Si vous entrez dans un cabinet d'oncologie, vous verrez probablement quelqu'un lire un dossier avant même d'avoir vu un seul patient. Il peut s'agir d'une infirmière qui établit la carte d'un cas complexe pour une visite à 9 heures du matin ; elle peut également rassembler les résultats d'imagerie et de génomique et noter les traitements que le patient a arrêtés il y a six mois. Vous rencontrerez peut-être un greffier chargé d'effectuer une extraction obligatoire du registre du cancer, ou un coordinateur de recherche lisant un dossier pour déterminer si un patient pourrait correspondre aux critères d'inclusion d'un essai actif.

Le dossier d'un patient atteint d'un cancer complexe peut compter 300 pages de notes cliniques, de documents scannés, de télécopies, de rapports de pathologie, de résultats d'imagerie et de panels génomiques. Le travail du coordinateur en oncologie consiste à lire tout cela, à tenir un protocole d'essai avec ses critères d'inclusion et d'exclusion dans sa tête, et à décider si ce patient est susceptible de participer à un essai, puis à recommencer pour le patient suivant. Le dépistage à lui seul représente jusqu'à un quart du temps du coordinateur dans un centre d'oncologie.

Il s'agit du principal goulot d'étranglement qui empêche la mise sur le marché de médicaments anticancéreux susceptibles de sauver des vies. Les patients éligibles sont assis dans les salles d'attente, se présentent à leurs rendez-vous et sont enregistrés dans tous les DSE du pays. Le problème est que quelqu'un doit lire les dossiers.

La pression sur ce goulot d'étranglement s'accélère. Les essais en oncologie représentent aujourd'hui 41% de tous les essais cliniques dans le monde, avec une augmentation des démarrages d'essais de 58% au cours de la dernière décennie; plus de dix mille essais en oncologie recrutent activement en ce moment même. La découverte de médicaments assistée par l'IA comprime le début du pipeline d'une manière que l'industrie n'a pas encore assimilée. Tout cela se produit alors que l'OMS prévoit une augmentation de 77% des nouveaux cas de cancer d'ici à 2050.

Triomics* a mis en place une infrastructure d'IA spécifique à l'oncologie pour résoudre ce problème.

Pourquoi ce problème n'a pas pu être résolu jusqu'à présent

Des personnes ont déjà essayé de résoudre ce problème. Les tentatives précédentes s'appuyaient sur la recherche par mot-clé et la correspondance basée sur des règles, mais elles ne fonctionnaient pas très bien, car le travail n'est pas CTRL+F. Lorsqu'un protocole exige qu'un patient ait "échoué à une chimiothérapie de première ligne", vous ne pouvez pas le rechercher par mot-clé. En général, vous devez reconstituer un historique chronologique du traitement à partir de notes rédigées par différents médecins au fil des ans, établir un lien entre un régime spécifique et un événement de progression documenté des mois plus tard dans un rapport radiologique, et faire une déduction clinique. Les premiers outils ne pouvaient pas le faire avec suffisamment de précision pour gagner la confiance des médecins et des coordinateurs de recherche - et un outil auquel les coordinateurs de recherche ne font pas confiance est un outil qui n'est pas utilisé.

Ce qui a changé, c'est la couche du modèle : le raisonnement sur des enregistrements longs, désordonnés et multimodaux. Et c'est ce que les LLM ont appris à faire au cours des deux dernières années.

Sarim et Raj

Les améliorations apportées au modèle ont débloqué la catégorie, mais la faire fonctionner sur un graphique d'oncologie suffisamment bien pour qu'un coordinateur de recherche d'un institut de premier plan fasse confiance au résultat est une tâche différente. Il faut pour cela quelqu'un qui comprenne suffisamment les flux de travail en oncologie pour savoir à quoi ressemble la bonne réponse, et une personne capable de construire une IA de qualité sur le type de données longues, désordonnées et multimodales qu'est un dossier d'oncologie.

Triomics compte deux fondateurs : Sarim Khan a été un chercheur en biotechnologie publié au MIT et a travaillé en étroite collaboration avec des équipes de recherche clinique et de soins dans l'écosystème de Boston, tandis que Raj Singh a dirigé la recherche sur l'IA générative chez Adobe avec de multiples publications couvrant la compréhension multimodale et la génération de texte contrôlable. Un de nos clients les a qualifiés de "combinaison mortelle" pour le cancer.

