent règlement ne s'applique pas aux systèmes d'IA ni aux modèles d'IA, y compris leurs sorties, spécifiquement développés et mis en service à la seule fin de la recherche et du développement scientifiques. » [7]
Le considérant 25 explique cette exclusion, en indiquant que les systèmes d'IA développés et mis en service uniquement à des fins de recherche et de développement scientifiques devraient être exclus du champ d'application du règlement, tout en notant que « tout autre système d'IA susceptible d'être utilisé pour mener toute activité de recherche et de développement devrait rester soumis aux dispositions du présent règlement. » [7]
L'article 2(6) pose la question de savoir pourquoi le système d'IA a été développé et mis en service. Pour un outil eClinical fourni à titre commercial, documentez la finalité prévue spécifique et le déploiement. Les parties prenantes ont demandé à la Commission des orientations plus claires sur l'application des exclusions relatives à la recherche dans des domaines incluant les médicaments et les dispositifs médicaux [7] [32]. Les deux lectures suivantes constituent des interprétations éditoriales à confronter aux faits propres à chaque déploiement.
- Déploiement spécifique à la recherche. Un analyseur de protocole développé et mis en service pour une finalité définie de recherche scientifique pourrait présenter un dossier plus solide au titre de l'article 2(6). Consignez le cahier des charges de conception, le contrat, les utilisateurs autorisés et les contraintes de déploiement qui démontrent cette finalité. Le simple qualificatif d'essai clinique n'apporte à lui seul qu'une preuve limitée [7].
- Service opérationnel réutilisable. Une plateforme qui répond à plusieurs finalités, telles que les flux de travail d'étude et le traitement documentaire général, présente un dossier moins solide. Documentez les rôles de fournisseur et de déployeur à partir des modalités réelles de développement, de fourniture et de déploiement. Le considérant 25 distingue les systèmes d'IA développés et mis en service à la seule fin de recherche scientifique des autres systèmes qui se trouvent utilisés dans le cadre de recherches [7].
Examen de qualification. Utilisez ces trois cas pour recenser les éléments probants à soumettre aux examinateurs juridiques et qualité compétents. Consignez la classification et réexaminez-la si la finalité prévue ou le déploiement évolue.
- Logiciels à usage général et multi-usages : En vertu du considérant 25, les autres systèmes d'IA utilisés pour la recherche restent soumis au règlement. Selon notre lecture, cela couvre les modèles de fondation généraux, les agents conversationnels d'assistance commerciaux et les outils d'OCR d'entreprise généraux utilisés en recherche [7].
- Logiciels spécifiques aux essais sous licence commerciale : Pour un outil d'OCR de laboratoire EDC ou un classificateur eTMF relevant du champ d'application du règlement, déterminez si sa finalité prévue répond à une classification de l'annexe I ou de l'annexe III et si une obligation de transparence au titre de l'article 50 s'applique [7].
- Recherche, essais et développement préalables à la mise sur le marché. L'article 2(8) exclut la recherche, les essais et le développement concernant des systèmes ou des modèles d'IA avant leur mise sur le marché ou leur mise en service, sous réserve du droit de l'Union applicable. Son exclusion ne couvre pas les essais en conditions réelles. Ce point est distinct de l'article 2(6). Le document non contraignant MDCG 2025-6, question 25, traite les investigations cliniques et les études des performances relatives à l'IA de dispositifs médicaux à haut risque comme des essais en conditions réelles et précise que l'article 60(1) préserve le droit de l'Union ou le droit national applicable, notamment le RDM et le RDMDIV [7] [30] [33] [34].
6.2 Modifications de l'Omnibus numérique : calendriers, articles 4a, 6(1a)–(1b), 6(3) et 50
Le règlement (UE) 2026/1744 (l'Omnibus numérique sur l'IA, publié au Journal officiel le 24 juillet 2026 et entré en vigueur le 27 juillet 2026) a adopté des modifications clés du règlement (UE) 2024/1689 [8] :
Dates d'application des sections 1 à 3 du chapitre III. L'article 113 tel que modifié rend ces trois sections applicables, à l'exception de l'article 6(5), à compter du 2 décembre 2027 pour les systèmes à haut risque classés en vertu de l'article 6(2) et de l'annexe III, et à compter du 2 août 2028 pour les systèmes classés en vertu de l'article 6(1) et de l'annexe I [8]. Pour l'article 6(1), vérifiez le critère de produit ou de composant de sécurité ainsi que l'exigence d'évaluation de la conformité par un tiers. En vertu de l'article 6(1c), une évaluation par un tiers déclenchée uniquement par des risques sans lien avec la santé et la sécurité ne satisfait pas à l'article 6(1)(b) [8]. L'article 50 fait l'objet d'un calendrier distinct ci-dessous. L'article 2(13) permet de limiter certaines obligations des articles 9 à 15 et 17 à 25 pour les systèmes à haut risque relevant de l'article 6(1). La législation de l'annexe I, section A, doit offrir une protection équivalente ou supérieure pour la santé, la sécurité ou les droits fondamentaux, et la limitation doit préserver le niveau global de protection du règlement. La Commission doit adopter des actes délégués au plus tard le 2 août 2027 précisant les systèmes, les obligations, les conditions et le champ d'application [7][8].
Transparence au titre de l'article 50(1) à compter du 2 août 2026. Lorsque le règlement s'applique, les fournisseurs de systèmes d'IA destinés à interagir directement avec des personnes doivent les informer de cette interaction, « à moins que cela ne soit évident du point de vue d'une personne physique raisonnablement bien informée, attentive et avisée, compte tenu des circonstances et du contexte d'utilisation » [7]. L'article 50(5) fixe l'échéance à la première interaction ou exposition. Pour la qualification d'une étude, EClinCloud recommande de vérifier la présence d'une mention lisible sur les assistants conversationnels destinés aux participants et aux centres investigateurs.
