Doctorante : Florie Bouvier
Titre : Apprentissage des effets individualisés du traitement dans la méta-analyse sur données individuelles (titre provisoire)
Encadrant : Raphaël Porcher
Ecole doctorale : ED 393 Epidémiologie et Sciences de l’Information Biomédicale, Université Paris Cité
Sujet de thèse :
La médecine personnalisée a pour objectif d’adapter le traitement aux caractéristiques individuelles de chaque patient. L’un des aspects centraux de la médecine personnalisée est d’identifier des sous-groupes de patients qui bénéficient d’une intervention, ou plus d’une intervention que d’une autre. Plusieurs approches existent pour déterminer ces sous-groupes, en particulier l’estimation de l’effet individualisé du traitement (individualized treatment effect, ITE). L’ITE représente l’effet attendu du traitement pour un individu de caractéristiques données, et il est estimé à partir d’estimations de modèles de prédiction ou de méthodes d’apprentissage automatique.
La plupart des modèles de prédiction pour estimer l’ITE sont développés à partir de données d’un seul essai contrôlé randomisé. Or, ces essais randomisés sont généralement sous-dimensionnés pour ces objectifs (ils sont dimensionnés pour un test de l’effet du traitement dans l’ensemble de la population d’étude), ce qui peut conduite à un sur-apprentissage des modèles ou au contraire à l’impossibilité de capturer l’effet de variables pertinentes. Une solution est l’utilisation de méta-analyses sur données individuelles (MADI), qui permettent à la fois de disposer de données d’un plus grand nombre de sujets et d’améliorer la généralisabilité des résultats. Dans un premier projet, nous nous sommes intéressés à l’estimation des ITE dans une MADI. En particulier, à la performance de différentes méthodes prenant en compte l’hétérogénéité entre les études inclues dans la méta-analyse, combinées avec deux méthodes permettant d’estimer les ITE.
L’identification des sous-groupes de patients qui bénéficient d’une intervention permet de développer des règles individuelles de traitement (ITR). Ces dernières années, beaucoup de méthodes d’apprentissage automatique ont été proposées pour créer ces règles. Cependant, ce n’est pas clair dans quelle mesure ces méthodes aboutissent aux mêmes ITR, i.e. si elles recommandent le même traitement pour les mêmes personnes. Dans un deuxième projet, nous avons comparé les ITR crées à partir de méthodes couramment utilisées sur deux essais cliniques : l’International Stroke Trial et le CRASH-3 trial.
Pour développer des règles individualisées de traitement efficaces, il faut s’assurer que les règles ont une bonne capacité à distinguer les patients qui bénéficient des patients qui ne bénéficient pas de prendre un certain traitement i.e. il faut que les règles aient une bonne discrimination. Dans mon dernier projet, nous nous intéressons aux distributions d’effets du traitement qui permettent d’obtenir une bonne discrimination à travers une étude de simulation comprenant divers scénarios.
