La Medicines and Healthcare products Regulatory Agency du Royaume-Uni a ouvert le 22 septembre 2026 un appel à contributions pour son enquête Beyond ADMET: AI for medicines safety. L'agence demande aux organisations de toxicologie, de recherche préclinique, d'essais cliniques, de sciences de la vie, de biotechnologie et d'IA d'expliquer comment elles utilisent ou prévoient d'utiliser l'IA pour l'évaluation de la sécurité des médicaments.
C'est une actualité de conformité, mais pas parce qu'elle crée une nouvelle règle. La MHRA indique que les contributions informeront une sandbox réglementaire Beyond ADMET et de futurs travaux réglementaires. Le signal utile est que le régulateur passe de principes généraux sur l'IA aux dossiers nécessaires pour évaluer un modèle IA dans un contexte de sécurité précis.
Ce que demande la MHRA
ADMET signifie absorption, distribution, métabolisme, excrétion et toxicité. Ces sujets sont essentiels dans le développement des médicaments, car ils aident les équipes à comprendre comment un médicament se comporte dans le corps et où des problèmes de sécurité peuvent apparaître.
La MHRA affirme que l'IA pourrait aider en intégrant des données précliniques traditionnelles avec des données cliniques et des données de vie réelle selon les populations, les états pathologiques et les conditions cliniques. L'agence ne demande pas seulement si les modèles fonctionnent bien. Elle pose des questions sur le développement des modèles, la validation, l'accès aux données, le partage des données et les considérations réglementaires.
Cette liste compte. Dans l'IA réglementée, un résultat impressionnant n'est pas une preuve acceptable. Un modèle de sécurité des médicaments peut devoir montrer d'où viennent ses données, quels groupes de patients sont représentés, comment la performance a été testée, quelles limites demeurent, qui possède la preuve et quand le modèle doit être réévalué.
Le signal de la sandbox
L'enquête est liée à une future sandbox réglementaire. Une sandbox n'est pas une ligne directrice finale. C'est une méthode contrôlée permettant aux régulateurs et aux innovateurs de tester des cas pratiques avant que les attentes ne deviennent fixes.
Cela peut être utile pour l'IA de sécurité des médicaments, car le contexte change la charge de preuve. Un modèle utilisé pour prioriser une revue supplémentaire n'est pas identique à un modèle utilisé pour soutenir une soumission réglementaire ou guider une décision de sécurité. Plus la sortie IA se rapproche d'une décision conséquente, plus le dossier de validation et de contrôle des changements doit être solide.
AIforPharma a cadré l'initiative de manière indépendante dans des termes proches, en notant que la question centrale est la preuve dont un régulateur aurait besoin avant de s'appuyer sur une sortie IA. L'article souligne aussi la crédibilité des données, le contrôle du cycle de vie et le contexte d'utilisation comme les problèmes difficiles derrière l'enquête.
Ce que les équipes devraient préparer
L'action immédiate pour les équipes pharmaceutiques, biotech et IA n'est pas de prétendre que la MHRA a validé un modèle. Ce n'est pas le cas. L'action pratique consiste à organiser la preuve autour de l'utilisation prévue du modèle.
Les dossiers utiles incluent l'objectif du modèle, la décision qu'il soutient, la provenance des données, la couverture des populations, la méthode de validation, les limites connues, le plan de surveillance, le déclencheur de réentraînement, le propriétaire, l'historique d'approbation et un chemin pour expliquer les résultats modifiés. La checklist Maetra des preuves de conformité IA fournit une structure réutilisable pour transformer ces dossiers en preuves actuelles et attribuées, plutôt qu'en documents dispersés.
Pour les systèmes agentiques, le problème de preuve devient plus exigeant. Un flux IA qui recherche des données, appelle des outils ou route des recommandations nécessite un inventaire des systèmes touchés et une piste d'audit de ce qui s'est produit. Le guide Maetra de l'inventaire des agents IA est un point de départ utile, car une équipe ne peut pas valider un flux qu'elle n'a pas cartographié.
Ce qui reste incertain
La source publique est un appel à contributions. Elle n'établit pas une nouvelle obligation de conformité, n'approuve aucun modèle IA, ne définit pas de critères finaux de validation et ne dit pas que des preuves de sécurité des médicaments générées par IA seront acceptées dans les soumissions.
Elle ne résout pas non plus le problème du partage des données. Les preuves de sécurité des médicaments couvrent souvent des jeux de données cliniques, précliniques, de pharmacovigilance et de vie réelle. Relier ces sources peut créer des questions de confidentialité, de provenance, de représentativité et d'interopérabilité qu'un modèle performant ne peut pas effacer.
Analyse Maetra
L'enquête de la MHRA est importante parce qu'elle rend plus concrète la prochaine étape de la réglementation de l'IA. La question n'est plus seulement de savoir si l'IA devrait être transparente, sûre ou supervisée par des humains. Elle devient: quelle preuve démontre qu'une sortie IA est crédible pour un usage de sécurité défini?
Les équipes qui veulent utiliser l'IA en sécurité des médicaments devraient traiter l'enquête comme une invitation à constituer maintenant un dossier de preuve. Cartographiez l'utilisation prévue, reliez chaque jeu de données à sa provenance et à sa couverture, définissez les règles de validation et de réévaluation, et conservez un historique révisable des changements. Si les travaux de sandbox deviennent plus tard des lignes directrices, les équipes disposant de preuves actuelles seront mieux placées que celles qui n'ont qu'une model card et un diaporama.