Précisions relatives aux règles de classification à haut risque de l'article 6 : Le règlement (UE) 2026/1744 a ajouté des règles relatives aux composants de sécurité à l'article 6(1a) et (1b) [8]. En vertu de l'article 6(1a), un système d'IA utilisé uniquement pour des aspects non liés à la sécurité de l'assistance aux utilisateurs, de l'optimisation des performances, de l'efficacité des services, de l'automatisation ou de la commodité, ou du contrôle qualité ne relève pas de la classification en tant que composant de sécurité prévue par le règlement [8]. À l'inverse, l'article 6(1b) précise que le statut de composant de sécurité s'applique dès lors qu'une défaillance ou un dysfonctionnement du système d'IA mettrait en danger la santé et la sécurité [8]. Selon notre analyse, la plupart des outils eClinical opérationnels (tels que les outils de planification CTMS ou les outils d'indexation du TMF) se situent entièrement en dehors de l'annexe I et de l'annexe III [7]. Pour les logiciels qui touchent à un domaine de l'annexe III, l'article 6(3) établit qu'un système d'IA n'est pas considéré comme présentant un haut risque s'il ne présente pas de risque important de préjudice pour la santé, la sécurité ou les droits fondamentaux ET s'il remplit au moins l'une des quatre conditions spécifiques suivantes : (a) il exécute une tâche procédurale restreinte ; (b) il améliore le résultat d'une activité humaine préalablement réalisée ; (c) il est destiné à détecter des schémas décisionnels ou des écarts par rapport à des schémas antérieurs, avec un examen humain approprié requis s'il est susceptible d'influencer ou de remplacer une évaluation humaine préalablement réalisée ; ou (d) il exécute une tâche préparatoire à une évaluation [7]. Un système relevant de l'annexe III qui effectue un profilage de personnes physiques demeure à haut risque en vertu de l'article 6(3) [7]. En vertu de l'article 6(4), un fournisseur invoquant une dérogation au titre de l'article 6(3) doit documenter son évaluation avant la mise sur le marché ou la mise en service du système et enregistrer celui-ci dans la base de données de l'UE conformément à l'article 49(2), obligations qui prennent effet le 2 décembre 2027 [7][8].
Traitement conditionnel relatif aux biais en vertu de l'article 4a. L'article 4a s'applique à compter du 27 juillet 2026 en vertu de l'article 4 du règlement modificatif et établit une exception juridique strictement encadrée permettant le traitement de catégories particulières de données à caractère personnel (y compris les données de santé, génétiques et biométriques) aux fins de la détection et de la correction des biais algorithmiques [8]. En vertu de l'article 4a(1), les fournisseurs de systèmes d'IA à haut risque peuvent traiter des catégories particulières de données à caractère personnel strictement pour la détection et la correction des biais, sous réserve de six conditions cumulatives s'ajoutant au RGPD ou à tout autre droit de l'UE applicable en matière de protection des données :
(a) la détection et la correction des biais ne peuvent être efficacement réalisées par le traitement d'autres données, y compris des données synthétiques ou anonymisées ;
(b) des limitations techniques à la réutilisation des données à caractère personnel, ainsi que des mesures de sécurité et de protection de la vie privée de pointe, y compris la pseudonymisation ;
(c) un accès strictement restreint au personnel autorisé soumis à une obligation de confidentialité ;
(d) les données à caractère personnel ne sont pas transmises, transférées ni autrement rendues accessibles à d'autres parties ;
(e) les données à caractère personnel sont supprimées dès que le biais a été corrigé ou à l'issue de la période de conservation, selon la première de ces deux échéances ; et
(f) des registres des activités de traitement sont tenus en indiquant les raisons pour lesquelles le traitement était strictement nécessaire [8].
L'article 4a(2) étend cette autorisation aux fournisseurs et aux déployeurs d'autres systèmes et modèles d'IA, ainsi qu'aux déployeurs de systèmes d'IA à haut risque, lorsque le traitement est strictement nécessaire pour détecter et corriger des biais susceptibles d'affecter la santé et la sécurité des personnes, d'avoir une incidence négative sur les droits fondamentaux ou d'entraîner une discrimination interdite par le droit de l'Union, et lorsque toutes les conditions du paragraphe 1 sont remplies. La disposition précise : « Le présent paragraphe ne crée aucune obligation d'effectuer une telle détection et correction des biais. » [8]. Selon la lecture qu'en fait EClinCloud, cela importe lorsque les tests de biais portant sur des logiciels d'essais, tels que la présélection d'éligibilité ou la mesure des critères d'évaluation, utiliseraient les données de santé des participants.
Applicabilité et limites de mise en œuvre du règlement européen sur l'IA pour les logiciels d'essais cliniques
Le champ d'application, la classification à haut risque et la transparence dépendent de l'utilisation prévue. Les dates applicables aux sections 1 à 3 du chapitre III, à l'exception de l'article 6(5), sont distinctes de celles de l'article 50.
