Améliorer les prédictions des indicateurs de survie chez les patientes atteintes d'un cancer du sein grâce à l'intelligence artificielle et aux outils de modélisation probabiliste est l'objectif de ModGraProDep, un système innovant présenté dans une étude publiée dans la revue Artificial Intelligence in Medicine.
Dirigé par le professeur Ramon Clèries, du Département des sciences cliniques de l'Université de Barcelone (UB) de la Faculté de médecine et des sciences de la santé et membre du Plan directeur d'oncologie (ICO-IDIBELL), le chercheur José Miguel Martínez Martínez, de le Groupe de recherche en santé publique de l'Université d'Alicante (UA), ainsi qu'une grande équipe d'experts en épidémiologie, oncologie et exploration de données du Plan directeur d'oncologie-IDIBELL, de l'UB, de l'Université polytechnique de Catalogne, de l'Institut catalan d'oncologie (ICO) ), l'Institut de recherche biomédicale de Gérone (IDIBGI), l'Université de Gérone, le CIBER d'épidémiologie et de santé publique (CIBERESP, Institut de santé Carlos III), l'hôpital universitaire Sant Joan de Reus, le service d'oncologie médicale de l'ICO à Gérone, le Registres du cancer de Gérone et de Tarragone et MC Mutual.
Le chercheur de l'UA, en collaboration avec une équipe multidisciplinaire d'experts en épidémiologie, oncologie et statistiques, a discuté, comparé et validé différentes propositions méthodologiques pour améliorer les prévisions des indicateurs de survie chez les patientes atteintes d'un cancer du sein.
Modélisation mathématique: nouvelles frontières dans la lutte contre le cancer
L'une des applications de la modélisation numérique pour les indicateurs cliniques en oncologie est le développement de modèles prédictifs qui aident les oncologues et les cliniciens à classer et à évaluer les futurs scénarios d'évolution pour les patients cancéreux. Dans ce contexte, la prédiction de la survie des patients – avec des variables et des âges spécifiques – est décisive pour évaluer les traitements et identifier les sous-groupes parmi les patients. Cependant, ces informations doivent souvent être estimées par des moyens de modélisation numérique, étant donné qu'il n'y a pas un échantillon de population suffisant pour calculer ces indicateurs avec précision.
L'application de la nouvelle méthodologie ModGraProDep (Modélisation des dépendances probabilistes graphiques) a favorisé deux projets de recherche coordonnés par le professeur Mireia Vilardell, du Département de génétique, de microbiologie et de statistique de la Faculté de biologie de l'UB (Section des statistiques) et la chercheuse Maria Buxó de l'IDIBGI.
Dans le premier cas, ModGraProDep nous permet d'identifier la structure d'une base de données et de générer une population simulée de patients présentant les caractéristiques démographiques de la cohorte d'origine. Avec cette approche, de nouveaux modèles de patients possibles peuvent être identifiés et des indicateurs calculés (par exemple, la survie des patients en fonction des valeurs de leurs variables).
Dans la deuxième étude, ModGraProDep est révélé comme une technologie capable d'attribuer des valeurs de manière probabiliste dans des variables à partir desquelles la collecte de données n'avait pas été possible.
L'équipe de recherche a également conçu une application web d'un grand intérêt clinique pour obtenir une prédiction des indicateurs de survie et du risque de mortalité par cancer – et par d'autres causes – de chaque patient jusqu'à 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.