Ce que Triomics a construit

Les résultats obtenus par les clients finaux dont nous avons entendu parler ne sont possibles que grâce à une décision architecturale fondamentale. L'équipe a construit OncoLLM, une famille de huit modèles spécialisés en oncologie allant de 3B à 72B paramètres, structurés comme un système de raisonnement agentique plutôt que comme un appel de modèle unique. Il fonctionne au-dessus d'OncoIndexer, le pipeline de données de la société, avec des intégrations dans Epic!, OncoEMR et iKnowMed - les trois systèmes qui couvrent environ 70-80% des fournisseurs de services d'oncologie. Le résultat est un profil structuré du patient établi à partir du dossier longitudinal complet et évalué en temps réel par rapport aux critères d'éligibilité de l'essai.

La précision de l'appariement patient-essai a franchi la barre des 95%, qui est le seuil auquel les centres de cancérologie feront confiance. Lors d'une présentation à l'American Society of Clinical Oncology, le Medical College of Wisconsin Cancer Center a fait état d'une augmentation de plus de 30% du nombre d'inscriptions à l'essai dans le cadre de son essai actif Portefeuille et d'une réduction de 67% du temps de dépistage grâce à Triomics. Le Memorial Sloan Kettering Cancer Center (MSK), le MD Anderson, le Yale Cancer Center et son Partner Smilow Cancer Hospital, ainsi que le Mount Sinai Tisch Cancer Center, figurent parmi les institutions oncologiques réputées qui travaillent avec la société.

Les clients affirment que le produit fait gagner du temps au médecin et au coordinateur , tout en générant des revenus. Les conversations sur le retour sur investissement dans les centres médicaux universitaires ne sont pas difficiles.

L'avenir de la Triomique

Nous sommes tout aussi enthousiastes à l'égard de ce qui se passe en dehors du centre médical universitaire. Environ 85% des patients atteints de cancer sont traités dans un cadre communautaire, et la plupart des pratiques communautaires organisent peu d'essais ou n'en organisent pas du tout. La douleur opérationnelle en oncologie communautaire est différente - cartographie des patients complexes avant les visites, conservation des données du monde réel pour les rapports des payeurs et des sociétés pharmaceutiques, et réalisation des résumés obligatoires du registre du cancer que chaque cabinet est tenu de soumettre. Il s'agit des flux de travail qui consomment réellement des heures de travail du personnel dans le cadre communautaire.

Parce qu'OncoLLM construit le profil structuré du patient une seule fois, chaque flux de travail - appariement, pré-cartographie, registre, visualisation de la cohorte - tire parti du même profil sans intégration ou calcul redondant. Triomics s'est installé dans des cabinets de proximité pour établir des cartes et des rapports sur la douleur, ce qui n'a rien à voir avec les essais, et transforme ensuite cette empreinte en un réseau de sélection d'essais pour le compte de sites universitaires et de promoteurs pharmaceutiques qui veulent des patients éligibles qu'ils ne peuvent pas trouver autrement.

Le volant d'inertie est intuitif : Plus de sites génèrent plus de données structurées sur les patients. Des données plus structurées rendent le réseau plus précieux pour les promoteurs, qui dépendent aujourd'hui des ORC pour étudier manuellement les sites et estimer le nombre de patients, un processus qui prend des mois et qui n'est généralement pas précis. Au lieu de cela, les sponsors peuvent interroger en temps réel un flux de données structuré par l'IA à l'échelle nationale. L'empreinte du site s'accroît et la valeur pharmaceutique s'accroît avec elle.

Le pipeline de médicaments oncologiques produit plus d'essais et de thérapies que l'infrastructure de dépistage existante ne peut en absorber. La précision requise pour intégrer l'IA dans le flux de travail d'un essai clinique n'est possible que depuis peu. Sarim et Raj ont construit un harnais qui tire parti de cette avancée ; ils ont les premiers clients pour prouver que les centres de cancérologie de classe mondiale lui feront confiance.

Et si nous disposions de données structurées en temps réel sur chaque patient atteint d'un cancer dans le pays ? Combien de vies pourraient être sauvées ? Combien de thérapies pourraient être mises sur le marché plus rapidement ?

Nous allons le découvrir ensemble. Nous sommes ravis de Partner avec l'équipe de Triomics et de diriger le dernier cycle de financement de l'entreprise.