Faites défiler horizontalement pour afficher la figure complète.
| Catégorie de système d'IA / Flux de travail | Classification selon le règlement européen sur l'IA et base juridique | Date d'application effective | Actions de qualification suggérées pour le promoteur et le fournisseur |
|---|---|---|---|
| Logiciels autonomes de flux de travail eClinical (EDC, CTMS, eTMF, RTSM) | Lecture d'EClinCloud : généralement hors annexe I et annexe III. À confirmer au regard de la destination. | Confirmer le champ d'application et la destination. | Documenter la destination et évaluer les articles 2 et 6 pour le déploiement effectif. |
| IA spécifique à l'essai relevant des domaines de l'annexe III avec dérogation au titre de l'art. 6(3) | Système non à haut risque via la dérogation de l'art. 6(3) (exige : absence de risque important, l'une des quatre conditions et absence de profilage). | 2 décembre 2027 pour les règles applicables des sections 1 à 3 du chapitre III, à l'exception de l'article 6(5). | Documenter l'évaluation au titre de l'article 6(3) avant la mise sur le marché ou la mise en service. Préparer l'enregistrement dans la base de données de l'UE au titre de l'article 49(2) d'ici décembre 2027. |
| Dispositifs médicaux intégrant l'IA / SaMD relevant du MDR 2017/745 ou de l'IVDR 2017/746 | Système d'IA à haut risque relevant de l'annexe I lorsque l'article 6(1) s'applique. L'article 6(1c) exclut de l'article 6(1)(b) les évaluations déclenchées uniquement par des risques sans lien avec la santé et la sécurité. | 2 août 2028 pour les sections 1 à 3 du chapitre III, à l'exception de l'article 6(5), où s'appliquent l'article 6(1) et l'annexe I. | Pour les dispositifs relevant du MDR, déterminez si les exigences relatives aux investigations cliniques des articles 62 à 82 et de l'annexe XV s'appliquent. Prenez en compte la norme ISO 14155 dans ce contexte d'investigation clinique. Pour les dispositifs relevant de l'IVDR, évaluez séparément les exigences applicables aux études des performances. Voir les sources 30 et 33. |
| Assistants conversationnels destinés aux participants (assistance technique) | Obligation d'information du fournisseur au titre de l'article 50(1) lorsque le règlement s'applique, sous réserve de son exception relative à l'interaction évidente. | 2 août 2026 | Vérifier que le fournisseur a mis en place dans l'interface des mentions lisibles et accessibles informant les participants qu'ils interagissent avec une IA ; confirmer l'approbation de l'IRB/IEC. |
| Traitement de données de santé relevant de catégories particulières pour l'atténuation des biais (article 4a) | L'article 4a(1) couvre les fournisseurs d'IA à haut risque sous réserve de garanties cumulatives. L'article 4a(2) étend sous conditions cette autorisation aux déployeurs d'IA à haut risque ainsi qu'aux autres fournisseurs et déployeurs d'IA. | 27 juillet 2026 en vertu de l'article 4 du règlement (UE) 2026/1744. | Appliquez toutes les conditions de la section 6.2 ainsi que le droit applicable en matière de protection des données. En vertu du paragraphe (2), établissez la stricte nécessité et la limite applicable en matière de santé, de sécurité, de droits fondamentaux ou de discrimination interdite. Cette autorisation ne crée aucune obligation générale de procéder à un traitement relatif aux biais. |
| IA exclusivement développée et mise en service à des fins de R&D scientifique | Article 2(6) : finalité unique de recherche et développement scientifiques. Par ailleurs, l'article 2(8) exclut les activités de recherche, d'essai et de développement antérieures à la mise sur le marché, les essais en conditions réelles n'étant pas couverts par cette exclusion. | Évaluer les conditions distinctes du champ d'application. | Examiner si un logiciel SaaS commercial remplit le critère de finalité unique de R&D ; ne pas présumer une exemption automatique pour les plateformes commerciales mutualisées. |
Les dates des sections 1 à 3 du chapitre III excluent l'article 6(5). Vérifiez séparément le champ d'application relatif à la recherche prévu à l'article 2 pour le déploiement effectif.
7. Exemple de séquence de mise en œuvre progressive sur 90 jours pour les promoteurs et les CRO
Le passage de scripts pilotes ponctuels à un cadre de gouvernance de l'IA défendable en inspection exige un plan de mise en œuvre ordonné et progressif. Les promoteurs et les CRO peuvent opérationnaliser ces recommandations selon une séquence indicative de 90 jours, dont le calendrier réel dépendra des cycles de publication logicielle des fournisseurs et des procédures internes de gestion du changement.
7.1 Jours 1 à 30 : inventaire, examen préliminaire du contexte d'utilisation et triage réglementaire
- Inventaire complet des actifs d'IA : Recensez chaque capacité d'intelligence artificielle, d'apprentissage automatique et de traitement automatique du langage naturel intégrée aux systèmes d'essais cliniques actifs et prévus, notamment les analyseurs de protocole pour eCRF, la reconnaissance optique de caractères (OCR) médicale, les analyseurs de qualité d'image eCOA, les indexeurs eTMF, les détecteurs d'anomalies RBQM et les assistants de codage médical.
- Évaluation préalable du contexte d'utilisation. Appliquez la grille d'évaluation en trois questions de la section 3.1 et consignez les justificatifs étayant chaque attribution de niveau.
- Statut juridique et qualification de dispositif médical. Commencez par le niveau 4 et évaluez toute fonction dont la destination prévue est susceptible de répondre à la définition de dispositif en vertu de l'article 201(h) du FD&C Act, du MDR ou de l'IVDR. Déterminez la voie d'investigation applicable [13] [30] [33]. Vérifiez la disposition relative à l'information prévue à la section 6.2 pour les assistants conversationnels destinés aux participants ou aux centres investigateurs.
