IA et maladies rares : comment elle bouscule les essais cliniques

Un enfant atteint de maladie rare attend en moyenne plusieurs années avant un diagnostic fiable, et près de la moitié des patients restent sans réponse malgré des tests génomiques poussés. En juin 2026, une étude NEJM AI a montré qu’un modèle d’IA de raisonnement pouvait ajouter 4,8 % de diagnostics pédiatriques validés sur des dossiers considérés comme insolubles. Au même moment, l’Europe lance ERDERA et la France le PNMR4 pour structurer de nouveaux essais précoces. Le paysage des essais cliniques dans les maladies rares est en train de se transformer en profondeur.

Ce texte propose une analyse des changements concrets apportés par l’IA : où elle accélère les essais, où elle reste clairement bornée, et comment les grands programmes de financement 2026 redessinent la chaîne entre diagnostic, stratification des patients et design des essais.

L’IA commence à débloquer le goulot d’étranglement du diagnostic

Mini-takeaway : sans diagnostic, il n’y a pas d’essai clinique ; l’IA ne « remplace » pas les généticiens, mais ajoute une couche de rendement mesurable.

Les maladies rares souffrent d’un problème structurel : même avec des séquençages exhaustifs, une large part des patients restent sans diagnostic clair.

Selon la communication d’OpenAI et des chercheurs du Boston Children’s Hospital rapportée en juin 2026, environ la moitié des personnes atteintes de maladies rares demeurent sans diagnostic malgré des tests génomiques poussés. Des dossiers restent classés avec des variants de signification incertaine, trop fragiles pour justifier l’inclusion dans un essai clinique ou l’accès à une thérapie ciblée.

L’étude publiée le 18 juin 2026 dans NEJM AI a testé une approche différente : utiliser un modèle de raisonnement avancé pour réexaminer des cas réputés insolubles.

Des chercheurs du Manton Center for Orphan Disease Research (Boston Children’s Hospital), de Harvard et d’OpenAI ont réanalysé 376 dossiers cliniques et génomiques pédiatriques anonymisés, tous restés sans diagnostic après analyse par des spécialistes.

Le modèle OpenAI o3 Deep Research, présenté comme un modèle de raisonnement et de recherche assistée, a été utilisé pour générer des hypothèses adossées à des preuves extraites des dossiers et de la littérature, sans automatiser la décision médicale. Les cliniciens sont restés responsables de la validation.

Les résultats sont précisément quantifiés :

• 376 dossiers pédiatriques rares, déjà analysés par des équipes expertes.
• 18 diagnostics confirmés après intervention de l’IA.
• Soit 4,8 % de rendement diagnostique supplémentaire au-delà de ce que l’analyse humaine seule avait permis.

Ce chiffre de 4,8 % peut sembler modeste, mais il concerne une population « résiduelle » réputée insoluble. Sur ces cas difficiles, le gain correspond à 18 enfants ayant obtenu un diagnostic après des années d’errance.

💡 À retenir : la valeur de l’IA n’est pas de diagnostiquer « à la place » des médecins, mais d’augmenter le taux de résolution de dossiers complexes, ce qui ouvre potentiellement l’accès à des essais cliniques ciblés.

Du point de vue des essais cliniques, ce surplus de diagnostics a deux effets directs :

• Augmenter le nombre de patients éligibles à des protocoles ciblés, notamment en génothérapie ou thérapies innovantes.
• Améliorer la stratification des cohortes, en évitant de mélanger des phénotypes superficiellement proches mais génétiquement hétérogènes.

Dans les maladies rares, où les essais comptent souvent quelques dizaines de patients, ce gain est significatif : 18 patients pouvant basculer de « cas non résolus » vers une entité nosologique mieux définie, c’est potentiellement plusieurs sous-cohortes nouvellement identifiables.

