En février 2026, la FDA a fait deux annonces qui vont changer en profondeur la façon dont les médicaments sont développés, approuvés et mis sur le marché.
La première était une nouvelle ligne directrice sur les thérapies individualisées pour les maladies génétiques ultra-rares, établissant les données du monde réel comme voie probante attendue pour l’approbation. La seconde : un article du New England Journal of Medicine rédigé par le directeur de la FDA déclarant qu’un essai pivot unique est désormais la norme par défaut pour l’approbation des médicaments, mettant fin à ce que l’agence elle-même a appelé « le dogme des deux essais ».
Ensemble, ces annonces constituent un changement radical dans l’utilisation des données du monde réel pour l’approbation des médicaments et des dispositifs. C’est une révolution, pas une évolution.
Comment nous en sommes arrivés là
Beaucoup de gens pensent que l’utilisation des données probantes du monde réel dans un contexte réglementaire est nouvelle. En réalité, la FDA l’utilise depuis des décennies. L’approbation de médicaments a été retirée sur la base de signaux de sécurité issus du monde réel. Et la FDA a accepté les données probantes du monde réel pour démontrer l’efficacité, mais surtout de manière ponctuelle, lorsqu’un essai clinique traditionnel n’était pas faisable ou lorsqu’il existait un besoin important non satisfait ou de santé publique. Sous la direction du Dr Richard Pazdur, la division oncologie a été à l’avant-garde de l’utilisation réglementaire des données du monde réel, suivie de près par les domaines pédiatrique et des maladies rares.
Ce qui a changé, c’est la sophistication de la science. La conception et l’analyse des données probantes du monde réel ont mûri, et la FDA a réagi à ces avancées en acceptant davantage ces données. Dans le même temps, les progrès de la génétique moléculaire et des technologies cellulaires ont donné à l’agence une plus grande confiance dans la compréhension mécanistique de la manière dont les médicaments agissent. Ces deux forces, de meilleures données probantes du monde réel et une compréhension biologique plus profonde, se sont conjuguées pour rendre ce moment possible.
Il existe aussi une dimension pratique. La FDA a cité « la baisse des coûts en capital pour les développeurs de médicaments » comme une raison importante de ce changement. Un tel langage aurait été très inhabituel de la part de la FDA à n’importe quel moment auparavant.
Ce qui a été dit : la ligne directrice sur la médecine individualisée
La nouvelle ligne directrice Plausible Mechanism Framework de la FDA porte sur les thérapies individualisées pour les affections génétiques ayant une cause biologique connue. Il s’agit de maladies ultra-rares pour lesquelles la population de patients peut se compter sur les doigts d’une main et où les essais contrôlés randomisés traditionnels ne sont pas faisables.
La ligne directrice établit que, pour ces affections, les données probantes du monde réel peuvent être considérées comme la norme pour l’approbation. Les contrôles externes et les études d’histoire naturelle constituent désormais l’approche attendue. La FDA oriente les entreprises vers cette voie, et ne se contente pas de l’accepter au cas par cas.
C’est une première. Les essais randomisés, en double aveugle et contrôlés par placebo ont toujours été la norme par défaut. Pour les professionnels des opérations réglementaires et cliniques qui ont passé leur carrière à mener des essais traditionnels, il s’agit d’un changement majeur qui soulève une multitude de questions : comment garantir l’équivalence au départ si vous ne randomisez pas ? Que signifie « adapté à l’objectif » ? Comment traduire les données du monde réel en MedDRA et en CDISC ?
Ce qui a été dit : un seul essai comme nouvelle norme par défaut
La norme de la FDA depuis 1962 n’était pas seulement un essai contrôlé randomisé, en double aveugle et contre placebo, mais deux essais de ce type. Deux essais adéquats et bien contrôlés. L’article du NEJM, rédigé par le commissaire et le responsable médical/scientifique en chef, a déclaré qu’un seul essai pivot est désormais la norme par défaut pour l’approbation. L’article cite explicitement les données probantes du monde réel comme preuve confirmatoire admissible, aux côtés de la science mécanistique, des modèles animaux et des données d’indications connexes.
Dans une rupture inhabituelle, le commissaire a déclaré que « la baisse des coûts en capital pour les développeurs de médicaments » était un facteur important de ce nouveau paradigme, et que « Notre passage de la position par défaut de la FDA de deux essais cliniques à un seul réduira considérablement les coûts pour les promoteurs et accélérera la mise sur le marché des médicaments. » Les aspects économiques sont simples. Un seul essai pivot coûte entre 30 et 150 millions de dollars, sans compter les coûts de création et de dépôt de la NDA/BLA. Une étude confirmatoire entièrement fondée sur le monde réel peut être réalisée pour 15 % à 20 % de ce coût, dépôt compris. Les calculs de base entraîneront l’adoption.