7.2 Jours 31 à 60 : remise à niveau des SOP, accords qualité et schéma d'audit sidecar
- Mises à jour des SOP. Distinguez (1) les réglementations contraignantes, notamment les dispositions applicables du 21 CFR, parties 11, 50, 56, 312 et 812, le règlement européen relatif aux essais cliniques, le MDR, l'IVDR et le règlement sur l'IA, ainsi que l'annonce 2026 n° 50 de la NMPA chinoise [18] [30] [33] [7] [5], (2) les lignes directrices adoptées, notamment la ligne directrice de l'EMA sur les systèmes informatisés et la ligne directrice ICH E6(R3), dont l'article 47 demande aux promoteurs et aux investigateurs de tenir compte dans les essais menés dans l'UE [19] [2] [18], (3) les recommandations des autorités, notamment les documents d'orientation de la FDA sur les systèmes électroniques (Q&A eSystems), les DHT, la CSA et E6(R3), ainsi que la ligne directrice du CDE chinois sur les systèmes informatisés [4] [6] [12] [13] [14], et (4) les projets de lignes directrices, notamment le document FDA-2024-D-4689 [1].
- Accords qualité. Appliquez la clause de notification de la section 4.1 et utilisez la liste unique de demandes aux fournisseurs de la section 8.3.
- Architecture de piste d'audit sidecar. Enregistrez chaque inférence brute et son devenir ultérieur conformément à la section 5.2. Testez la reconstitution pour les résultats revus par un humain, les résultats automatisés autorisés et les résultats non confirmés. N'enregistrez les champs relatifs au réviseur que lorsqu'une personne examine effectivement la suggestion [12].
- Traçabilité des sources. Mettez en œuvre la procédure de contrôle par l'investigateur et de copie de travail de la section 5.1.
7.3 Jours 61 à 90 : UAT sur jeux de référence, vérification adversariale et surveillance des métadonnées RBQM
- Constitution des jeux de tests de référence : Constituez des jeux de tests de référence (golden benchmark) anonymisés et spécifiques à l'étude, représentatifs de l'ensemble du spectre opérationnel des données de l'essai, incluant les numérisations multicentriques, les photographies dégradées et les variations régionales de formatage.
- Exécution des tests d'acceptation utilisateur (UAT) adversariaux : Exécutez les quatre vérifications UAT adversariales ciblées selon les niveaux applicables : (1) vérification de la provenance à l'exécution et de l'empreinte de hachage (niveaux 2, 3, 4) ; (2) tests de perturbation des jeux de référence et de paramètres régionaux (niveaux 3, 4) ; (3) tests des seuils de refus et d'incertitude (niveaux 1 orienté participant, 3, 4) ; et (4) tests d'isolation des brouillons non confirmés (niveaux 2, 3).
- Opérationnalisation de la surveillance des métadonnées RBQM : Configurez les tableaux de bord de suivi de la gestion de la qualité fondée sur les risques (RBQM) afin d'agréger les métadonnées de transaction, en suivant les indicateurs
AI Acceptance Rate(taux d'acceptation de l'IA),Human Override Rate(taux de dérogation humaine) etMean Review Dwell Time(temps moyen d'examen) sur l'ensemble des centres investigateurs, sous réserve des limites de déclaration définies à la section 5.3, en tant que signaux opérationnels invitant à rechercher une éventuelle complaisance envers l'automatisation ou une dérive de distribution régionale [2][21]. - Exercices d'exportation de la piste d'audit. Reconstituez une saisie assistée par l'IA à l'aide de la procédure d'exportation de la section 5.3.
8. Qualification d'un fournisseur sous accord de confidentialité : exemple de cas EClinCloud
Lors de la qualification d'un fournisseur de plateforme eClinical d'entreprise sous accord de confidentialité formel, les auditeurs assurance qualité du promoteur doivent évaluer si l'architecture technique du fournisseur soutient la conformité réglementaire au sein des différents modules fonctionnels. La documentation publique d'EClinCloud (consultée le 13 novembre 2026) illustre la manière dont une plateforme logicielle clinique intégrée multimodule aborde les capacités d'IA dédiées à des tâches spécifiques [35].
8.1 Cadre de confiance public et architecture circonscrite aux tâches
Sur son centre public de confiance et de conformité, EClinCloud documente des certifications d'entreprise en matière de qualité et de sécurité, notamment ISO/IEC 42001:2023 (Système de management de l'intelligence artificielle), ISO 27001 (Management de la sécurité de l'information), ISO 27701 (Management de la protection de la vie privée), ISO 9001 (Management de la qualité), ISO 20000 (Management des services informatiques), Cloud Security Alliance (CSA) STAR et DJCP (MLPS Chine) [36]. Dans ses déclarations publiques relatives à son architecture, l'entreprise énonce un principe fondamental de gouvernance :
« Sur la plateforme ECC, l'IA est toujours liée à des tâches spécifiques — analyse de protocole, saisie par OCR, classification de documents, détection des risques et questions-réponses — avec une revue des résultats par des humains. » [36]
Selon les spécifications de la plateforme de l'entreprise, EClinCloud propose des options de déploiement privé / sur site, les modalités d'hébergement précises étant confirmées avec les équipes clientes lors de l'évaluation technique [35].
8.2 Limites de qualification module par module
Cette section applique le cadre d'analyse à partir des déclarations publiques d'EClinCloud. Les éléments de vérification précisent les preuves qu'un promoteur s'attendrait à examiner, et qu'il attendrait d'EClinCloud qu'elle fournisse, dans le cadre d'un accord de confidentialité. Les chiffres de performance sont déclarés par l'entreprise. Un chiffre relatif à l'eCOA est attribué à une étude pédiatrique de phase II. Les pages citées ne fournissent ni dénominateurs ni méthodes d'évaluation pour aucun de ces chiffres.
