Archives des actualités

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 

Dans les deux dernières décennies, les progrès technologiques dans les domaines de la captation de données en temps réel et de leur stockage ont conduit au fait que les données sont de plus en plus souvent mesurées de manière continue dans le temps. Dans le monde statistique, ces données sont communément appelées des données fonctionnelles car elles sont modélisées par des fonctions. Dans les domaines où les données sont fondamentalement spatiales tels que les sciences environnementales, l’agronomie ou encore la démographie, l’émergence des données fonctionnelles a naturellement conduit à la définition de données spatio-fonctionnelles. Ces données sont caractérisées par une localisation spatiale et un ensemble d’observations mesurées en temps continu ou quasi-continu.
Dans cette présentation, nous proposons plusieurs techniques de détection de clusters spatiaux pour données fonctionnelles univariées et multivariées et leur application à des données réelles dans le domaine de la santé-environnement.

Mots-clés : Statistique spatiale; Données fonctionnelles; Détection de clusters; Statistiques de scan; Santé Environnement

Plus d'informations sur l'intervenant : https://pro.univ-lille.fr/en/michael-genin

Benchmark surveillance tests for detecting disease progression (e.g., biopsies, endoscopies) in early-stage chronic noncommunicable diseases (e.g., cancer, lung diseases) are usually burdensome. To detect progression timely, patients undergo invasive tests planned in a fixed one-size-fits-all manner (e.g., annually).

We aim to present personalized test schedules based on the risk of disease progression that optimize the burden (the number of tests) and the benefit (shorter time delay in detecting progression is better) better than fixed schedules and enable shared decision-making. Our motivation comes from the problem of scheduling biopsies in prostate cancer surveillance.

Using joint models for time-to-event and longitudinal data, we consolidate patients' longitudinal data (e.g., biomarkers) and results of previous tests into the individualized future cumulative risk of progression. We then create personalized schedules by planning tests on future visits where the predicted cumulative risk is above a threshold (e.g., 5% risk). We update personalized schedules with data gathered over follow-up. To find the optimal risk threshold, we minimize a utility function of the expected number of tests (burden) and expected time delay in detecting progression (shorter is beneficial) for different thresholds. We estimate these two in a patient-specific manner for following any schedule by utilizing a patient's predicted risk profile.

Patients/doctors can employ these quantities to objectively compare personalized and fixed schedules and make a shared decision about a test schedule.

Key words: Precision medicine, dynamic predictions, joint models.

Après la présentation des grandes composantes des systèmes de santé des pays d’Afrique subsaharienne, est décrit puis analysé le système de santé du Mali. Dans cette perspective, un accent particulier est mis d’une part sur les différentes innovations mises en œuvre pour améliorer l’accès aux soins essentiels de qualité sur l’ensemble du territoire, d’autre part sur le financement des dépenses de santé dans cet immense pays sahélien aux ressources limitées. Il évite cependant de prendre en compte la situation dramatique qu’il subit aujourd’hui.

Mots clés : Systèmes de santé, Accès aux soins, Financement de la Santé, Assurance Maladie, Planification

Housing occupies a central space among the domains that make up socio-economic position, as a pathway through which social inequalities are transformed into tangible, material living conditions. This paper expands on the consequences of housing tenure histories in the context of the timing of ageing transitions in England.

By explicitly tracing the intergenerational nature of tenure histories, it illustrates the long arm of processes of accumulation of disadvantage and compensatory advantage, with parental circumstances affecting the loss of key resources in later life. Rather than focusing on the stock of these later life resources, this study focuses on their flow, by investigating the rhythm of ageing, seen as the age variability in timing of adverse events such as health loss and wealth loss. Using the harmonized version of waves 3-8 (2006-2018) of English Longitudinal Study of Ageing (ELSA), as well as the retrospective life history data collected in wave three, we combine sequence analysis with event history analysis.

In broad lines, earlier health loss is associated with precarious housing careers, with those still renting accommodation at age 50 having substantially earlier health loss after taking cohort, gender, ethnicity and occupational class into account. Earlier wealth loss on the other hand is less directly related to final housing status, with those growing up abroad, and buying late also experiencing elevated hazards of wealth loss in later life. Downward housing careers, such as growing up in owned accommodation but not owning as an adult, results in earlier onset of health loss, but not result in earlier wealth loss, demonstrating compensatory effects of an advantaged parental housing background, stretching over decades.