Un autre aspect inhabituel de l’annonce du NEJM est qu’aucune réglementation ni projet de ligne directrice n’a été publié au Federal Register pour proposer la mise en œuvre de ce changement ou solliciter des retours scientifiques et de la communauté. Nous avons été submergés de demandes de la part d’entreprises souhaitant nous parler de ce que la FDA attend concernant la mise en œuvre de ces changements.
La bonne nouvelle, c’est que la FDA a publié 9 lignes directrices sur la manière dont les données du monde réel peuvent et doivent être utilisées dans un contexte réglementaire. Mais comme pour toutes ces lignes directrices, la clé est de comprendre comment les mettre en œuvre. Pour reprendre les mots d’un autre commissaire de la FDA à propos de ces lignes directrices : « Votre travail n’est pas d’y trouver les failles, votre travail est d’aider l’agence à corriger ces failles ».
Ce que cela signifie
Pris ensemble, ces deux annonces créent une nouvelle réalité pour le développement des médicaments. Les entreprises mèneront un essai, mettront leur médicament sur le marché, puis généreront des données probantes confirmatoires du monde réel pendant que les patients bénéficient déjà de la thérapie et que l’entreprise génère des revenus pour financer le travail. Pour les petites entreprises qui ont survécu grâce au capital-risque, cela change totalement l’économie du développement.
Voici à quoi ressemble en pratique une étude confirmatoire du monde réel. Vous pourriez mener un deuxième essai randomisé, en double aveugle et contrôlé par placebo, en complétant les patients randomisés sous placebo par des contrôles externes/synthétiques du monde réel. Vous pourriez mener une étude à un seul bras avec des contrôles entièrement externes/synthétiques. Ou vous pourriez réaliser une émulation d’essai entièrement fondée sur le monde réel. La dernière option est la plus rapide et la plus rentable.
Quelle que soit l’étude, la toute première étape consiste à démontrer que les données du monde réel proposées sont adaptées à l’objectif, ou plus récemment la FDA a qualifié cela d’adaptées à l’utilisation. Il n’existe pas de jeu de données généralement adapté à l’utilisation ; cela dépend de l’indication et du médicament. En plus de la pertinence des données par rapport au cas d’utilisation, la provenance des données, leur traçabilité, leur transformation, leur vérification et leur qualité doivent toutes être évaluées. Une première réunion de type C doit être préparée avec un plan d’étude proposé et un dossier de validation adapté à l’objectif à examiner par l’Agence.
Si la FDA accepte, alors vous commencez le processus de création d’un protocole. Cela devrait être fait dans le système CRM que vous utilisez pour les essais cliniques et dans lequel vous conserverez le dossier maître de l’essai, le plus souvent Veeva Vault. Comme pour un essai clinique, la traçabilité est essentielle.
La première question que nous posent les biostatisticiens des essais est : comment garantir l’équivalence de base si vous ne randomisez pas ? Avec les données du monde réel, nous utilisons des scores de propension pour générer des pondérations inversement proportionnelles à la probabilité de traitement ou une pondération standardisée morbidité-mortalité. Ici, nous collaborons avec l’équipe de données probantes du monde réel d’une entreprise pour construire un pont avec la biostatistique afin de concevoir un plan d’analyse statistique intégrant les compétences et l’expertise des deux XX de l’organisation.
Du côté des équipes de données probantes du monde réel, on nous demande : pourquoi ne pouvons-nous pas faire fonctionner cela ? Ici, nous construisons un pont vers les exigences réglementaires de la FDA en matière de gestion et d’analyse des données.
Et nous travaillons avec les deux équipes pour mettre en place l’infrastructure requise pour un comité de salle blanche, comprendre comment les codes de diagnostic sont traduits en MedDRA pour les analyses de sécurité, et comment toutes les données du monde réel sont traduites en CDISC pour la production des TLF finaux. Nous travaillons à résoudre les défis techniques liés à la validation des jeux de données du monde réel avec Pinnacle 21, à la publication eCTD avec Veeva RIM, et à la soumission via le portail de la FDA.