Capture électronique des données (EDC) :
Ce que déclare EClinCloud : EClinCloud indique que l'analyse des protocoles d'études cliniques par grand modèle de langage peut réduire l'effort initial de construction de l'étude de 60 %, les visites, formulaires et contrôles de cohérence générés étant revus et confirmés par les gestionnaires de données avant la mise en production [35][37]. L'éditeur indique également que l'OCR médical fonctionne sur 1,000 types de formulaires et plus, avec une précision de reconnaissance de 95 % et plus, sur la page de la plateforme [35]. Sa page EDC décrit une analyse augmentée par récupération [37]. La page EDC fait état d'une précision de reconnaissance de 95 %, analysant les dossiers sources et les synchronisant directement dans EDC, ramenant le temps de saisie par formulaire de 8–10 minutes à moins de 3 minutes et diminuant l'effort de vérification des données sources (SDV) de 20 %, tout en intégrant un caviardage automatisé des données personnelles identifiables (PII) [37].
Classification d'EClinCloud et vérifications recommandées pour le promoteur : Nous classerions l'analyse de protocoles au niveau 2 et l'extraction des données sources par OCR au niveau 3 lorsqu'une confirmation authentifiée précède la validation définitive. Lors des audits de qualification, les promoteurs devraient vérifier : (1) si l'EDC en production exige une confirmation humaine attribuable avant de valider les valeurs extraites par OCR et comment il présente les suggestions au regard des recommandations relatives au préremplissage automatique de la section 5.1 ; (2) que les numérisations sources originales non caviardées restent sous le contrôle de l'investigateur ; et (3) que les suggestions brutes de l'OCR et les décisions humaines sont consignées dans une piste d'audit annexe exportable.
Randomisation et gestion des approvisionnements de l'essai (RTSM) :
Ce que déclare EClinCloud : EClinCloud indique que l'analyse du protocole par l'IA configure RTSM en une étape, réduisant l'effort de paramétrage de 10 % à 20 %, parallèlement à des alertes d'approvisionnement intelligentes [38].
Classification d'EClinCloud et vérifications recommandées pour le promoteur : Nous classerions le paramétrage automatisé de RTSM en configuration de préproduction de niveau 2. Lors des audits de qualification, les promoteurs devraient vérifier : (1) que les règles de randomisation, les types de kits et les calendriers de dispensation générés par l'IA sont traités comme des brouillons non validés nécessitant l'approbation documentée d'un biostatisticien qualifié et du responsable des approvisionnements avant la mise en production ; et (2) que le système empêche strictement toute écriture automatisée par l'IA dans les tables de randomisation en production ou dans les algorithmes d'attribution des kits pendant l'essai actif.
Évaluation électronique des résultats cliniques (eCOA) :
Ce que déclare EClinCloud : EClinCloud indique que son module eCOA prend en charge cinq modalités d'évaluation : résultats rapportés par le patient par voie électronique (ePRO), résultats rapportés par le clinicien par voie électronique (eClinRO), résultats rapportés par l'observateur par voie électronique (eObsRO), résultats de performance par voie électronique (ePerfO) et journaux électroniques (eDiary) [39]. L'entreprise rapporte que les contrôles en temps réel de la qualité d'image de l'appareil photo ont amélioré les taux de conformité photographique dans une étude pédiatrique de phase II, passant de 40 % à environ 95 %, tout en ramenant les cycles de reprise de 24–48 heures à moins de 5 secondes [39]. Elle fait également état d'une extraction automatisée du texte des étiquettes de médicaments avec une précision de 95 % en moins de 5 secondes et d'un masquage automatisé des PII [39]. La plateforme inclut un assistant conversationnel sensible aux rôles (LinBot) qui répond aux questions relatives au système et aux flux de travail [39].
Classification et vérification d'EClinCloud. Les contrôles consultatifs de la qualité d'image relèvent du niveau 3 au titre de la branche 2C. L'extraction d'étiquettes relève du niveau 3 lorsque le participant ou le centre confirme la valeur extraite avant son enregistrement. Vérifiez la confirmation attribuable avant validation, la journalisation de l'extraction brute et de la confirmation, ainsi que le positionnement des valeurs suggérées au regard des recommandations relatives au préremplissage automatique de la section 5.1. L'assistance aux flux de travail assurée par LinBot, telle que décrite sur le site, relève du niveau 1. Si les participants peuvent l'utiliser, vérifiez les garde-fous de navigation de la section 3.2, y compris les mentions applicables relatives au prestataire, le refus, l'escalade et la revue de sécurité par le centre [7].
Services scientifiques et d'essais cliniques (périmètre des spécialistes humains) :
Ce que déclare EClinCloud : La documentation publique sur les services de EClinCloud répertorie la gestion des échelles, la validation linguistique (incluant traduction, rétro-traduction et débriefing cognitif) et la formation des évaluateurs en tant que services gérés pour les essais cliniques [40].
Classification d'EClinCloud et vérifications recommandées pour le promoteur : Nous notons que ces offres correspondent à des services humains spécialisés, cliniques et linguistiques, plutôt qu'à des fonctionnalités logicielles automatisées. Lors de la qualification des services, les promoteurs devraient vérifier que les autorisations de licence des échelles ont été formellement obtenues auprès des détenteurs des droits d'auteur et que les processus de validation linguistique font appel à des linguistes qualifiés de la langue cible.
Dossier permanent électronique de l'essai (eTMF) :
Ce que déclare EClinCloud : EClinCloud indique que son module eTMF assure une classification automatisée des documents selon l'index TMF, parallèlement à des contrôles de qualité au téléversement (détection des fichiers en double, des pages blanches, des numérisations floues et des filigranes) et à l'assistance de LinBot, en précisant explicitement que « le classement est confirmé par une personne » [41].
