La médecine personnalisée a pour objectif d’associer les individus à la thérapie la mieux adaptée à leur situation et à leur état de santé. Basées sur les « Big » données médicales à grande échelle, les approches prédictives de l’hétérogénéité des effets du traitement (PATH) sont fondées sur les probabilités absolues de la maladie et leurs différences, afin de soutenir au mieux la prise de décision clinique. Des modèles d’enrichissement ont été proposés pour cibler des sous-populations pertinentes de patients dans les essais cliniques de phase II ou III, dans le but d’optimiser le développement de médicaments à l’aide de modèles adaptatifs permettant de poursuivre l’évaluation de médicaments dans des sous-groupes spécifiques uniquement lorsqu’ils sont jugés prometteurs. En revanche, ces approches enrichies ont été peu utilisées dans les essais de détermination de la dose, alors que la détermination initiale d’une dose optimale est cruciale pour la poursuite du développement d’un médicament dans une population d’intérêt.
Le candidat sera basé dans l’équipe ECSTRRA (Epidémiologie et Statistiques Cliniques pour les Tumeurs, la Respiration et la Réanimation) de l’INSERM U1153, située dans le Département de Biostatistique de l’hôpital Saint Louis à Paris (https://www.sbim-stlouis.org/), France où il bénéficiera d’une expérience réelle en travaillant avec des spécialistes sur les essais cliniques, y compris les essais de phase précoce et l’inférence causale.
Les objectifs du projet sont les suivants :
- (a) Examiner la littérature existante sur les approches de conception et d’analyse des essais de recherche de doses d’enrichissement.
- (b) Développer de nouvelles approches motivées par les essais de phase précoce menés à l’hôpital Saint-Louis pour évaluer les questions méthodologiques, telles que l’ordonnancement des sous-groupes ou strates d’hétérogénéité, le partage des informations entre les strates, l’évaluation conjointe de la sécurité et de l’efficacité, les critères de décision à l’aide de méthodes bayésiennes.
- (c) Tester les propriétés statistiques des plans d’essai et des stratégies d’analyse sélectionnés.
- (d) illustrer les nouveaux modèles efficaces sur des études de cas (analyses post hoc basées sur des ensembles de données d’essais existants) ou influencer les méthodologies des futurs essais de ce type.
Ce projet devrait donner lieu à au moins deux publications évaluées par des pairs dans une revue méthodologique ou d’essais cliniques.
Ce projet fait partie du consortium SMATCH « Statistical and AI based Methods for Advanced Clinical Trial CHallenges in Digital Health » du programme national PEPR Santé Numérique, Programme #1 (https://pepr-santenum.fr/). L’équipe de supervision de ce projet comprend le Dr Lucie Biard, le Dr Moreno Ursino et le professeur Sylvie Chevret. Le projet comprendra des consultations avec d’autres membres du consortium SMATCH pour concevoir et planifier l’étude, et présenter les résultats.
Le poste (doctorat ou post-doc) sera défini en fonction du candidat. Dans le cas d’un programme de doctorat, le poste sera un contrat de doctorat à temps plein de 36 mois et l’étudiant sera affilié à l’Ecole doctorale 393 Pierre Louis de Santé Publique – Université Paris Cité – Sorbonne Université. (https://ed393.sorbonne-universite.fr/lecole-doctorale-393).
Dans le cas d’un post-doc, la durée exacte du contrat dépendra de la formation et de l’expérience du candidat, et sera de 36 mois au maximum.
Compétences exigées : Niveau master ou doctorat en biostatistique, épidémiologie clinique, mathématiques appliquées, avec expérience et maîtrise de la programmation R ou Python.
Date limite de candidature : Le poste est disponible immédiatement et restera ouvert jusqu’à ce qu’un candidat approprié soit sélectionné.
Date de début : Automne 2024 (année universitaire 2024-25).
Durée : 24 à 36 mois (en fonction du niveau d’entrée).
Salaire : Niveau doctoral ou postdoctoral ; échelle de salaire de l’INSERM.
Pour postuler, veuillez envoyer votre CV et votre lettre de motivation à lucie.biard@u-paris.fr, moreno.ursino@inria.fr, et sylvie.chevret@u-paris.fr