Keywords: ageing housing lifecourse sequences survival timing

The body of literature that will be presented aims to examine how urban life environments as well as transport and mobility influence health. These studies investigate dynamics of exposures, behaviors, and health in space and time based on high frequency data. They rely on a continuous monitoring of participants with wearable sensors of location, behavior, environmental exposures, and health and real-time smartphone surveys (according to different survey strategies). These studies allow researchers to investigate contextual effects on health with “momentary” analyses of sensor data. Disaggregating environmental exposures and health responses at the level of successive life segments taken as the statistical units of the analysis permits to contextualize behaviors and health states in their immediate environment and investigate dynamic processes that lead to unfavorable behavior and health status, with a focus on individual, environmental, and situational determinants.

Keywords: Environmental risk; sensors; smartphones; urban health; neighborhoods and health; mobility; transport behavior

The era of “precision medicine” is in full swing. Precision medicine, which aims at giving the right treatment to the right patient at the right time, takes advantage of predictive biomarkers to deliver targeted drugs. This is particularly important in oncology, given the high stakes of treatment benefit vs. treatment harm. Precision medicine may be taken one step further if individual patient preferences are factored into decision-making to reach what might be truly called “patient-centric medicine”. Allowing patients to make individualized treatment decisions is currently done informally, since no statistical methods integrate several indicators of efficacy and toxicity into a single, quantitative measure.

A new statistical method, named “generalized pairwise comparisons” (GPC), allows formal decisions based on the totality of the available information in a rigorous way. Using GPC, all efficacy, toxicity and quality of life data from patients enrolled in clinical trials comparing competing interventions can be used to analyse any number of prioritized outcomes of any type (binary, continuous, time to event, etc.), possibly with thresholds of clinical relevance for continuous or ordered outcomes. The method compares all possible pairs of patients formed by taking one patient from the experimental group and one patient from the control group of a randomized trial.

We have proposed a new measure of the overall treatment effect, called the “Net Treatment Benefit” (NTB), as the difference between the probability that a patient taken at random in the experimental group has a better outcome than a patient taken at random in the control group. The NTB is an absolute measure that directly addresses patient-centric questions about the probabilities of benefits and harms from treatment. As such, the GPC method can be used to individualize treatment choices. Other measures of treatment benefit include the win ratio, which has received a lor of attention in cardiovascular trials, and the win odds. The general properties of GPC and the associated measures of treatment effect will discussed, and illustrated in actual applications.

keywords: Multiple outcomes, Prioritized outcomes, Benefit-risk analysis, Net Treatment Benefit, Win Ratio

With over 200 source vocabularies, the construction and maintenance process of the UMLS (Unified Medical Language System) Metathesaurus terminology integration system is costly, time-consuming, and error-prone as it primarily relies on (1) lexical and semantic processing for suggesting groupings of synonymous terms, and (2) the expertise of UMLS editors for curating these synonymy predictions. Our objective is to improve the UMLS Metathesaurus construction process by developing a novel supervised learning approach for improving the task of suggesting synonymous pairs that can scale to the size and diversity of the UMLS source vocabularies. We evaluate this deep learning (DL) approach against a rule-based approach (RBA) that approximates the current UMLS Metathesaurus construction process.

Our initial experiments demonstrate the strong performance across multiple datasets of our DL approach in terms of recall (91-92%), precision (88-99%), and F1 score (89-95%). Our DL approach largely outperforms the RBA method in recall (+23%), precision (+2.4%), and F1 score (+14.1%). This novel approach has great potential for improving the UMLS Metathesaurus construction process by providing better synonymy suggestions to the UMLS editors. Recent developments will be discussed.

keywords: Biomedical terminology, Ontology alignment, Unified Medical Language System (UMLS), Neural techniques, Deep learning, Supervised machine learning

Le programme ATLAS, coordonné par un symposium Solthis / IRD et financé par Unitaid, a visé la promotion et le déploiement de l'autodépistage du VIH (ADVIH) en Afrique de l'Ouest. Il a été mis en oeuvre entre 2019 et 2021 en Côte d'Ivoire, au Mali et au Sénégal avec les ministères de la santé des trois pays et une trentaines de partenaires. Près de 400 000 autotests ont été distribués par plus de 1400 agents formés (pairs-éducateurs et soignants).

