Données de vie réelle : Lifen structure un nouveau standard pour la recherche clinique en oncologie

Publié le vendredi 06 février 2026 à 11h55

Lifen dresse un premier bilan de son engagement dans la recherche en oncologie fondée sur les données de vie réelle. Derrière ce bilan, une trajectoire se dessine : celle d’un acteur du numérique en santé qui ne se contente plus de fluidifier les échanges de données, mais qui contribue à redéfinir les méthodes mêmes de production de la preuveclinique, à grande échelle et en conditions réelles.

Quand la donnée hospitalière devient un actif scientifique structuré

Lancée fin 2023 par Lifen et Gustave Roussy, la cohorte LUCC (Large & Unified Cancer Cohort) s’impose rapidement comme un socle de référence sur le cancer du poumon. En moins de deux ans, plus de 15 000 patients ont été inclus, grâce à un réseau de 28 établissements publics et privés. Ce rythme d’extension est révélateur d’un besoin longtemps resté insatisfait : disposer de bases de données cliniques multicentriques, homogènes et exploitables, sans faire reposer l’effort sur des collectes manuelles lourdes et peu reproductibles.

La singularité de LUCC ne tient pas tant à son volume qu’à sa méthode. En s’appuyant sur Lifen DataLab, la plateforme automatise la structuration des données issues des comptes rendus médicaux, cœur informationnel encore largement sous-exploité des systèmes hospitaliers. Là où la recherche clinique traditionnelle peine à capter la complexité des trajectoires de soins, LUCC permet d’analyser profils de patients, pratiques réelles et efficacité des traitements à une échelle difficilement atteignable jusqu’ici.

Une validation scientifique qui dépasse le cadre technologique :

La publication, fin 2025, d’une étude issue de LUCC dans Annals of Oncology, présentée à l’ESMO, marque un tournant. Elle ne valide pas seulement la performance d’un algorithme, mais un modèle méthodologique. Les résultats montrent un taux d’erreurs deux fois inférieur à celui des collectes manuelles, et surtout une réduction significative de l’hétérogénéité inter-centres, un point critique pour toute recherche multicentrique.

Les résultats de l’étude démontrent que :

• L’IA seule surpasse systématiquement l’approche manuelle sur chacune des 31 variables cliniques étudiées et pour chacun des 10 centres participants ;
• L’IA seule réduit notamment de moitié les erreurs par rapport à la saisie manuelle (taux d’erreur de 7,0% pour l’IA contre 14,2% pour la méthode manuelle). Étant dans le cadre d’une étude rétrospective, la vérification humaine par un ARC superviseur n’a pas été faite ;
• L’IA réduit la variabilité entre centres participants par rapport à la structuration manuelle. Cela signifie qu’elle est capable de mieux systématiser la façon dont les données sont collectées et permet de répondre à l’enjeu d’homogénéité des données dans les études multicentriques ;
• Et surtout, la méthode hybride IA/expertise humaine va encore plus loin : elle combine l’extraction par l’IA avec une révision manuelle ciblée par l’IA sur les 30 % des cas qu’elle juge les plus incertains, ce qui fait chuter le taux d’erreur à 4,4 %, tout en conservant une vitesse de traitement quatre fois supérieure à l’analyse strictement manuelle.

Ce que cette étude met donc en lumière, c’est la pertinence d’un modèle hybride : automatisation par l’IA, combinée à une relecture humaine ciblée. Autrement dit, une IA pensée comme un outil d’industrialisation de la donnée clinique, et non comme un substitut à l’expertise médicale. Cette approche répond à une tension bien connue du champ : produire vite, à grande échelle, sans sacrifier la qualité scientifique ni la reproductibilité.

Annonce du projet ALK-IA, avec Takeda et Heva 

L’intérêt de LUCC ne se limite pas à la recherche académique. Le projet ALK-IA, mené avec Takeda Oncology et Heva, illustre le passage de la donnée structurée à l’impact clinique. En s’intéressant aux patients atteints de cancers bronchiques non à petites cellules ALK+, une population rare et spécifique, l’étude exploite la cohorte pour évaluer en vie réelle l’efficacité des inhibiteurs d’ALK et les schémas thérapeutiques associés.

Ici, la valeur ajoutée tient à l’articulation des sources : données hospitalières structurées par IA, expertise d’analyse médico-économique, et chaînage avec le SNDS. Ce type de dispositif ouvre la voie à une compréhension longitudinale des parcours de soins, bien au-delà du cadre hospitalier, et répond directement aux attentes actuelles des industriels, des autorités de santé et des cliniciens en matière de preuves en conditions réelles.

Vers un nouveau cadre de production de la preuve en oncologie :

Au-delà de LUCC et d’ALK-IA, Lifen pose les jalons d’un modèle extensible. Des travaux sont déjà engagés en oncologie pédiatrique et dans le cancer de la prostate, avec le soutien de partenaires institutionnels comme la Filière intelligence artificielle & cancers (Fiac). Cette dynamique traduit une évolution plus large : la donnée de vie réelle n’est plus seulement un complément aux essais cliniques, mais devient un pilier structurant de la recherche et de l’évaluation en santé.

L’enjeu est désormais moins technologique que systémique. Gouvernance des données, acceptabilité réglementaire, confiance des établissements et des patients, capacité à maintenir la qualité dans le temps : c’est sur ces dimensions que se jouera la généralisation de ce modèle. En ce sens, l’expérience de Lifen apporte un retour terrain précieux sur ce que peut être une recherche clinique réellement ancrée dans les pratiques de soin.

Une inflexion stratégique pour l’écosystème santé

Ce bilan met en évidence un glissement stratégique : la donnée hospitalière, longtemps perçue comme un sous-produit du soin, devient un actif scientifique à part entière, dès lors qu’elle est structurée, sécurisée et gouvernée. En s’inscrivant dans ce mouvement, Lifen contribue à faire émerger un cadre méthodologique capable de concilier exigences réglementaires, robustesse scientifique et rapidité d’exploitation.

À l’heure où la recherche clinique est confrontée à des délais, des coûts et des contraintes de plus en plus élevés, ce type d’approche pourrait bien redessiner les équilibres entre essais traditionnels et données de vie réelle, non pas en opposition, mais en complémentarité structurée.