Fragmented Data, Fragmented Decisions: Integrating Knowledge Systems in Modern Pharmacotherapy

Résumé technique : Données fragmentées, décisions fragmentées : Intégrer les systèmes de connaissances dans la pharmacothérapie moderne

Énoncé du problème
L'écosystème pharmaceutique contemporain est caractérisé par une croissance exponentielle des données biomédicales, pourtant cette expansion a engendré une fragmentation généralisée plutôt qu'une connaissance cohérente. L'article identifie que les sources de données — incluant les essais cliniques, les données en vie réelle (RWE), les bases de données de pharmacovigilance et les plateformes de santé numérique — sont techniquement incompatibles et épistémologiquement distinctes. Les essais cliniques privilégient la validité interne et l'inférence causale, tandis que la RWE met l'accent sur la validité externe et la pertinence contextuelle, mais introduit de l'incertitude. Les systèmes de pharmacovigilance reposent sur des signalements spontanés sujets aux biais, et les plateformes de santé numérique génèrent des flux non structurés.

Cette fragmentation n'est pas seulement un obstacle technique, mais un phénomène systémique découlant d'une hétérogénéité structurelle, d'une divergence méthodologique et d'un désalignement institutionnel. Les conséquences incluent une synthèse incomplète des preuves, la propagation de biais à travers les pipelines analytiques, une augmentation de l'incertitude dans la prise de décision et l'exacerbation des inégalités de santé. En outre, l'article soutient que si l'intelligence artificielle (IA) offre des outils d'intégration, dans des environnements fragmentés, l'IA risque d'amplifier les biais existants et de renforcer les inégalités structurelles plutôt que de les résoudre.

Méthodologie
L'étude emploie une approche de pensée systémique, conceptualisant l'écosystème pharmaceutique non pas comme un processus linéaire, mais comme un réseau dynamique et interconnecté. Plutôt que d'isoler des sources de données ou des méthodes analytiques individuelles, la méthodologie analyse les interactions complexes entre six domaines clés :

1. Génération de preuves
2. Moteurs économiques
3. Processus méthodologiques
4. Cadres politiques et réglementaires
5. Systèmes de données et d'information
6. Gouvernance et engagement des parties prenantes

La recherche utilise un cadre de modélisation conceptuelle pour cartographier le « pipeline de transformation de la preuve ». Ce pipeline retrace le parcours depuis les entrées de données hétérogènes à travers le prétraitement, la modélisation analytique, la synthèse des preuves, jusqu'aux sorties prêtes pour la décision. La méthodologie examine spécifiquement comment les biais prennent naissance, se propagent et s'amplifient à travers ces étapes, et comment les incitations économiques façonnent systématiquement la production et la distribution des preuves.

Contributions clés et résultats
L'article présente une série de cadres conceptuels (Figures 1–15) qui restructurent la compréhension des données de pharmacothérapie :

• Dynamiques au niveau du système : Les auteurs proposent que la prise de décision pharmaceutique est un écosystème piloté par des boucles de rétroaction. Les décisions et les résultats influencent continuellement les processus en amont, façonnant les futures stratégies de génération de données et de gouvernance.
• Fragmentation structurelle : L'étude détaille comment la fragmentation s'accumule tout au long du cycle de vie des données, de la génération (sources hétérogènes) à la capture (silos décentralisés), de l'harmonisation (terminologies incompatibles) à l'analyse (méthodes divergentes), et enfin à la prise de décision (politiques incohérentes).
• Amplification des biais : Une conclusion centrale est que le biais est un phénomène cumulatif et systémique. Il prend naissance dans la génération de données (ex. : confusion par indication), est propagé par les processus de signalement et de sélection, et est amplifié par les méthodes analytiques (ex. : biais algorithmique dans l'apprentissage automatique). Dans les systèmes fragmentés, ces distorsions ne sont pas isolées mais interagissent pour intensifier l'incertitude et l'iniquité.
• Le double rôle de l'IA : L'article caractérise l'IA comme étant à la fois un intégrateur et un amplificateur. Bien que l'IA puisse lier des ensembles de données disparates et automatiser la synthèse, son efficacité dépend strictement de la qualité des données et de la cohérence du système. Sans une gouvernance robuste, l'IA met à l'échelle les biais existants et les erreurs de mesure.
• Moteurs économiques : L'analyse révèle que la fragmentation est systématiquement produite par les incitations économiques. L'investissement privilégie les domaines thérapeutiques rentables, les conceptions d'études favorisent souvent l'approbation réglementaire plutôt que les critères d'évaluation centrés sur le patient, et la propriété des données propriétaires crée des asymétries d'information, menant à un paysage de preuves inégal.
• Divergence des preuves : L'article souligne la divergence inhérente entre l'efficacité des essais cliniques (validité interne) et l'efficacité en vie réelle (validité externe). Il soutient que ces deux flux de preuves sont complémentaires mais distincts, nécessitant une intégration plutôt qu'une simple substitution.
• Gouvernance adaptative : Les auteurs proposent un passage d'une réglementation statique à une gouvernance adaptative. Cela implique des cycles itératifs d'évaluation, de conception, d'action, de surveillance et d'apprentissage, soutenus par l'engagement de multiples parties prenantes et une gestion transparente des données.
• Modèle d'écosystème intégré : L'article culmine avec un modèle d'un écosystème pharmaceutique pleinement intégré. Ce modèle lie diverses entrées de données, des processus de système centraux et des sorties de décision par des boucles de rétroaction continues, visant à transformer l'information fragmentée en connaissances exploitables et équitables.

Signification et affirmations
L'article affirme que le défi principal de la pharmacothérapie moderne n'est pas l'accumulation de plus de données, mais le développement de systèmes capables de transformer l'information fragmentée en connaissances cohérentes. La portée de ce travail réside dans sa reconceptualisation des données pharmaceutiques comme des composantes d'un écosystème dynamique plutôt que comme des entités isolées.

Les auteurs soutiennent que répondre à la fragmentation nécessite un changement de paradigme dépassant la simple standardisation technique. Cela nécessite :

• Interopérabilité : Passer vers des standards partagés et des modèles de données communs.
• Gouvernance adaptative : Mettre en œuvre des cadres réglementaires flexibles capables d'évoluer avec les nouvelles preuves.
• Synthèse multi-sources : Intégrer divers types de preuves (essais, RWE, pharmacovigilance) pour gérer l'incertitude.
• Conception équitable : Veiller à ce que l'intégration du système ne perpétue pas les biais ou les inégalités existants.

En fin de compte, l'article soutient que l'avenir de la pharmacothérapie dépend de la conception de systèmes résilients, transparents et équitables où la génération de preuves, la prise de décision et les résultats font partie d'un cycle continu d'apprentissage. Le cadre proposé sert de fondement conceptuel pour passer des décisions fragmentées aux systèmes de connaissances intégrés.