Les autotests de dépistage peuvent être remis aux personnes pour leur propre usage (distribution primaire) ou pour qu'elles les redistribuent à leurs partenaires et connaissances (distribution secondaire). Compte tenu du contexte épidémiologique ouest-africain (épidémies mixtes), ATLAS a intégré la distribution secondaire comme une composante cruciale. L'objectif de la distribution secondaire est de fournir l’ADVIH au-delà des contacts primaires atteints par les professionnels de la santé et les pairs éducateurs lors de la distribution primaire. Ces contacts secondaires sont souvent des membres des populations clés qui sont plus difficiles à engager dans la prévention du VIH, ainsi que d'autres populations vulnérables périphériques. Cette spécificité de l’ADVIH implique que les bénéficiaires (utilisateurs finaux) de l’ADVIH ne sont pas limités aux contacts primaires.

Plusieurs volets de recherche en vue d'une évolution multidimensionnelle ont été menés dans ATLAS (enquêtes qualitatives, enquête par téléphone auprès des utilisatrices et utilisateurs, recueil des coûts, modélisation épidémiologique). Dans cette présentation, nous présenterons les principaux résultats de recherche et montrerons que la distribution secondaire est faisable, acceptable, coût-efficace et permets d'atteindre, au-delà des populations clés, des populations vulnérables qui n'avaient pas/peu accès au dépistage du VIH.

Mots-clés : VIH, autodépistage, Afrique de l'Ouest, Solthis

In this presentation I will discuss how mathematical modeling of viral dynamics have been used during the Covid-19 pandemics. I will first show how the first data obtained in hospitalized patients have been used to better understand some key aspect of the viral dynamics during an infection, and to assess the impact of viral load on disease progression and risk of death. I will then show that these models can be used to estimate the antiviral efficacy of drugs, taking the example of remdesivir and monoclonal antibodies. Lastly, I will discuss the use of models to tease out the impact of viral load on the risk of transmission.

key words : SARS-CoV-2, viral dynamics, mathematical models, antiviral drugs, transmission

Fed-BioMed is a research and development initiative aiming at translating federated learning (FL) to healthcare applications. FL has appealing guarantees about the respect of the data governance, since it allows us to train AI models across different hospitals by sharing model parameters only, instead of data.

However, the translation of FL research into practice poses novel technical and societal questions, and the deployment of FL requires to tackle important challenges to meet the strict requirements of real-world conditions. Typical problems to be addressed concern FL security, scalability and interoperability, which motivate novel research directions and promote the close interactions between researchers, technicians and healthcare practitioners.

During the talk I will provide an illustration of the translational effort that characterise the development of the Fed-BioMed FL platform, and discuss our current effort in delivering FL across health institutions in France.             

Keywords: federated learning, multi-centric studies, artificial intelligence, data security, data governance

Two classes of statistical models for the analysis of multi-state models will be reviewed: intensity-based models and marginal models. In the former class of models, one aims at modeling the entire multi-state process and all its transition intensities while, in the latter class, one focuses on direct estimation of certain marginal features, such as state occupation probabilities. We will argue that the latter class is particularly relevant in randomized studies where the aim is a comparison of two treatment arms. Examples from medical research will illustrate the methods.

key words: Multi-state model, survival analysis, transition intensity, marginal parameter, pseudo-observation

Un passage sur les données en santé, leur richesse, leur diversité, mais aussi leur singularité. La science étant incapable de bien comprendre la nature de l’intelligence, elle en construit une autre, artificielle, qu’elle peut définir en toute liberté et sans se contredire. De quoi parle-t-on ?  Que peut-on en espérer et à quoi faut-il rester attentif ?