Classification d'EClinCloud et vérifications recommandées pour le promoteur : Nous classerions ce flux de travail en classification provisoire de niveau 2. Les promoteurs devraient vérifier : (1) que les suggestions automatisées d'indexation documentaire ne peuvent pas faire passer un document au statut Filed sans confirmation authentifiée d'un spécialiste humain de la documentation ; et (2) que les étiquettes de classification suggérées et les actions de confirmation humaine sont consignées dans la piste d'audit.
Système de gestion des essais cliniques (CTMS) :
Ce que déclare EClinCloud : EClinCloud indique que CTMS propose un paramétrage de projet par IA en un clic, une supervision pilotée par le RBQM et une relecture par IA des rapports de monitoring. La page de la plateforme décrit une analyse des risques par IA [35] [42].
Classification d'EClinCloud et vérifications recommandées pour le promoteur : Nous classerions la préparation du paramétrage au niveau 2, la relecture des rapports de monitoring au niveau 1 et l'analyse des risques par IA (page de la plateforme) au niveau 3. Les promoteurs devraient vérifier : (1) que les signaux de risque et les brouillons de rapports de monitoring nécessitent une validation authentifiée par un ARC et un responsable d'étude humains avant leur classement ; et (2) que tout modèle de risque par IA respecte des limites de recalibrage prédéfinies dans le cadre de la maîtrise des changements du schéma 2.
Comité de revue indépendant (IRC), gestion des ressources (RM) et eLearning :
Ce que déclare EClinCloud. EClinCloud répertorie IRC, la gestion des ressources et eLearning parmi les modules de la plateforme [35].
Classification d'EClinCloud et vérifications recommandées pour le promoteur : Les promoteurs devraient vérifier si le module IRC intègre une cotation automatisée des lésions par IA ou s'il fonctionne uniquement comme une plateforme de gestion des flux de travail en aveugle pour les évaluateurs cliniques humains, et confirmer que les fonctions d'évaluation d'eLearning opèrent de manière déterministe.
8.3 Questions d'audit recommandées avant la mise en production de l'étude
Lors de la réalisation d'un audit formel de qualification de EClinCloud ou d'un fournisseur de logiciels eClinical équivalent dans le cadre d'un accord de confidentialité, les auditeurs d'assurance qualité du promoteur devraient demander les éléments de vérification suivants :
- Dossier de certification ISO/IEC 42001:2023 : Examiner le rapport d'audit indépendant réalisé par un tiers et la Déclaration d'applicabilité relatifs au système de management de l'intelligence artificielle du fournisseur, en évaluant les procédures internes de gestion des risques liées à la dérive algorithmique, à la provenance des données et aux contrôles humains dans la boucle [36].
- Clauses contractuelles de gouvernance des modèles : Confirmer que le contrat-cadre de services ou l'accord qualité du fournisseur inclut : (a) la clause de notification de la section 4.1 ; (b) l'accès en inspection réglementaire à l'architecture du modèle et à la documentation d'entraînement, le cas échéant selon la section 2.3.3.1 du document de réflexion de l'EMA [9] ; et (c) des capacités techniques de repli et de retour en arrière lorsque cela est réalisable sur les versions auto-hébergées ou prises en charge par le fournisseur.
- Architecture de traçabilité des sources. Vérifier la procédure de contrôle par l'investigateur de la section 5.1 à l'aide de schémas techniques de flux de données pour les dossiers de laboratoire clinique expurgés ou les photos eCOA.
- Démonstration d'exportation de la piste d'audit. Demander une reconstitution en direct d'une saisie eCRF assistée par IA conformément à la section 5.3.
- Vérification de l'hébergement et des frontières de souveraineté : Pour les essais cliniques multirégionaux soumis à des restrictions de transfert transfrontalier de données, examiner les configurations de cloud privé ou de VPC dédié du fournisseur afin de confirmer que les données d'essai clinique et les pipelines d'inférence demeurent dans les juridictions nationales désignées [35].
Les promoteurs souhaitant échanger sur les périmètres de qualification au niveau des modules, les schémas de piste d'audit et les architectures d'hébergement souverain peuvent contacter EClinCloud via sa page de demande de démonstration produit ou son portail de contact général.
9. Méthodologie et limites
Afin d'assurer une transparence totale concernant les éléments de preuve et les cadres d'analyse présentés dans ce rapport, les périmètres et limites méthodologiques suivants sont explicitement documentés :
Textes réglementaires. L’analyse s’appuie sur les règlements principaux, les lignes directrices adoptées et les projets de textes identifiés dans le corps du texte. Les dates de mise en œuvre en Chine et dans l’UE sont celles indiquées dans les documents cités. Adaptez l’analyse à l’autorisation, au marché et à l’usage prévu de chaque étude.
Convention éditoriale. Les règles contraignantes sont identifiées par leur numéro de règlement ou d’article. L’article 47 du règlement européen relatif aux essais cliniques demande aux promoteurs et aux investigateurs de tenir dûment compte des lignes directrices ICH GCP. Les niveaux de qualification, les schémas de maîtrise des changements, les champs d’audit, les exemples chiffrés et le calendrier constituent des recommandations d’EClinCloud [18].
Littérature et données probantes primaires. La section 2 s’appuie sur les rapports publiés de Shyr, Carroll, Yang, McKown, Karako et Gao, ainsi que de Thierry. Les sections 3 et 4 utilisent le rapport du bac à sable de la MHRA, l’étude QTL de Yan et les sources réglementaires qui y sont citées [10] [24] [25] [26] [27] [28] [21] [29].