De la réanalyse de dossiers à la stratification des essais

Mini-takeaway : les mêmes briques d’IA qui améliorent le diagnostic peuvent être réutilisées pour sélectionner et stratifier les patients dans les essais.

Les modèles d’IA utilisés pour la réanalyse des dossiers génomiques et cliniques jouent un rôle à plusieurs niveaux de la chaîne des essais :

• Éclairer la classification des variants génétiques.
• Identifier des phénotypes subtils ou des sous-groupes.
• Aider à définir des critères d’inclusion plus précis.

En France, le 4e Plan national Maladies rares (PNMR4) présenté dans une note d’information du 2 juillet 2026 cible explicitement les tests fonctionnels pour reclassifier les variants de signification incertaine.

La note du ministère précise que les projets doivent viser l’évaluation de l’impact d’un variant génétique sur la fonction du gène ou de la protéine, avec pour objectif de reclasser des variants de signification incertaine en variantes bénignes ou pathogènes. Les projets doivent être portés par des professionnels exerçant dans des laboratoires de biologie médicale de CHU, avec un volet clinique ouvert à toutes les maladies rares.

Même si la note ne mentionne pas explicitement des outils d’IA, ce cadre crée un environnement propice à l’utilisation de modèles d’analyse automatique pour :

• Prioriser les variants à tester en fonction de scores prédictifs.
• Structurer les données phénotypiques et génomiques pour alimenter les tests fonctionnels.

Dans les essais cliniques, cette reclassification a un impact direct :

• Un variant reclassé comme pathogène peut ancrer le diagnostic et sécuriser l’inclusion dans un essai.
• Un variant reclassé comme bénin évite de sur-inclure des patients dans des protocoles inadaptés.

L’IA se positionne ainsi comme un chaînon entre le PNMR4 (tests fonctionnels) et la sélection fine des participants dans les essais, en augmentant la fiabilité des diagnostics et la robustesse des critères génétiques.

ERDERA 2026 : un cadre européen pour les essais précoces

Mini-takeaway : la montée en puissance de l’IA coïncide avec un tournant structurel des financements européens pour les essais rares précoces.

En parallèle des avancées diagnostiques, l’Europe a lancé en 2026 un appel à projets d’envergure pour soutenir les essais cliniques dans les maladies rares.

Le programme ERDERA Clinical Trial Call 2026 vise explicitement les essais interventionnels précoces dans les maladies rares. La documentation officielle précise plusieurs points clé :

• L’appel couvre des essais multinationaux en maladies rares.
• Il cible les Phase I et Phase I/II, centrées sur la sécurité, la tolérance, la pharmacocinétique, la pharmacodynamie et les premiers signaux d’efficacité.
• Les interventions éligibles sont des médicaments : petites molécules, biologiques ou ATMP (Advanced Therapy Medicinal Products), sous réserve de procédés conformes aux bonnes pratiques de fabrication.
• Sont exclus : les essais Phase III/IV, les études de pharmacovigilance, les maladies infectieuses rares, les cancers rares et les interventions sans médicament (dispositifs seuls, chirurgie, etc.).

L’appel d’ERDERA se déroule selon un calendrier structuré, précisé par des acteurs nationaux comme Firendo pour le relais en France :

• Étape 0 – Manifestation d’intérêt obligatoire : du 1er juillet au 10 septembre 2026.
• Étape 1 – Proposition succincte : 15 septembre – 29 octobre 2026.
• Étape 2 – Étape de soutien : janvier – juillet 2027.
• Étape 3 – Proposition complète : juillet – septembre 2027.
• Décisions de financement : février 2028.

Le texte d’ERDERA insiste sur le caractère indispensable d’un sponsor d’essai établi dans un État membre de l’UE ou en Norvège, et sur l’ouverture aux institutions de nombreux pays, de l’Autriche à la Turquie en passant par la France, l’Allemagne, l’Italie, le Royaume-Uni et le Canada (comme partenaire financé sous conditions).