Ce que les entreprises devraient prendre en compte
La réaction la plus courante que nous entendons des équipes réglementaires et des opérations cliniques est que les approbations fondées sur des données probantes du monde réel restent l’exception. Que la FDA n’est pas vraiment prête pour cela. Que c’est trop risqué de construire un programme de développement autour de cela.
Ces annonces rendent cette position intenable. La FDA a dit directement à l’industrie : c’est l’approche attendue pour les thérapies individualisées, et c’est la norme par défaut pour les preuves confirmatoires dans le développement des médicaments au sens large. Les entreprises qui continuent à fonctionner selon les anciennes hypothèses verront leurs concurrents arriver sur le marché plus vite et à moindre coût.
Mais l’enthousiasme doit être tempéré par la réalité de l’exécution. La FDA attend que les études de données probantes du monde réel soient traitées avec la même rigueur que les essais cliniques traditionnels. Il existe désormais huit ou neuf lignes directrices qui décrivent précisément comment procéder. Les entreprises doivent préspécifier les critères de jugement, enregistrer l’étude, soumettre un protocole selon le même processus d’examen et d’approbation. L’agence attend la provenance des données, leur traçabilité, leur transparence et leur auditabilité. Elle attend des entreprises qu’elles démontrent que les données sont adaptées à l’objectif pour la maladie et le jeu de données spécifiques.
C’est là que la plupart des entreprises rencontrent des difficultés. Les compétences requises pour ce travail sont réparties entre deux groupes qui ne travaillent généralement pas ensemble. Les scientifiques spécialisés dans les données probantes du monde réel comprennent l’épidémiologie, les méthodes des scores de propension, les structures des bases de données de réclamations. Les équipes de développement clinique comprennent l’environnement réglementaire, les SOP, les attentes de la FDA en matière de gestion et de soumission des données. Mais ces deux mondes fonctionnent avec des processus, des vocabulaires et des normes très différents.
Pour les petites entreprises, une ou plusieurs de ces capacités peuvent ne pas exister en interne du tout. Pour les entreprises de taille moyenne dotées d’équipes RWE internes, ces équipes n’ont souvent aucune expérience de travail dans un environnement réglementaire. Et pour les équipes d’essais cliniques, quelle que soit la taille de l’entreprise, les méthodes de données probantes du monde réel sont souvent un territoire inconnu.
Il existe aussi une dimension technologique qu’il est facile de sous-estimer. Les systèmes propres de la FDA s’adaptent encore pour prendre en charge des jeux de données du monde réel à grande échelle. D’après notre expérience, soumettre des données probantes du monde réel à la FDA a été un processus d’apprentissage pour l’agence elle-même. Les lignes directrices expliquent ce que la FDA veut, mais il existe des écarts pratiques entre la théorie et la mise en œuvre. La FDA a été claire sur ce point : il appartient à l’entreprise soumissionnaire de résoudre ces problèmes, et non de les signaler.
Où Slipstream s’inscrit
La pratique Digital CRO de Slipstream a été conçue avant ces annonces, précisément pour le type de génération de preuves que la FDA standardise désormais.
Nous comblons le fossé entre la science des données probantes du monde réel et les normes réglementaires des essais cliniques. Nous apportons les SOP réglementaires aux équipes RWE et introduisons les méthodes de conception et d’analyse du monde réel aux équipes d’essais cliniques. Pour les entreprises qui ne disposent pas de capacités RWE internes, nous les fournissons intégralement.
Notre équipe comprend des épidémiologistes, des data scientists, des biostatisticiens, des programmeurs, des rédacteurs médicaux et des experts réglementaires. Nous opérons dans des systèmes conformes où chaque modification est suivie et vérifiable, avec plus de 250 SOP qui guident la gestion des données de l’intégration jusqu’à la soumission à la FDA. Notre partenariat avec Komodo Health donne à nos clients accès à une base de données de réclamations de soins de santé de 330 millions de patients, transférable à la FDA tout en respectant la conformité HIPAA.
Nous avons mené des soumissions à la FDA en utilisant les données probantes du monde réel comme base principale d’approbation. Nous comprenons les défis pratiques que les lignes directrices n’abordent pas entièrement. Et nous opérons à la fois comme une entreprise technologique et une entreprise des sciences de la vie, ce qui importe parce que l’intersection de ces deux capacités est précisément l’endroit où se trouvent les problèmes les plus difficiles dans ce domaine.
La FDA vient de formaliser ce vers quoi nous travaillons depuis longtemps. La question pour les entreprises, désormais, est de savoir si elles ont le bon partenaire pour exécuter.
