Améliorer la prédiction des indicateurs de survie chez les patientes atteintes d'un cancer du sein à l'aide d'outils issus de l'intelligence artificielle et de la modélisation probabiliste est l'objectif de ModGraProDep, un système innovant présenté dans une étude menée par Ramon Clèries, maître de conférences au Département des sciences cliniques de la Faculté de médecine et Sciences de la santé de l'Université de Barcelone et membre du Master Plan Oncologie / ICO-IDIBELL.
L'étude a été publiée dans la revue Artificial Intelligence in Medicine.
La nouvelle technologie a été réalisée par une équipe d'experts en épidémiologie, oncologie et gestion des données du plan directeur d'oncologie – IDIBELL, l'Université de Barcelone, l'Université technique de Catalogne, l'Institut catalan d'oncologie (ICO), le Girona Biomedical Institut de recherche (IDIBGI), l'Université de Gérone, l'Université d'Alicante, le Centre de recherche biomédicale sur les réseaux d'épidémiologie et de santé publique (CIBERESP), l'Institut de santé Carlos III, l'Hôpital universitaire Sant Joan de Reus, le Service d'oncologie médicale de l'ICO Gérone, le Registre du Cancer de Gérone et de Tarragone et l'entité MC Mutual.
Modélisation mathématique: de nouvelles frontières dans la lutte contre le cancer
L'une des applications de la modélisation numérique pour les indicateurs cliniques en oncologie est la création de modèles prédictifs pour aider les oncologues et les médecins à classer et à évaluer les futurs scénarios d'évolution chez les patients atteints de cancer.
Dans ce contexte, la prédiction de la survie des patients – avec des variables et des âges spécifiques – est un élément décisif pour envisager des traitements et identifier des sous-groupes parmi les patients.
Cependant, ces informations sont parfois estimées par le biais de la modélisation numérique car il n'y a pas suffisamment de population échantillon pour calculer ces indicateurs spécifiquement.
L'application de la nouvelle technologie ModGraProDep (Modelinng Graphical Probabilistic Dependencies) a conduit à deux études coordonnées par la conférencière Mireia Vilardell, de la Section de Statistique du Département de Génétique, Microbiologie et Statistiques de la Faculté de Biologie de l'UB, et le chercheuse Maria Buxó, d'IDIBGI.
Dans le premier cas, ModGraProDep permet aux utilisateurs d'identifier la structure de la base de données et de créer une population « synthétique » de patients avec les caractéristiques démographiques de la cohorte d'origine.
Avec cette nouvelle approche, ils peuvent identifier les modèles potentiels de patients et calculer des indicateurs (par exemple, la survie d'un patient en fonction des valeurs de ses variables).
Dans une deuxième étude, ModGraProDep se révèle comme une nouvelle technologie qui peut allouer des valeurs de manière probabiliste dans des variables pour lesquelles aucune information n'a encore été collectée.
L'équipe scientifique a conçu une application web d'un grand intérêt clinique dans le domaine de l'oncologie qui permet d'avoir une prédiction des indicateurs de survie et de risque de mortalité par cancer -et autres causes- de chaque patient pendant une durée maximale de vingt ans.
La source:
Référence de la revue:
Vilardell, M., et al. (2020) Imputation de données manquantes et simulation de données synthétiques par modélisation de dépendances probabilistes graphiques entre variables (ModGraProDep): une application à la survie au cancer du sein. Intelligence artificielle en médecine. doi.org/10.1016/j.artmed.2020.101875.
