Optimisation par IA de la sélection du portefeuille de projets R&D dans l'industrie pharmaceutique
Les portefeuilles de R&D dans l'industrie pharmaceutique sont des décisions prises dans l'incertitude : coûts de développement élevés, longues durées, risques réglementaires et forte des probabilités de succès variables caractérisent chaque investissement.
Dans la pratique, les projets sont souvent évalués et classés par ordre de priorité. Pourtant, un pipeline de médicaments n'est pas une pile de projets isolés, mais une sélection combinatoire soumise à des contraintes de budget, de risques et de diversité.
Domaine
Santé / Gestion de l'innovation
Objectif
Maximiser la valeur attendue du Drug Pipeline tout en respectant les objectifs de R&D Respecter un budget R&D annuel et un appétit pour le risque défini.
Intrants d'évaluation
La modélisation du portefeuille se base sur des données d'entrée liées au projet et à la phase, typiquement
- Probability of Technical Success (PTS) par projet ou par phase de développement
- Potentiel de vente de pointe (pic de chiffre d'affaires) en tant que moteur de valeur central
- Coûts de développement par phase (par ex. préclinique, phase I-III)
- Adéquation stratégique avec l'orientation thérapeutique (Alignment Score)
Modèle de décision et mécanisme de sélection
Afin de représenter systématiquement l'incertitude, la valeur du projet est est modélisée comme une valeur attendue pondérée de manière stochastique :
Stochastic Scoring : EVᵢ = NPVᵢ × PTSᵢ
La sélection ne se fait pas sous la forme d'un classement isolé de projets individuels, mais comme une sélection de groupe dans le portefeuille.
Un modèle de Knapsack contraint détermine la combinaison optimale Combinaison de projets sous des restrictions explicites.
Cela permet de mettre en évidence les trade-offs de portefeuille, qui sont perdus lors d'une simple Souvent perdues - en particulier en cas de budgets concurrents, structures de coûts dépendantes des phases et des objectifs de risque ou de diversité.
Contraintes (constraints)
La sélection est calculée sous des contraintes explicites, par exemple
- Limite annuelle du budget R&D (Annual R&D budget cap)
- Nombre maximal de projets d'oncologie (gestion des risques de concentration)
- Diversité minimale à travers les domaines de maladies (Minimum diversity across disease areas)
Ces restrictions garantissent que le portefeuille est non seulement soit construit de manière à maximiser la valeur, mais aussi à ajuster les risques et à être stratégiquement robuste.
Approche technologique
Une architecture décisionnelle hybride est utilisée :
- StratePlan pour la sélection combinatoire de portefeuilles sous conditions secondaires
- AHP (Analytic Hierarchy Process) pour la pondération des critères stratégiques et pour l'intégration structurée de facteurs qualitatifs
Logique de résultat
Le résultat n'est pas une liste de priorités, mais une logique de portefeuille cohérente Configuration de pipeline avec des propriétés explicitement modélisées :
- Valeur de portefeuille attendue (EV) maximisée sous l'appétit de budget et de risque
- Concentration contrôlée dans les domaines thérapeutiques (par ex. limite en oncologie)
- Adéquation stratégique et diversité comme attributs mesurables du portefeuille
- Trade-offs transparents entre la valeur, les chances de succès, les coûts et l'orientation stratégique
Conclusion
Le choix d'un portefeuille de R&D n'est pas un simple problème d'évaluation, mais un problème de décision combinatoire en situation d'incertitude.
Ce n'est que lorsque les valeurs attendues, les restrictions et les critères stratégiques sont réunies dans un modèle formel, il est possible de construire systématiquement un pipeline de médicaments robuste et d'améliorer la qualité des décisions de manière mesurable.
Modèles communs à travers des cas de figure
Évaluation
Les facteurs qualitatifs et quantitatifs sont convertis en scores comparables à l'aide d'échelles, de modèles d'évaluation ou d'une évaluation structurée par des experts. L'objectif est d'obtenir une base d'évaluation cohérente et capable de prendre des décisions.
Classement
Les éléments sont classés par ordre de priorité. Cependant, le classement est rarement la décision finale. Dans les environnements complexes, la hiérarchisation est souvent directement intégrée à une optimisation combinatoire, afin de tenir compte des interactions et des contraintes systématiquement prises en compte.
Sélection de groupe
La sélection finale va au-delà d'une simple démarche "top-k". StratePlan résout des problèmes de sélection structurés comme les modèles Knapsack, Modèles de portefeuille ou d'ordonnancement et calcule la combinaison optimale Combinaison sous des restrictions réelles.
Contraintes
Les contraintes reflètent des pénuries réelles : Capital, temps, ressources, appétit pour le risque, contraintes réglementaires, mandats stratégiques ou exigences de durabilité. Elles font partie intégrante de la logique décisionnelle.
Technologies
Utilisation hybride de méthodes MCDA (p. ex. AHP, TOPSIS) pour l'évaluation structurée et l'évaluation Évaluation combinée avec StratePlan pour une évaluation consciente des contraintes Sélection de groupe ou de portefeuille.
Ces cas montrent comment StratePlan peut faire passer les processus décisionnels du simple classement à une construction de portefeuille intelligente, consciente des contraintes. Les données d'évaluation sont converties en décisions de groupe optimisées et réalisables en fonction d'objectifs financiers, stratégiques et de durabilité.
La logique fondamentale sous-jacente - évaluation structurée → quantitative Priorisation → sélection de groupe contrainte - s'échelonne sur différentes Secteurs d'activité et est à chaque fois adaptée à des variables de réussite spécifiques au domaine et aux restrictions.
