Suvra Pal, professeur agrégé de statistiques à l'Université du Texas du Département de mathématiques d'Arlington, a reçu une subvention de 1,8 million de dollars des National Institutes of Health pour développer des modèles prédictifs avancés conçus pour améliorer le traitement des maladies et les remèdes potentiels.
Ces modèles pourraient potentiellement transformer la façon dont les médecins traitent le cancer et d'autres maladies graves.
Financé par le National Institute of General Medical Sciences, le projet de cinq ans vise à améliorer la précision de la prévision de la prévision d'un patient qui est susceptible d'être cliniquement guéri, lorsque la maladie est détectée tôt en utilisant des méthodes statistiques de pointe et de l'intelligence artificielle, y compris l'apprentissage automatique.
En utilisant ces techniques, les chercheurs analysent de grands ensembles de données sur les patients pour identifier les modèles et les tendances qui ne sont pas évidents pour l'œil humain. En formant des algorithmes pour reconnaître quels facteurs sont liés à la survie ou à la guérison à long terme, les modèles peuvent offrir des prédictions plus personnalisées et précises pour les patients.
Traditionnellement, les modèles se sont concentrés sur les résultats de survie, mais ils n'ont pas pu prédire un remède réel. Nos modèles visent à faire les deux: estimer la probabilité qu'un patient soit guéri et, sinon, prédire sa survie à long terme. «
Suvra Pal, professeur agrégé de statistiques, Université du Texas du Département de mathématiques d'Arlington
En incorporant des facteurs biologiques complexes comme la présence de cellules malignes même lorsqu'elles ne peuvent pas être directement observées par les modèles de Pal simulent la progression de la maladie et les résultats du traitement en utilisant ce qui est appelé variable latente.
Les variables latentes sont des facteurs cachés qui ne peuvent pas être mesurés directement mais qui affectent les choses qui sont observables. Par exemple, alors que les médecins peuvent ne pas être en mesure de voir toutes les cellules cancéreuses, ces cellules cachées influencent les résultats des tests et les symptômes des patients. En incluant des variables latentes, les modèles peuvent mieux capturer ce qui se passe vraiment à l'intérieur du corps, même lorsque certains détails sont invisibles. Ces modèles peuvent gérer des données à haute dimension, y compris des dizaines de milliers de biomarqueurs de patients, des données génétiques et des caractéristiques cliniques. L'objectif est d'isoler les caractéristiques les plus prédictives pour guider plus précisément les décisions de traitement.
« Dans de nombreux cas, les traitements ont des effets secondaires graves », a déclaré Pal. « Si nos modèles peuvent prédire plus précisément qu'un patient est susceptible d'être guéri sans une autre thérapie, nous pouvons les épargner des traitements inutiles et potentiellement nocifs. Inversement, si les modèles actuels surestiment le taux de guérison, nous pouvons intervenir plus tôt et plus efficacement. »
PAL a décrit ce travail comme un «projet passionné».
« C'est le genre de recherche qui, en cas de succès, pourrait avoir un impact réel et durable sur la façon dont nous prédisons, traitons et comprenons des maladies complexes. »