Mots-clés : Artificial intelligence, Big data, health

Bien que les essais randomisés soient considérés comme le design de choix pour évaluer l’effet causal de traitements ou interventions, il est parfois impossible de conduire de tels essais, pour des questions éthiques ou logistiques. Les essais cliniques peuvent aussi manquer de pragmatisme, incitant les autorités de santé à réclamer, en complément des essais randomisés, des évaluations en contexte réel. Ces évaluations utilisent de plus en plus de données observationnelles, issues de registres ou collectées en routine en soins primaires et secondaires. Cependant, de nombreux biais peuvent être présents lors de l’analyse de ces données, en particulier les biais de confusion, de sélection ou de temps immortel. Afin de limiter ces biais, un cadre théorique pour l’émulation d’essais cliniques à partir de données observationnelles a été récemment proposé. Une des manières d’émuler un essai est de « cloner » les patients à l’entrée de l’étude et d’allouer chacun des clones à un bras de l’essai.

L’objectif de cette présentation est de discuter les principes et atouts de cette approche à l’aide d’une application utilisant des données du registre des cancers anglais, visant à évaluer les bénéfices de la chirurgie chez des patients âgés atteints de cancer du poumon.

Mots-clés : inférence causale, données observationnelles, essais émulés, biais d’immortalité, pondération

Poor geographic access can persist even when affordable and well-functioning health systems are in place, limiting efforts for universal health coverage (UHC). It is unclear how to balance support for health facilities and community health workers in UHC national strategies. The goal of this study was to evaluate how a health system strengthening (HSS) intervention aimed towards UHC affected the geographic access to primary care in a rural district of Madagascar. For this, we collected the fokontany of residence (lowest administrative unit) from nearly 300,000 outpatient consultations occurring in facilities of Ifanadiana District in 2014-2017, and in the subset of community sites supported by the HSS intervention. Distance from patients to facilities was accurately estimated following a full mapping of the district’s footpaths and residential areas. We modelled per capita utilization for each fokontany through interrupted time-series analyses with control groups, accounting for non-linear relationships with distance and travel time among other factors, and we predicted facility utilization across the district under a scenario with and without HSS.

Finally, we compared geographic trends in primary care when combining utilization at health facilities and community sites. We find that facility-based interventions similar to those in UHC strategies achieved high utilization rates of 1-3 consultations per person-year only among populations living in close proximity to facilities. We predict that scaling only facility-based HSS programs would result in large gaps in access, with over 75% of the population unable to reach 1 consultation per person-year. Community health delivery, available only for children under 5 years, provided major improvements in service utilization regardless of their distance from facilities, contributing to 90% of primary care consultations in remote populations. Our results reveal the geographic limits of current UHC strategies and highlight the need to invest on professionalized community health programs with larger scopes of service.

Mots-clés: Couverture sanitaire universelle; Renforcement de systèmes de santé; Barrières géographiques; Santé communautaire; Madagascar

De nombreuses études montrent que l'Europe a connu des inégalités de mortalité plus faible pour la plupart des âges que les États-Unis au cours des trente dernières années. Cependant, l'évolution du gradient tout au long du vingtième siècle reste mal comprise. Cette présentation donnera un aperçu des études comparatives récentes sur les inégalités de mortalité. Ensuite, l'étude utilise un jeu de données unique qui donne les tables de mortalité et les revenus fiscaux annuels pour les 90 régions administratives de la France métropolitaine de 1922 à 2020. Les gradients sont calculés à travers les régions en utilisant une méthode traditionnelle avec des âges calendaires et, alternativement, avec des jalons de mortalité pour prendre en compte l'augmentation de l'espérance de vie sur de longues périodes. L'étude révèle un renversement systématique du gradient qui s'est produit autour des années 1970 pour les deux sexes et tous les âges ou groupes de mortalité. Le fait que les zones les plus densément peuplées et les plus riches n'aient bénéficié que très récemment d'un système de santé efficace suggère que la pénalité urbaine, souvent considérée comme une caractéristique spécifique du XIXe siècle, était en fait toujours présente après la Seconde Guerre mondiale. Les inégalités de mortalité parmi les groupes d'âge les plus âgés sont cependant revenues à un niveau observé au moins dix ans plus tôt à cause de la pandémie de Covid-19, même après avoir pris en compte les progrès en termes de mortalité au cours de la période.
Co-auteurs : Florian Bonnet, Hippolyte d’Albis
 

Les comparaisons indirectes sont de plus en plus souvent nécessaires pour répondre aux besoin des autorités de santé, en particulier les HTA. Les méthodes analytiques souvent employées souffrent de nombreuses limitations, et font l'objet de certaines critiques parfois difficiles à satisfaire. Les simulations peuvent être une solution élégante pour permettre de modéliser l'ensemble des connaissances et fournir une analyse essayant de répondre aux attentes de la façon la plus complète possible. Ce Webinar vise à expliquer les principes de la mise en œuvre de ces simulations, leurs pré-requis, l'impact sur les données nécessaires et finalement, leur crédibilité.

