Event archives

With increasing health data is collected, machine learning seems a perfect tool to improve individuals' health. I will summarize what we have learning working on medical images and electronic records. Behind our prediction successes, we have been faced with the challenges of data preparation, of censored data and other biases, and of the need for causal inference.

Key words: machine learning, health, electronic health record, censoring, biases

Les objectifs de la présentation sont d'introduire la théorie des graphs acycliques dirigés (directed acyclic graphs, DAGs) dans différents domaines de la recherche clinique. Les DAGs sont une représentation graphique permettant d'encoder des indépendances conditionnelles. L'approche structurelle par DAGs sera présentée en situation observationnelle et en situation interventionnelle. A partir d'exemples en épidémiologie environnementale, les variables de médiation et de modération seront envisagées en termes de DAGs. Les DAGs seront aussi utilisés pour définir la typologie des données manquantes. Enfin, dans le champs de la causal discovery, la situation où un DAG inconnu est appris à partir de données multidimensionnelles sera abordé. 

Mots-clés : Graphe acyclique dirigé ; inférence causal ; essais cliniques interventionnels ; épidémiologie ; découverte causale

The difference in restricted mean survival time (dRMST) at a specific time point is an appropriate measure to quantify the treatment effect between two arms in randomized clinical trials when the proportional hazards assumption does not hold. This is common in the context of immuno-oncology therapies. Several frequentist methods exist to estimate RMST based on modeling and integrating the survival function.

A more natural approach is to consider a regression model on the RMST directly using pseudo-observations which allows for a direct fit without modeling the survival function. Only two Bayesian methods exist, and both model the survival function with a nonparametric prior process. 

We develop a new Bayesian method based on pseudo-observations and the generalized method of moments (GMM) that offers RMST estimation adjusted on covariates without the need to model the survival function, making it attractive compared to existing Bayesian methods. 

A simulation study of 2-arm randomized clinical trials with different time-dependent treatment effects and covariate effects was conducted, demonstrating that this new approach yields valid results, consistent with existing methods and shows improved precision after covariate adjustment. For illustration, the methods were applied to analyze the PSA progression-free survival of the Getug-AFU 15 phase 3 trial in non-castrate metastatic prostate cancer.

In conclusion, we propose a new Bayesian survival method to provide a straightforward RMST estimation adjusted on covariates without the specifying the survival function.

Key words: Bayesian Survival Analysis; Restricted Mean Survival Time; Pseudo-observations; Generalized method of moments

Léa ORSINI is the winner of the first QuanTIM Webinar's PhD Student award.

Les QALYs (Quality-Adjusted Life-Years) qui viennent de fêter leurs 50 ans sont la mesure d'efficacité la plus utilisée dans les évaluations économiques des programmes de santé. Depuis quelques années leur hégémonie est cependant contestée et des alternatives sont explorées à l'instar de celles associées aux concepts de CALYs (Capability-Adjusted Life-Years) et de WELLBYs (Well-being adjusted life-years). Ces derniers pourraient être construits à partir de mesures du bien-être subjectif (mesures de la satisfaction de vie et des affects positifs et négatifs) qui représentent des évaluations de leur situation par les patients eux-mêmes. 

L'objet de cette présentation est d'exposer un certain nombre de travaux qui explorent les potentiels apports et limites de ces mesures du bien-être subjectif pour quantifier  les impacts de la maladie et des traitements sur la vie des patients. Ces travaux explorent notamment la possibilité d'adaptation des personnes confrontées à la maladie. La présentation discute les conséquences que les résultats de ces recherches peuvent avoir pour décider de la pertinence des QALYs et d'indicateurs alternatifs pour guider les choix d'allocation des ressources en santé.

Mots-clés : évaluation économique, QALYs, bien-être subjectif, capabilités, adaptation

Plus d'informations sur l'intervenant : https://sphere-inserm.fr/fr/membre/philippe-tessier

The ability to measure gene expression levels for individual cells (vs. pools of cells) is crucial to address many important biological questions, such as the study of stem cell differentiation, the detection of rare mutations in cancer, or the discovery of cellular subtypes in the brain. Single-cell transcriptome sequencing (RNA-Seq) allows the high-throughput measurement of gene expression levels for entire genomes at the resolution of single cells. RNA-Seq studies provide a great example of the range of questions one encounters in a Data Science workflow, where the data are complex in a variety of ways, there are multiple analysis steps, and drawing on rigorous statistical principles and methods is essential to derive reliable and interpretable biological results. In this talk, I will provide a survey of statistical questions related to the analysis of single-cell RNA-Seq data to investigate the differentiation of stem cells in the brain, including, exploratory data analysis, dimensionality reduction, normalization, expression quantitation, cluster analysis, and the inference of cellular lineages.