Indicateurs de performance du fournisseur : Tous les indicateurs de performance et chiffres d’efficacité opérationnelle associés aux modules logiciels EClinCloud (tels que les pourcentages de précision de l’OCR, les réductions du temps de paramétrage et les taux de validation photographique) sont des indicateurs déclarés par l’entreprise, issus d’une documentation publique consultée le 13 novembre 2026 [35][36][37][38][39][40][41][42]. Ces indicateurs n’ont pas fait l’objet de tests ni de validation indépendants par les autorités réglementaires. Les promoteurs doivent valider de manière indépendante les performances du logiciel au regard de leurs propres protocoles d’étude, de leurs exigences utilisateurs et de leurs suites de tests de référence.
Points clés à retenir pour les équipes d'opérations cliniques et d'assurance qualité
- Identifier les règles contraignantes et les lignes directrices applicables. Documentez les règlements, les lignes directrices adoptées et les projets de textes pertinents pour la fonction. L’article 47 du règlement européen relatif aux essais cliniques demande aux promoteurs et aux investigateurs de tenir dûment compte des lignes directrices ICH GCP [18].
- Classer chaque flux de travail. Utilisez la grille de filtrage en trois questions de la section 3.1 pour évaluer les écritures non confirmées, la proximité avec les participants ou les décisions, ainsi que les niveaux d’influence et de conséquence.
- Mettre en œuvre une gestion des versions et des garde-fous contre la dérive adaptés au mode de déploiement : Exigez des empreintes cryptographiques SHA-256 des poids et des images de conteneurs pour les modèles à poids ouverts auto-hébergés. Pour les API cloud commerciales, exigez des identifiants de modèles figés et datés, un préavis contractuel en cas d’obsolescence d’un modèle, ainsi que des réexécutions périodiques sur jeu de référence assorties de marges de tolérance prédéfinies. Pour les essais pivots, l’EMA attend que les modèles et les pipelines de prétraitement utilisés pour les tests d’hypothèses soient figés et documentés avant le gel de la base de données [9].
- Conserver les preuves en vue d’une inspection. Utilisez les sections 5.1 et 5.3 pour le contrôle par l’investigateur, les exports et la limite applicable aux rapports individuels sur le temps passé.
Sources
1. FDA des États-Unis — Considérations relatives à l'utilisation de l'intelligence artificielle pour soutenir la prise de décision réglementaire concernant les médicaments et les produits biologiques (projet de ligne directrice, dossier FDA-2024-D-4689, 6 janvier 2025 ; projet — ne pas mettre en œuvre)
2. Conseil international d'harmonisation (ICH) — Ligne directrice sur les bonnes pratiques cliniques E6(R3), ligne directrice consolidée finale à l'étape 4 (adoptée le 16 juin 2026 ; principes et annexe 1 finalisés le 6 janvier 2025 ; annexe 2 adoptée le 3 juin 2026)
3. Agence européenne des médicaments (EMA) — Ligne directrice ICH E6(R3) sur les bonnes pratiques cliniques (principes et annexe 1 en vigueur le 23 juillet 2025 ; annexe 2 et version consolidée en vigueur le 15 janvier 2027)
4. FDA des États-Unis — E6(R3) Bonnes pratiques cliniques (GCP) (ligne directrice finale de niveau 1, dossier FDA-2023-D-1955, septembre 2025)
5. Administration nationale des produits médicaux de Chine (NMPA) — Bonnes pratiques cliniques pour les médicaments (révision 2026, avis 2026 n° 50, publié conjointement par la NMPA, la NHC, la NATCM et la NDCPA le 21 mai 2026 ; en vigueur le 1er septembre 2026)
6. China Center for Drug Evaluation (CDE) — Avis 2026 n° 44 publiant la ligne directrice sur les systèmes informatisés et les données électroniques dans les essais cliniques de médicaments, en vigueur le 22 septembre 2026 (avis republié par China Food and Drug Net avec le PDF de la ligne directrice en pièce jointe)
7. Union européenne, Règlement (UE) 2024/1689 du Parlement européen et du Conseil établissant des règles harmonisées concernant l'intelligence artificielle (règlement sur l'intelligence artificielle), Journal officiel L, 12 juillet 2024
8. Union européenne, Règlement (UE) 2026/1744 modifiant les règlements (UE) 2024/1689, (UE) 2018/1139 et (UE) 2023/1230 (omnibus numérique sur l'IA), Journal officiel L, 24 juillet 2026
9. Agence européenne des médicaments (EMA) — Document de réflexion sur l'utilisation de l'intelligence artificielle (IA) dans le cycle de vie des médicaments (EMA/CHMP/CVMP/83833/2023, adopté en septembre 2024)
10. Shyr C, Taylor R, Jagtap V, Cheng AC, Harris PA — Generative artificial intelligence implementation in REDCap, JAMIA Open, juin 2026 (PMID 42369825 / PMC13302799)
11. FDA des États-Unis et Agence européenne des médicaments (EMA) — Guiding Principles of Good AI Practice in Drug Development (10 principes conjoints non contraignants, janvier 2026)
12. FDA des États-Unis — Electronic Systems, Electronic Records, and Electronic Signatures in Clinical Investigations: Questions and Answers (rév. 1, ligne directrice finale non contraignante, octobre 2024)
13. FDA des États-Unis — Digital Health Technologies for Remote Data Acquisition in Clinical Investigations (ligne directrice finale non contraignante, décembre 2023)
14. FDA des États-Unis — Computer Software Assurance for Production and Quality Management System Software (ligne directrice finale non contraignante, dossier FDA-2022-D-0795, rééditée le 3 février 2026)
15. FDA des États-Unis — Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions (ligne directrice finale non contraignante, dossier FDA-2022-D-2628, rééditée le 18 août 2025)
16. FDA des États-Unis — Artificial Intelligence-Enabled Device Software Functions: Lifecycle Management and Marketing Submission Recommendations (projet de ligne directrice, dossier FDA-2024-D-4488, 7 janvier 2025 ; projet — ne pas appliquer)