En situation d'émergence, l'évaluation du risque pandémique doit se reposer sur des données partielles et biaisées. Dans ces cas, la bonne gestion des différentes sources d'incertitude (incertitude stochastique, incertitude paramétrique et incertitude de modèle) prend une importance considérable. Les premiers temps de l'émergence du SARS-CoV-2 fournissent des exemples (et des contre-exemples) de manières d'apprivoiser et de communiquer l'incertitude inhérente aux situations de crise.

Le nettoyage et la préparation des données sont des tâches essentielles qui peuvent affecter la qualité des résultats d'analyse et la robustesse des pipelines d'apprentissage automatique. Cette présentation présentera les contributions récentes en matière d'aide à l'exploration et à la préparation des données par des techniques d'apprentissage, notamment par renforcement. Nous aborderons différentes applications où cette automatisation peut s'avérer très utile et discuterons des limites de certaines approches.  Enfin, nous évoquerons des directions de recherche prometteuses à l'intersection entre l'apprentissage automatique, l'IA et la gestion des données dans le but d'orchestrer les tâches automatisées et l'intervention d'experts humains (Human-in-the-Loop) de manière transparente. 

Ce webinar participe au GIFT Big Data (Groupement Interdisciplinaire de Formations Thématiques) 

Le nettoyage et la préparation des données sont des tâches essentielles qui peuvent affecter la qualité des résultats d'analyse et la robustesse des pipelines d'apprentissage automatique. Cette présentation présentera les contributions récentes en matière d'aide à l'exploration et à la préparation des données par des techniques d'apprentissage, notamment par renforcement. Nous aborderons différentes applications où cette automatisation peut s'avérer très utile et discuterons des limites de certaines approches.  Enfin, nous évoquerons des directions de recherche prometteuses à l'intersection entre l'apprentissage automatique, l'IA et la gestion des données dans le but d'orchestrer les tâches automatisées et l'intervention d'experts humains (Human-in-the-Loop) de manière transparente.

 Ce webinar participe au GIFT Big Data (Groupement Interdisciplinaire de Formations Thématiques) 

Les maladies à transmission vectorielle sont responsables de plus de 17% des maladies infectieuses, et provoquent plus d’un million de décès chaque année. Parmi elles, le paludisme continue de sévir lourdement, avec 229 millions de cas enregistrés dans le monde en 2019 et plus de 400 000 décès. L’Afrique concentre plus de 90% des cas et des décès. Ces chiffres interpellent d’autant plus que les progrès observés depuis 2015 liés à une meilleure couverture en moustiquaires imprégnées d’insecticides et à une meilleure prise en charge des cas, tendent à se ralentir appelant à de nouveaux efforts. Si le paludisme a longtemps été perçu comme une maladie touchant principalement les populations rurales, sa transmission en milieu urbain est désormais reconnue. La croissance urbaine étant toujours soutenue, notamment sur le continent africain où les urbains seront plus nombreux que les ruraux d’ici 2030, cette situation appelle à des efforts plus adaptés à ces conditions particulières de transmission. Or, le milieu urbain, par sa diversité, pose des questions méthodologiques. A travers l’exemple d’un projet de recherche conduit à Bouaké, seconde ville de Côte d’Ivoire, nous verrons comment une approche géographique permet de mettre en évidence ces disparités intra-urbaines et de réfléchir à des stratégies mobilisant les acteurs de la ville avec ceux de la santé.

L’évaluation médico-économique est un outil d’aide à la décision pour optimiser l’allocation des ressources budgétaires.

A toute prise de décision d’accès au remboursement d’une innovation en santé, est associé un risque de se tromper. Ce risque, dénommé , est lié à la précision de l’estimation de l’efficience (caractère coût-efficace) d’une innovation. Faire accéder au remboursement une innovation qui en réalité est inefficiente a des répercussions sanitaires et budgétaires. Il est possible de donner une valeur monétaire au risque . C’est ce qui est appelé valeur de l’information.

