logo ummon crawler

La médecine de précision en oncologie.

50 % des patients n’ont pas accès à une thérapie ciblée efficace car le bon test moléculaire n’a pas été réalisé. Nous avons la solution !
Cell in tubes

Le défi

La médecine de précision évolue très rapidement; 40 % des approbations de médicaments en oncologie au XXIème siècle sont destinées à des populations définies par des biomarqueurs, cependant :
ummon microscope
1
Dans les CBNPC, 50 % des patients n’ont pas accès à une thérapie ciblée efficace car le bon test moléculaire n’a pas été réalisé.
2
Seulement 7 % des patients participent à des essais cliniques, malgré le fait que 70 % d’entre eux sont prêts à s’engager. De plus, 83 % des oncologues reconnaissent les bénéfices significatifs de ces essais pour les patients participants.
3

L’accès aux tests moléculaires et à la médecine de précision est très inégal tant au niveau international mais aussi au niveau intra-territorial en raison des coûts élevés et des limitations infrastructurelles (Mateo et al., 2023)

Tendances émergentes dans le développement de médicaments

1

Le nombre de produits en développement en oncologie a considérablement augmenté au cours de la dernière décennie, avec plus de 2 000 produits actuellement en cours de développement.

2

La demande pour des populations précisément caractérisées augmente, principalement grâce aux techniques de biologie moléculaire.

3

La recherche et le développement en oncologie ont connu un intérêt croissant pour les médicaments ciblés, avec des mécanismes d’action innovants pour le traitement des cancers au cours de la dernière décennie.

logo ummon crawler powered by chara-praidict
Un algorithme de pathologie numérique pour la caractérisation précoce des tumeurs par biologie moléculaire virtuelle.

Peut prédire :
+1 000 altérations de l’ADN et de l’ARN
+variantes de hotspots dans
+21 types de cancer

1

Sélection des patients les plus à risque pour des tests moléculaires d’urgence : réduction du temps.

2

Sélection des bons tests moléculaires : réduction de moitié du nombre de tests en supprimant les tests inutiles.

3
Extension du pool de recrutement pour les essais cliniques : Identification des études cliniques les plus pertinentes à J0 pour les patients en fonction de leurs critères d’éligibilité.
digital pathology algorithm visual
logo ummon crawler

Solution de Recrutement
Réparti & Ciblé​​

1
Les CRO enregistrent leur étude dans l’interface CRO d’Ummon Crawler.
2

L’étude est ajoutée à notre Système d’Appariement des Essais Cliniques et distribuée à nos laboratoires partenaires.

3
Ummon Crawler prédit les biomarqueurs moléculaires, puis génère des résultats lorsque les caractéristiques des patients correspondent à votre étude clinique.
4
Un rapport est envoyé au clinicien, le consentement du patient est ensuite recueilli et le contact du clinicien est envoyé au CRO.
logo ummon crawler

Solution de Recrutement
Réparti & Ciblé

1
Les CRO enregistrent leur étude dans l’interface CRO d’Ummon Crawler.
2

L’étude est ajoutée à notre Système d’Appariement des Essais Cliniques et distribuée aux laboratoires partenaires.

3
Ummon Crawler prédit les biomarqueurs moléculaires, puis génère des résultats lorsque les caractéristiques des patients correspondent à votre étude clinique.
4

Un rapport est envoyé au clinicien, le consentement du patient est ensuite recueilli et le contact du clinicien est envoyé au CRO.

Un système d'appariement prédictif des patients

1
The tissue sample sent to the pathologist

L’échantillon de tissu du patient est envoyé au pathologiste.

2
chara-prAIdict predicts molecular biology from the tissue
chara-prAIdict prédit la biologie moléculaire à partir du tissu, et Ummon Crawler fait correspondre cela avec une vaste base de données d’essais cliniques.
3
A report with best clinical trial opportunities

Un rapport contenant les meilleures opportunités d’essais cliniques est envoyé au clinicien.

4
fill eligibility criteria, leading to gold standard healthcare

Le clinicien et le patient décident s’ils acceptent une caractérisation supplémentaire pour remplir les critères d’éligibilité, ce qui conduit à des soins de santé de référence.

Notre technologie

Analyse Révolutionnaire à Double Modèle

chara-prAIdict présente un système de notation novateur qui combine le deep learning de pointe avec les informations moléculaires de la tumeur, garantissant des diagnostics de haute précision (Valderrama et al., 2024).

Robustesse assuré par une
Calibration Automatique

Notre module de calibration unique surmonte les variations interlaboratoires et inter-scanners. En utilisant un processus de calibration aligné avec nos vastes bases de données, nous assurons des résultats constants et précis, renforçant ainsi la fiabilité (Dumas et al., 2022).

Advanced Calibration for Consistency

Expérience utilisateur intuitive

Le design ergonomique d’Ummon chara-prAIdict permet même aux utilisateurs débutants de gérer le système en toute confiance, facilitant une analyse rapide et efficace sans compromettre la précision. Idéal pour une intégration fluide dans le flux de travail diagnostique des professionnels de la santé.