Keywords: Transcriptomics, single-cell, lineage inference, differential expression, stem cell

About the speaker: https://www.stat.berkeley.edu/~sandrine

Clinical prediction models estimate an individual’s risk of a particular health outcome. In this talk, I suggest that prediction model research has become the academic’s playground, and that machine learning and AI have only exacerbated this problem. I highlight common pitfalls, including model instability and poor calibration, and propose some solutions moving forwards. The talk is aimed at a broad audience.

Keywords: Clinical prediction models, machine learning, AI, predictive algorithms, stability 

Randomized Controlled Trials (RCTs) are pivotal in evidence-based medicine, estimating average treatment effects by averting confounding factors. However, concerns about RCT limitations—strict eligibility criteria, real-world impracticality, and small sample sizes—threaten their generalization to diverses populations. We will developp transportability methods by integrating non-randomized observational data to extend trial findings to other populations, potentially facing distributional shifts.

Keywords: Causal Inference, Clinical trials,  Transportability, Treatment Effect, Double Robustness

More information about the speaker: https://juliejosse.com/

L’équipe GHiGS (Inserm/IRD/Université de Bordeaux) collabore depuis désormais 8 ans avec l’ONG humanitaire ALIMA pour co-construire des projets de recherche clinique destinés à améliorer la santé materno-infantile lors des crises humanitaires. Une de nos pistes de travail consiste à décloisonner les programmes verticaux pour nous positionner dans une approche plus globale de la santé visant à créer des synergies entre ces différents programmes.

Alors que la mise en œuvre opérationnelle sur le terrain des vaccins chez les enfants continue de constituer un véritable défi de santé publique dans nombre de zones décentralisées africaines, nous pensons que le Supplément Nutritionnel à base Lipidique (SQ-LNS) pourrait être une solution clinique novatrice pour inciter à la vaccination tout en prévenant la malnutrition aiguë chez les enfants africains.

Ma présentation consistera à vous détailler ces enjeux et en particulier les réflexions méthodologiques sur le schéma d’étude le plus adapté à ces contextes de crises humanitaires (randomisation individuelle, en cluster classique, ou en cluster step-wedge), en posant les avantages et inconvénients de chacun de ces schémas d’étude. 

Mots-clés : Afrique, enfants, vaccination, malnutrition aiguë, schéma d’étude

Qu'entend-on par émulation d'essai clinique, quels sont les principales méthodes utilisées et les principaux pièges à éviter ?

Mots-clés : inférence causale , essais émulés, biais liés aux temps zéro

Les températures élevées sont identifiées par le groupe d’experts intergouvernemental sur l’évolution du climat (Giec) comme l’un des risques climatiques les plus préoccupants en Europe. En France métropolitaine, les canicules sont les évènements climatiques extrêmes associés au fardeau humain le plus élevé, avec plus de 42 000 décès toutes causes en excès observés pendant ces évènements entre 1970 et 2022. En dehors des canicules, les températures chaudes, qui sont souvent perçues comme ne présentant pas d’enjeu pour la santé, posent également des risques importants pour la santé. 

La chaleur ayant des effets multiples sur la santé, il n’est pas possible d’identifier en temps réel les décès attribuables à la chaleur, sur la base par exemple de causes de décès prédéfinies.  La fraction de mortalité attribuable à la chaleur est donc estimée à partir de modèles statistiques, développés pour chaque départements français métropolitains. Ces modèles mettent en évidence un impact important tout au long de l’été, avec par exemple 7 000 décès attribuables à la chaleur en 2022, dont 29% pendant les canicules.

Ils appellent à une adaptation structurelle et systémique à la chaleur pour réduire le risque pour la santé humaine tout au long de l’été.

Mots-clés : canicule, température, chaleur, changement climatique, mortalité