17. FDA. E6(R3) Good Clinical Practice: Annex 2, projet de ligne directrice de niveau 1. Consulté le 13 novembre 2026.
18. Parlement européen et Conseil — Règlement (UE) n° 536/2014 relatif aux essais cliniques de médicaments à usage humain et abrogeant la directive 2001/20/CE, Journal officiel L 158, 27 mai 2014
19. Agence européenne des médicaments (EMA) — Guideline on Computerised Systems and Electronic Data in Clinical Trials (EMA/INS/GCP/112288/2023, publiée en mars 2023, entrée en vigueur six mois après publication)
20. Commission européenne (DG SANTE) — Stakeholders' Consultation on EudraLex Volume 4 GMP Guidelines: Chapter 4, Revised Annex 11 and New Annex 22 on AI (consultation sur le projet clôturée en octobre 2025 ; statut de projet fin 2026)
21. MHRA du Royaume-Uni — AI Airlock Sandbox Phase 2 Programme Report (soutenu par le DHSC et le RIO ; 51 candidatures, 7 candidats pilotes ; publié en juin 2026, mis à jour en juillet 2026)
22. UK MHRA — Présentation du programme de bac à sable réglementaire AI Airlock, phase 3 (publié le 6 octobre 2026)
23. International Society for Pharmaceutical Engineering (ISPE) — Guide GAMP : Intelligence artificielle (juillet 2025) et référentiel GAMP 5, deuxième édition
24. Carroll A, Brown D, Silvio D, Maszatics J, Hanauer DA — Évaluation des grands modèles de langage pour le tri et la réponse automatisés aux tickets d'assistance REDCap, JAMIA Open, juin 2026 (PMID 42261354 / PMC13242945)
25. Yang Z — Apprentissage automatique pour la prédiction du risque des centres investigateurs dans les essais cliniques : développement, validation externe et application opérationnelle à la qualification des centres, International Journal of Medical Informatics, mai 2026 (PMID 41741318)
26. McKown S, Arnold B, Boucher F et al. (groupe de travail IA de l'ISOQOL TCA-SIG) — Utilisation de l'IA dans les processus de validation linguistique des COA et de migration eCOA : analyse et recommandations de bonnes pratiques, Journal of Patient-Reported Outcomes, février 2026 (PMID 41652288)
27. Karako K, Gao J — Échographie assistée par l'intelligence artificielle (IA) dans les essais cliniques : automatisation des critères d'évaluation, monitoring décentralisé et préparation réglementaire, Drug Discoveries & Therapeutics, mai 2026 (PMID 42002939)
28. Thierry A, Manson A, Podhaisky HP — Comment les technologies de santé numérique ont été utilisées pour étayer l'autorisation réglementaire des médicaments, Therapeutic Innovation & Regulatory Science, publié en ligne en juillet 2026 ; numéro de novembre 2026 (PMID 42440213)
29. Yan L, Yu Z, Wu L, Liu R, Lin J — Optimisation du suivi des limites de tolérance qualité dans les essais cliniques par des méthodes d'apprentissage automatique, Therapeutic Innovation & Regulatory Science, mai 2025 (PMID 40000584)
30. Union européenne, Règlement (UE) 2017/745 du Parlement européen et du Conseil relatif aux dispositifs médicaux (RDM), articles 62–82 et annexe XV : Investigations cliniques, Journal officiel L 117, 5 mai 2017
31. 21 CFR § 11.10 — Contrôles applicables aux systèmes fermés (eCFR)
32. Commission européenne — Soutenir la mise en œuvre du règlement sur l'IA grâce à des lignes directrices claires
33. Union européenne — Règlement (UE) 2017/746 relatif aux dispositifs médicaux de diagnostic in vitro, y compris les études des performances
34. Groupe de coordination en matière de dispositifs médicaux (MDCG) et Comité de l'IA — MDCG 2025-6 / AIB 2025-1 : Lignes directrices sur l'interaction entre les règlements de l'UE relatifs aux dispositifs médicaux et le règlement de l'UE sur l'intelligence artificielle (juin 2025)
35. EClinCloud — Architecture de la plateforme unifiée de preuves cliniques et options d'hébergement (consulté le 13 novembre 2026)
36. EClinCloud — Cadre de confiance et de conformité (certification ISO/IEC 42001:2023, CSA STAR, DJCP China MLPS ; consulté le 13 novembre 2026)
37. EClinCloud — Spécification de la solution de saisie électronique des données (EDC) (analyse de protocole par LLM et OCR médical ; consulté le 13 novembre 2026)
38. EClinCloud — Spécification de la solution de randomisation et de gestion des approvisionnements d'essais cliniques (RTSM) (consulté le 13 novembre 2026)
39. EClinCloud — Spécification de la solution d'évaluation électronique des résultats cliniques (eCOA) (cinq modalités, assurance qualité des images et LinBot ; consulté le 13 novembre 2026)
40. EClinCloud — Services scientifiques et d'essais cliniques (gestion des échelles, validation linguistique et formation des évaluateurs ; consulté le 13 novembre 2026)
41. EClinCloud — Spécification de la solution de dossier permanent électronique d'essai clinique (eTMF) (classification automatique de l'index TMF ; consulté le 13 novembre 2026)
42. EClinCloud — CTMS : supervision pilotée par le RBQM et relecture de rapports par IA (consulté le 13 novembre 2026)