Actualités

L'analyse des parcours de soins, essentielle pour comprendre la progression des maladies et l'efficacité des traitements, se heurte à des défis liés à leur nature séquentielle et à l'hétérogénéité des parcours des patients. Bien que des méthodes d'analyse existent déjà, elles ne permettent pas toujours de répondre à la complexité réelle des soins. 

L'objectif de ce séminaire est de présenter à la fois les différentes approches de segmentation de patient par clustering en univariée et en multivariée et aussi l'implémentation de ces méthodes dans un package Python : Trajectory Clustering Analysis. Nous avons appliqué les méthodes d'analyse aux données d'une cohorte longitudinale de 1371 patients diagnostiqués avec un cancer colorectal, issues de l'enquête VICAN5. Les parcours de soins des patients ont été suivis mensuellement à partir du début du traitement. 

Mots clefs : Parcours de soin, Clustering, Univariée, Multivariée, Python, Machine Learning 

Meet the winner of the 2nd edition of the QuanTIM Webinar PhD Award !

This work advances Alzheimer's disease (AD) diagnostics by investigating signs of vascular damage like white matter hyperintensities (WMHs) as potential biomarkers. Initially, it focused on optimizing the automatic segmentation pipelines for WMHs by validating a harmonization strategy for reliable segmentation across multiple datasets and scanners. Then, it explored Quantitative Susceptibility Mapping's contribution to WMH detection, finding significant improvements when incorporated into the imaging protocol. Finally, it used deep learning (DL) models for AD classification across multiple populations, employing explainability techniques to compare WMHs' relevance against healthy tissues and established AD biomarkers.

Remarkably, WMHs demonstrated higher relevance than both normal-appearing white matter and medial temporal loberegions. This finding remained consistent across DL learning architectures and explainability approaches. Our results strongly support including WMHs in AD diagnostic criteria, potentially enhancing early detection and treatment efficacy.

Keywords. White Matter Hyperintensities, Alzheimer's Disease Diagnosis, Imaging Biomarkers, Artificial Intelligence