Un récent rapport publié dans le Journal of Medical Internet Research met en lumière l'apport crucial du machine learning pour combler les lacunes majeures concernant la sécurité des médicaments pendant la grossesse. L'analyse, présentée dans la section Actualités et Perspectives, détaille comment ces technologies permettent d'exploiter de vastes ensembles de données pour identifier et évaluer les liens entre les traitements médicamenteux et leurs effets sur les femmes enceintes. La recherche médicale fait face à un problème structurel majeur : la sous-représentation chronique des femmes enceintes dans les essais cliniques. Selon l'auteure Michelle Falci, seul 4 % des essais cliniques menés au cours de la dernière décennie ont inclus des femmes enceintes comme participantes. Cette tendance regrettable remonte à 1977, lorsque la Food and Drug Administration (FDA) américaine a recommandé de ne pas inclure de femmes enceintes ou susceptibles de le devenir dans les phases 1 et 2 des essais. Cette décision, bien que motivée par la prudence, a engendré un vide de connaissances persistant sur la sécurité des médicaments pour cette population et a contribué à un manque plus général de données sur la santé des femmes. Pour pallier ces insuffisances, deux projets innovants utilisent désormais le machine learning. Le projet BOOST-HP adopte une approche fondée sur des arbres pour fouiller les données, tandis que l'étude BIONIC combine l'inférence causale et l'apprentissage automatique. Ces méthodes permettent aux chercheurs d'analyser d'énormes volumes d'informations sur l'exposition aux médicaments et leurs résultats, facilitant l'estimation de liens de causalité potentiels qui seraient difficiles à détecter par les méthodes traditionnelles. Cependant, les chercheurs soulignent que le succès de ces initiatives dépendra de la qualité et de la quantité des données disponibles. Cristina Longo, leader de l'étude BIONIC, insiste sur la nécessité de disposer de bases de données plus vastes et plus complètes. Un aspect critique reste la transparence des modèles utilisés. Almut G. Winterstein, chercheuse principale du projet BOOST-HP, met en garde contre l'utilisation de modèles dits « boîte noire », dont le fonctionnement interne est opaque. Si de tels systèmes étaient employés, les chercheurs risqueraient de manquer des erreurs épidémiologiques cruciales. À la place, l'équipe de Winterstein privilégie des modèles dont les parcours décisionnels peuvent être tracés et compris. En conclusion, malgré la nécessité d'une conception rigoureuse des algorithmes et d'expansion des jeux de données, l'intégration du machine learning dans la recherche pharmaceutique offre des perspectives prometteuses pour combler ce fossé de sécurité. Ces outils permettent non seulement d'accélérer l'analyse, mais aussi de générer des preuves solides essentielles pour guider les prescriptions médicales sûres pour les femmes enceintes et allaitantes, transformant ainsi la façon dont la médecine aborde cette question historique.