Ce cadre n’est pas centré sur l’IA, mais il crée une fenêtre temporelle où :

• Les solutions d’IA appliquées à la stratification des patients peuvent être intégrées comme éléments méthodologiques de nouveaux essais.
• Les outils d’imagerie automatisée ou de biomarqueurs numériques peuvent être proposés comme endpoints secondaires ou exploratoires.

Dans les maladies rares, où la taille des cohortes est limitée, la capacité de l’IA à renforcer la qualité des critères d’inclusion et des endpoints (mesures de l’effet du traitement) est particulièrement stratégique, même si elle doit respecter des exigences fortes de validation et de transparence.

Comment l’IA change le design des essais (endpoints et biomarqueurs)

Mini-takeaway : la principale révolution est méthodologique : des endpoints plus objectifs et des biomarqueurs quantitatifs, parfois issus d’IA.

Au début de 2026, des signaux forts montrent que l’IA ne se limite plus à la sélection des patients, mais commence à transformer les endpoints eux-mêmes.

La revue Clinical Trials Round-Up (janvier-février 2026) rapporte par exemple que Boehringer Ingelheim a lancé un essai Phase 3b de nerandomilast (Jascayd) dans des atteintes pulmonaires interstitielles à risque de fibrose, en adoptant la solution de Brainomix comme co-endpoint primaire.

Brainomix fournit des biomarqueurs HRCT automatisés pour l’imagerie thoracique. L’essai de Boehringer Ingelheim a utilisé ces biomarqueurs quantitatifs comme co-endpoint principal, illustrant une tendance : l’imagerie assistée par IA devient une mesure centrale de l’efficacité dans certains essais.

Même si cette étude ne cible pas une « maladie rare » au sens strict, elle offre une preuve de concept directement transposable :

• Les biomarqueurs dérivés d’IA peuvent capturer des signaux d’évolution de la maladie plus tôt et plus finement que les scores visuels classiques.
• Dans les maladies rares, où chaque patient compte, cette granularité peut éviter de « perdre » des effets thérapeutiques dans le bruit.

Dans le même tour d’horizon, des solutions de neuroimagerie et d’EEG assistées par IA sont évoquées pour la neuropsychiatrie, avec des données supportant l’usage de biomarqueurs EEG comme endpoints objectifs et stratificateurs.

💡 À retenir : la transition ne repose pas sur des IA « tout-en-un », mais sur des briques ciblées (imagerie, EEG, biomarqueurs) qui deviennent co-endpoints ou endpoints principaux dans les protocoles.

Pour les maladies rares, les conséquences potentielles sont importantes :

• Des endpoints plus sensibles peuvent réduire la taille nécessaire des cohortes.
• Des mesures plus objectives peuvent renforcer les dossiers réglementaires pour des ATMP coûteuses.

Cette approche est déjà visible dans des essais de thérapie génique ou de thérapies ciblées où des systèmes d’imagerie ou de suivi fonctionnel assistés par IA aident à documenter des réponses individuelles très finement.

Paysage des outils d’IA utilisables dans les essais : spécificités et coûts

Mini-takeaway : la plupart des IA aujourd’hui utilisées dans ce contexte sont des briques spécialisées (diagnostic assisté, imagerie, génomique), avec des modèles économiques variés.

Les données publiques disponibles en 2026 décrivent plutôt des programmes de recherche et des appels d’offres que des produits commerciaux grands publics dédiés aux maladies rares et aux essais. Pour autant, plusieurs catégories d’outils se distinguent.

IA de raisonnement pour la génomique et les dossiers complexes

L’étude NEJM AI de juin 2026 repose sur le modèle OpenAI o3 Deep Research. OpenAI présente cette gamme comme une famille de modèles de raisonnement capables d’analyser des volumes importants de données hétérogènes (documents médicaux, génomiques, littérature scientifique) pour formuler des hypothèses argumentées.