Intuitive User Experience

Histoire de notre Technologie

2018 - Coudray et al.

Classification et prédiction de mutation à partir d’images histopathologiques de cancer du poumon non à petites cellules à l’aide deep learning. Nat. Med.

2020 - Fu et al.

L’histopathologie computationnelle pan-cancer révèle les mutations, la composition de la tumeur et le pronostic.
nat. Cancer

2021 - Howard et al.

L’impact des signatures histologiques numériques propres à un site sur la précision et les biais des modèles de deep learning.
nat. commun

2021 - Van der Laak et al.

Deep Learning en histopathologie : le chemin vers la clinique.
Nat. Med.

2024 - Valderrama et al.

Breast-NEOprAIdict : une solution de deep learning pour prédire la réponse pathologique complète sur des biopsies de patientes atteintes de cancer du sein et traitées par chimiothérapie néoadjuvante. In review

2023 - Filiot et al.

Apprentissage auto-supervisé pour l’histopathologie avec modélisation d’images masquées.
MedRxiv

2023 - Morel et al.

Évaluation préliminaire de deep learning pour la prédiction diagnostique de première ligne du statut mutationnel des tumeurs.
sci. rep.

2022 - Dumas et al.

Technique adversariale entre domaines sémantiques dans les images histopathologiques.
ArXiv

2024 - Morel et al.

MultiVarNet : Une approche de Deep Learning et de Label Engineering pour prédire le statut mutationnel des tumeurs au niveau des protéines.
MICCAI 2024

 

2018 - Coudray et al.

Classification et prédiction de mutation à partir d’images histopathologiques de cancer du poumon non à petites cellules à l’aide deep learning.
Nat. Med.

2020 - Fu et al.

L’histopathologie computationnelle pan-cancer révèle les mutations, la composition de la tumeur et le pronostic.
nat. Cancer

2021 - Howard et al.​

L’impact des signatures histologiques numériques propres à un site sur la précision et les biais des modèles de deep learning.
NAT. COMMUNn

2021 - Van der Laak et al.​

Deep Learning en histopathologie : le chemin vers la clinique. Nat. Med.

2022 - Dumas et al.​

Technique adversariale entre domaines sémantiques dans les images histopathologiques.
ArXiv

2023 - Morel et al.​

Évaluation préliminaire de deep learning pour la prédiction diagnostique de première ligne du statut mutationnel des tumeurs.
sci. rep.

2023 - Filiot et al.​

Apprentissage auto-supervisé pour l’histopathologie avec modélisation d’images masquées.
MedRxiv

2024 - Valderrama et al.

Breast-NEOprAIdict : une solution de deep learning pour prédire la réponse pathologique complète sur des biopsies de patientes atteintes de cancer du sein et traitées par chimiothérapie néoadjuvante.
In review

2024 - Morel et al.

MultiVarNet : Une approche de Deep Learning et de Label Engineering pour prédire le statut mutationnel des tumeurs au niveau des protéines.
MICCAI 2024

Un positionnement unique

Pour les professionnels de la santé

GRATUIT : Contrairement à la plupart des solutions de pathologie numérique (environ 25€ par clic en moyenne), ralentissant leur déploiement.
TESTS ADDITIONNELS POUR LES PATIENTS : Augmentation du nombre de tests utiles avec l’indication des panels rares actuellement non réalisés et des tests moléculaires par les fabricants souhaitant recruter des patients.

OPTIMISATION : coûts de la sécurité sociale.

  • Avec la PCR : nous économisons 152 € par patient atteint de CBNPC.
  • Avec les NGS: Notre solution permet de dépister deux fois plus de personnes pour le même nombre de tests (Morel et al., 2023).

Pour la recherche clinique

Économise plus de 300 € par patient dans leur stratégie de dépistage lors du recrutement des patients, ce qui conduit à une plus grande variété d’essais cliniques.
Recrutement à partir d’un pool beaucoup plus large de patients : accélère l’innovation dans le développement de médicaments, avec plus de nouveaux traitements en cours de développement.

Un moment décisif

TECHNOLOGIE VALIDÉE

Nos pipelines d'IA ont été validés dans des revues à comité de lecture de grande qualité et dans le cadre de tests bêta.

CONSORTIUM CONSTITUÉ

Un consortium regroupant 20 laboratoires de pathologie, 5 partenaires des secteurs privé et public avec des homologues européens, a été créé.

PROPOSITION SUR MESURE

Nous recherchons des partenaires stratégiques qui nous aideront à adapter notre processus pour améliorer leurs recrutements.
  • La première étape consistera à travailler avec les laboratoires partenaires, à définir le processus, à le mettre en œuvre manuellement et à l’adapter aux besoins de chaque laboratoire.
  • le mettre en œuvre manuellement, puis d’intégrer notre solution à vos offres.
ummon game changer

Souhaitez vous en savoir plus ou collaborer avec nous ?