Le recrutement des patients est crucial pour la réussite d’un essai clinique, mais cela peut être un défi majeur pour les acteurs impliqués dans cet essai. Pour surmonter ce défi, les chercheurs ont identifié plusieurs facteurs qui peuvent contribuer à un recrutement réussi. Parmi ces facteurs figurent la conception de l'étude, les stratégies et délais de recrutement ainsi que la révision de la population cible et d'autres facteurs humains (communication avec les participants, commodité et rémunération).
De plus, il est important de comprendre les problèmes que rencontrent les patients et le personnel soignant dans le cadre des essais cliniques. Les patients peuvent parfois avoir des difficultés à comprendre les protocoles d'étude complexes, les risques potentiels associés à la participation à l'étude, ainsi que les bénéfices potentiels pour leur propre santé et celle des autres patients. Le personnel soignant peut quant à lui faire face à des défis logistiques et organisationnels, tels que la gestion des données de l'étude, le recrutement et la rétention des participants, ainsi que la coordination avec les autres professionnels de la santé impliqués dans l'étude.
Ces points bloquants démontrent l’importance d’impliquer ces parties prenantes dès le début de la conception de l'étude, s'assurant ainsi que l'étude répond à leurs besoins et à leurs préférences, ce qui peut améliorer l'engagement des participants.
Dans cette optique, plusieurs nouvelles technologies peuvent être utilisées pour améliorer le recrutement, l'engagement et la rétention des participants aux essais cliniques.
L'IA (intelligence artificielle) peut aider à automatiser certaines tâches de recrutement, telles que la présélection des patients éligibles en fonction de critères spécifiques, l'identification de cohortes de patients appropriées, et la personnalisation des messages de recrutement. L'IA peut également être utilisée pour améliorer l'engagement des participants en fournissant des informations personnalisées sur l'étude, en répondant à leurs questions et en leur offrant des rappels et des incitations.
Le ML (Machine learning ou apprentissage automatique) peut être utilisé pour analyser des données volumineuses et complexes afin de découvrir des modèles de comportement de recrutement et d'engagement des participants. Ces modèles peuvent être utilisés pour prédire les résultats de l'étude et pour ajuster la stratégie de recrutement et d'engagement en temps réel.
La NLP (Natural Language Processing ou traitement du langage naturel) peut aider à améliorer la communication avec les participants et à comprendre leurs besoins et leurs préférences en matière d'information et de communication. La NLP peut également être utilisée pour automatiser certaines tâches de communication, telles que la réponse aux questions fréquentes et la personnalisation des messages.
La gamification peut être utilisée pour motiver et engager les participants, en transformant l'étude en une expérience ludique et interactive. Par exemple, les participants peuvent être encouragés à atteindre des objectifs spécifiques, à concourir avec d'autres participants ou à recevoir des récompenses pour leur participation.
Les wearables (technologies vestimentaires) sont des dispositifs électroniques portables qui peuvent être intégrés dans des vêtements, des accessoires ou directement sur la peau. Ces dispositifs sont souvent conçus pour collecter des données biométriques telles que la fréquence cardiaque, la température corporelle, la qualité du sommeil, les niveaux d'activité physique, etc. Ils peuvent être utilisés pour collecter des données de santé en temps réel, ce qui peut aider à mieux comprendre l'état de santé des participants et à personnaliser leur expérience de l'étude. Les données collectées peuvent également être utilisées pour suivre les progrès de l'étude et pour ajuster les stratégies de recrutement et d'engagement en temps réel.
Les RCDC (réseaux de communication de données cliniques) peuvent être utilisés pour partager des données entre les différents sites de l'étude et pour faciliter la communication et la coordination entre les membres de l'équipe de recherche. Les RCDC peuvent également aider à réduire les coûts et à accélérer le processus de recrutement.
En incorporant ces stratégies et technologies à la recherche clinique, nous pouvons nous rapprocher davantage de la réussite des essais cliniques et de la découverte de nouveaux traitements et thérapies pour améliorer la santé humaine.
Sources :
(2023). Reinventing Patient Recruitment Achieving accelerated clinical endpoints through a revolutionary patient recruitment model.
Calvert, M. J., Blazeby, J., Altman, D. G., & Revicki, D. A. (2013). Reporting of patient-reported outcomes in randomized trials: the CONSORT PRO extension. JAMA, 309(8), 814-822.
Chen, X., Liu, S., Wang, L., Zhang, Q., Zhu, Q., & Lu, C. (2019). Artificial intelligence in healthcare: past, present and future. Seminars in Cancer Biology, 65, 1-14.
Mahon E., Roberts J., Furlong P., et al. Barriers to Clinical Trial Recruitment and Possible Solutions: A Stakeholder Survey. Applied Clinical Trials. 2015, September 3.
Comments