Les informations publiques disponibles via OpenAI indiquent que les modèles de la série o3 sont accessibles via API, avec une facturation à l’usage (tokens) plutôt que par abonnement mensuel. Les prix exacts par mois pour des usages hospitaliers dépendant des volumes, il n’existe pas à ce stade de grille standardisée en euros ou dollars pour un « forfait maladies rares ». Les tarifs sont plutôt décrits en coût par million de tokens traités.

Cette absence de prix mensuel standardisé a deux conséquences :

• Les coûts réels pour un centre de référence maladies rares dépendront du nombre de dossiers analysés et du type de données.
• Les comparaisons entre établissements sont difficiles sans données internes.

IA d’imagerie médicale

Des solutions comme Brainomix sont déjà intégrées dans des essais industriels. Brainomix commercialise des outils d’analyse automatique d’imagerie (CT, IRM) pour des pathologies cérébrales et pulmonaires.

Les informations publiques de Brainomix décrivent un modèle de commercialisation orienté vers les établissements (licences ou contrats de prestation), avec des coûts négociés au cas par cas. Aucun tarif standard mensuel en euros ou dollars n’est publié spécifiquement pour les essais en maladies rares.

Dans les essais, ces outils apparaissent comme :

• Des plateformes intégrées au workflow d’imagerie de l’étude.
• Des solutions validées pour produire des biomarqueurs quantitatifs utilisés comme endpoints.

Programmes de recherche financés

Les appels ERDERA et PNMR4 montrent une autre facette économique : la mise à disposition de financement public pour structurer des essais où l’IA est parfois une brique parmi d’autres.

• ERDERA annonce des décisions de financement attendues en février 2028, sans détailler des montants standards par projet dans les documents consultés.
• Le PNMR4 cible spécifiquement le financement de tests fonctionnels dans les maladies rares, avec une structuration par appels à candidatures, mais sans grille tarifaire publique par projet.

💡 À retenir : à ce jour, les chiffres précis de prix mensuels en euros/dollars pour des solutions d’IA dédiées aux essais cliniques en maladies rares ne sont pas publiés de façon standardisée ; la réalité économique est surtout celle de contrats sur mesure et de financements publics.

Comparatif : trois approches IA au service des maladies rares

Mini-takeaway : l’IA pour les maladies rares se décline en trois grandes approches complémentaires plutôt qu’en un « produit miracle ».

Le tableau ci-dessous synthétise trois types d’approches aujourd’hui visibles dans les travaux et programmes liés aux maladies rares, avec les informations factuelles disponibles.

Ce tableau montre une réalité clé : l’IA intervient aujourd’hui comme brique au sein d’écosystèmes plus larges (réseaux hospitaliers, appels d’offres, partenariats industriels), plutôt que comme solution packagée avec un abonnement simple pour « essais cliniques en maladies rares ».

Où en est la « révolution » et quelles limites restent visibles ?

Mini-takeaway : la révolution est réelle sur certains maillons (diagnostic, endpoints), mais très encadrée et encore loin d’une automatisation globale des essais.

Les résultats publiés en 2026 invitent à nuancer le terme de « révolution ».

Des progrès mesurables et structurants

Plusieurs avancées sont objectivement documentées :

• La réanalyse de 376 dossiers pédiatriques rares avec o3 Deep Research a produit 18 diagnostics supplémentaires, soit un gain de 4,8 %, validé par les cliniciens, après des années d’errance pour certains enfants.
• Des essais de haut niveau, comme celui de Boehringer Ingelheim avec Brainomix, adoptent des endpoints fondés sur des biomarqueurs automatisés, ce qui marque un changement méthodologique majeur.
• Les programmes PNMR4 et ERDERA structurent un environnement où des tests fonctionnels et des essais précoces en maladies rares peuvent bénéficier de ces outils.

