Pharmacovigilance : comment automatiser le tri des signaux sans perdre en conformité

Par Ivan — 2026-11-05

Le traitement des cas absorbe jusqu'aux deux tiers des ressources de pharmacovigilance. Guide pratique pour automatiser réception et tri en gardant l'humain responsable.

Toute équipe de pharmacovigilance (PV) connaît l'équation. Les déclarations d'événements indésirables arrivent sans cesse, des patients, des médecins, de la littérature et des partenaires, et chacune doit être enregistrée, évaluée puis, si elle est grave, notifiée dans un délai réglementaire. Automatiser le début de cette chaîne est le levier de productivité le plus évident en sécurité du médicament. C'est aussi celui où une mise en œuvre approximative produit des écarts d'audit. Ce guide montre où l'automatisation rapporte, où elle doit s'arrêter, et comment la déployer pas à pas.

1. Pourquoi le traitement des cas est le goulot d'étranglement

Selon la revue 2026 d'IntuitionLabs sur l'IA en pharmacovigilance, le traitement des cas peut absorber jusqu'aux deux tiers des ressources PV d'un laboratoire type, ce qui en fait le premier poste de coût de la sécurité du médicament. La même revue cite une enquête Deloitte dans laquelle 90 % des biopharmas visaient une baisse de ces coûts. Le volume explique la pression : WinWire indique que les cas de sécurité augmentent de 10 à 15 % par an et que les déclarations d'événements indésirables à la FDA ont progressé de 84 % entre 2014 et 2020. Par ailleurs, plus de 90 % des événements indésirables réels n'atteignent jamais les systèmes officiels : de nouveaux canaux (applications patients, veille des réseaux sociaux, objets connectés) ajouteront du volume au lieu d'en retirer.

Charge de pharmacovigilance : le traitement des cas absorbe jusqu'aux deux tiers des ressources et les volumes augmentent de 10 à 15 % par an

2. Ce que l'on peut automatiser sans risque aujourd'hui

Réception et saisie des données

Les déclarations arrivent par e-mail, PDF, notes d'appel, formulaires web et articles de littérature. Des modèles d'extraction peuvent préremplir la fiche cas : déclarant, patient, produit suspect, termes d'événement, dates. Une personne valide au lieu de ressaisir. C'est là que se trouvent les gains les plus rapides et les moins risqués.

Tri et signalement de la gravité

Un modèle peut proposer si un cas semble grave (décès, hospitalisation, mise en jeu du pronostic vital, invalidité), s'il s'agit d'un doublon et quel délai s'applique. Traitez la sortie comme une recommandation assortie d'un score de confiance. Les cas peu fiables partent par défaut vers un humain.

Codage et traduction

Proposer des termes MedDRA et traduire des récits en langue étrangère sont des tâches répétitives, bien adaptées aux modèles de langage. TransPerfect indique que l'automatisation du tri et de la traduction des déclarations réduit le temps de traitement de plus de 35 %.

3. Ce que disent vraiment les chiffres

Les chiffres des éditeurs sont encourageants mais à lire avec prudence. Tech Mahindra et NVIDIA annoncent jusqu'à 40 % de délai de traitement en moins et 30 % de précision des données en plus pour une solution agentique de PV. WinWire revendique 40 à 50 % de temps en moins sur la réception et le tri, et 40 à 60 % de coût en moins. Ce sont des résultats déclarés par les éditeurs sur leur propre périmètre, pas des benchmarks indépendants. Servez-vous-en pour poser une hypothèse, puis mesurez sur votre propre mix de cas pendant un pilote.

Gains d'automatisation PV déclarés par les éditeurs sur le temps de traitement, la précision des données et les coûts, sans benchmark indépendant

4. Où l'automatisation doit s'arrêter : l'humain dans la boucle

Les autorités sont claires. IntuitionLabs rappelle que la FDA estime que la plupart des applications d'IA en PV ne sont pas encore assez performantes pour fonctionner sans intervention humaine, et que le titulaire de l'autorisation de mise sur le marché reste responsable de son système de pharmacovigilance même lorsque l'IA est utilisée, y compris des processus validés et une supervision humaine. Concrètement, un médecin de sécurité ou un gestionnaire de cas formé prend et signe le jugement médical final sur la gravité, l'imputabilité et la notifiabilité.

Flux de pharmacovigilance supervisé : l'IA propose, un humain qualifié décide et chaque étape est consignée dans une piste d'audit

Concevez le flux pour que l'IA propose, que l'humain décide et que chaque étape soit tracée : entrée, version du modèle, suggestion, correction humaine, décision finale. Cette piste d'audit est ce que demandera un inspecteur.

5. Checklist de déploiement en 6 étapes

  1. Choisir un flux étroit. Par exemple le criblage de la littérature ou la réception pour une famille de produits.
  2. Construire un jeu de référence. Quelques centaines de cas déjà traités et revus par votre équipe, utilisés pour les tests.
  3. Fixer les critères d'acceptation avant le pilote. D'abord la sensibilité sur les cas graves, puis la justesse des champs, puis le temps gagné. Rater un cas grave est l'échec qui compte.
  4. Tourner en mode fantôme. Le modèle fonctionne en parallèle de l'équipe pendant quelques semaines ; on compare, on n'agit pas dessus.
  5. Valider et documenter. Traitez l'outil comme un système informatisé relevant de votre système qualité, avec gestion des changements pour les mises à jour du modèle.
  6. Passer en production avec une validation humaine et surveiller la dérive. Revoyez un échantillon chaque mois et suivez le taux de corrections.

6. Où les Workers Delos s'insèrent

Un Worker Delos peut prendre la couche répétitive : lire les e-mails et pièces jointes entrants, préremplir les fiches, rédiger les récits, traduire et préparer la file de revue de votre équipe sécurité. Pour structurer ce type d'automatisation supervisée, lisez notre guide des workflows agentiques en entreprise, et voyez comment nous mesurons les retours dans notre analyse du ROI de la maintenance prédictive, une méthode transposable à l'automatisation PV.

À retenir

  • Le traitement des cas est le premier poste de coût PV, jusqu'aux deux tiers des ressources.
  • Automatisez d'abord réception, suggestions de tri, codage et traduction.
  • Considérez les gains éditeurs (35 à 50 %) comme des hypothèses et mesurez sur vos cas.
  • Gardez un humain qualifié responsable de chaque décision finale, avec une piste d'audit complète.

Sources

IntuitionLabs, AI Applications in Pharmacovigilance and Drug Safety · WinWire, Pharmacovigilance Case Intake Process Automation · TransPerfect, Transforming Pharmacovigilance with AI and Automation