Ces éléments, pris ensemble, dessinent une transformation concrète : plus de patients diagnostiqués, des critères d’inclusion plus robustes, des endpoints plus fins. Dans un domaine où les cohortes sont très petites, ce type de progrès peut avoir un impact disproportionné.

Des limites clairement assumées

Les acteurs eux-mêmes soulignent des garde-fous :

• Dans l’étude NEJM AI, l’IA n’a pas réalisé les diagnostics ; elle a formulé des hypothèses, et la confirmation est revenue aux médecins après des tests additionnels.
• Les appels ERDERA excluent explicitement les interventions sans médicament et les essais tardifs, ce qui montre que la priorité reste les essais précoces autour de traitements expérimentaux, pas une généralisation tous azimuts.
• Les dispositifs d’imagerie assistée par IA doivent être validés comme dispositifs médicaux, avec des exigences réglementaires fortes (marquage, audits) avant de devenir endpoints.

Les données disponibles ne décrivent pas une IA capable de remplacer les grandes étapes des essais (design du protocole, inclusion, suivi, analyse statistique). Elles décrivent des assistants spécialisés qui améliorent la qualité de certains maillons.

💡 À retenir : la révolution actuelle ressemble plus à une « montée en gamme » méthodologique qu’à une automatisation des essais ; l’expertise humaine reste centrale, particulièrement pour les maladies rares.

Notre avis : qui devrait miser sur l’IA dès maintenant dans les maladies rares ?

Mini-takeaway : les centres de référence et les équipes engagées dans PNMR4/ERDERA ont le plus à gagner à court terme ; l’intégration de l’IA doit être pensée comme un outil de précision, pas comme une solution magique.

Au vu des données factuelles accessibles en 2026, trois profils d’acteurs apparaissent comme particulièrement concernés.

1. Centres de référence maladies rares et CHU

Les laboratoires de biologie médicale de CHU porteurs de projets PNMR4 peuvent tirer parti de l’IA pour :

• Prioriser les variants à tester dans les programmes de tests fonctionnels.
• Structurer les données cliniques pour mieux reclasser les patients et optimiser l’inclusion dans des essais.

Pour ces équipes, la priorité n’est pas de « tout automatiser », mais de mettre l’IA là où elle augmente le rendement : sur les dossiers les plus complexes, où un gain de quelques pourcents signifie plusieurs patients sortant de l’errance.

2. Sponsors d’essais précoces dans ERDERA

Les institutions européennes préparant une manifestation d’intérêt pour l’appel ERDERA avant septembre 2026 ont intérêt à intégrer explicitement les briques d’IA dans leurs protocoles, surtout pour :

• La stratification des patients (génomique, phénotype).
• Les endpoints d’imagerie ou de biomarqueurs.

Cette intégration peut renforcer la compétitivité des dossiers, à condition de documenter la validation des outils choisis et leur apport méthodologique.

3. Industriels et biotechs en ATMP et thérapies ciblées

Pour les entreprises développant des thérapies avancées coûteuses, l’IA est un levier pour :

• Documenter des réponses individuelles très fines dans les maladies rares.
• Optimiser le design de Phase I/II avec des endpoints plus sensibles.

Les partenariats avec des fournisseurs d’IA d’imagerie ou de génomique sont déjà visibles, comme le montre l’exemple de Brainomix, et devraient se multiplier.

Sur les 6 à 12 prochains mois, la vraie question pour ces acteurs n’est pas « faut-il utiliser l’IA ? », mais : sur quels maillons précis de la chaîne d’essai l’IA apporte une valeur prouvable, et avec quels partenaires validés ?

À l’échelle du système, l’enjeu est désormais de transformer des signaux comme le +4,8 % de diagnostics pédiatriques en stratégies systématiques : combien de dossiers non résolus devraient être réanalysés ? Quels types d’essais rares devraient intégrer des endpoints IA en priorité ? Et comment documenter cette valeur pour les régulateurs et les patients ?