On peut réduire ce risque  en recueillant plus de données pour améliorer la précision de l’estimation de l’efficience. Recueillir plus de données, c’est-à-dire mener une nouvelle étude, a un coût. L’analyse de la valeur de l’information repose sur des méthodes bayésiennes et permet d’arbitrer entre le coût d’acquisition de données supplémentaires et la réduction de l'incertitude induite par ces données. L’analyse de la valeur de l’information permet de répondre à deux questions cruciales :

Est-il nécessaire de conduire une nouvelle étude pour réduire l’incertitude ?
Si oui, quelle est la taille optimale de cette nouvelle étude ?

L’analyse de la valeur de l’information peut être mise en œuvre en utilisant des méthodes paramétriques (que nous verrons ensemble) et des méthodes non paramétriques. Elle peut aussi être utilisée pour interpréter les résultats de certaines méta-analyses cliniques.

In this talk we will discuss how micro-randomized trials can be used to provide data to construct and optimize digital health interventions.   We will discuss one particular approach to micro-randomization, that uses an artificial intelligence method, "reinforcement learning" to personalize as the user experiences the intervention.  We will discuss these approaches in the context of HeartSteps a digital health application for individuals with Stage 1 Hypertension.

 Ce webinar participe au GIFT Big Data (Groupement Interdisciplinaire de Formations Thématiques) 

A constant theme in drug development has been the need to personalise medicine and that the ‘one-size fits all’ mentality needs to be replaced by one that recognises differences in from patient to patient of reaction to treatment as being fundamental. Of course, progress in medicine has always been accompanied by advances in diagnosis and the recognition that what was once regarded as a single diseases should now be regarded as many. Nevertheless, I shall argue that the scope for personalised medicine has been fundamentally misunderstood and is currently over exaggerated. The fault lies with naïve and incorrect interpretation of results from clinical trials. I shall present some simple mainly graphical methods for understanding the problem and conclude that, paradoxically, we may make more progress by realising that less progress is possible.

L'efficacité des approches tester/tracer/isoler dépend grandement de la population rejointe par les tests. Nous avons sur la base des données recueillies par les systèmes de surveillance nationaux estimé cette couverture à l'issue du premier confinement. Nous montrons que la sous-détection était importante, même si elle a diminué avec le temps. Le niveau atteint n'était cependant pas compatible avec une levée des restrictions de contact en population pour maintenir le contrôle de l'épidémie.

In the end we all die, but not all at the same age and from the same cause. If we want to quantify the probability to die from a specific cause, the other causes of death are competing risks. Different approaches to analyse data in the presence of competing risks have been suggested and used. Yet, there remains a lot of confusion with respect to the proper type of analysis and the interpretation of the results.

In the presence of competing risks, three different hazards can be defined. I explain how the study question determines which hazard is most appropriate. When interpreting results, it is important to know what the hazards represent, how they relate to each other and how they translate to the cumulative probability. I introduce and explain the main concepts by example.

Le cancer du sein est l'un des cancers les plus fréquents chez la femme en Europe. L'intelligence artificielle peut aider les médecins à prendre des décisions diagnostiques et thérapeutiques pour le cancer du sein. Cependant, les méthodes d'intelligence artificielle les plus récentes (par exemple le deep learning) sont des «boîtes noires» qui ne peuvent expliquer pourquoi la machine fait une prédiction donnée. Au contraire, les médecins ont besoin de comprendre la raison d'être des recommandations afin de les suivre. Nous proposons donc une approche de raisonnement à partir de cas visuel. Elle s'appuie sur la visualisation des similarités quantitatives et qualitatives entre les cas, avec des techniques de réduction de dimensions et de visualisation d'ensembles.

Ce webinar participe au GIFT Big Data (Groupement Interdisciplinaire de Formations Thématiques) 

La dengue est un fléau totalement oublié en Afrique de l’Ouest. L’arrivée du nouveau coronavirus ne va malheureusement rien faire pour changer l’attention des décideurs, intervenants et professionnels de santé. Pourtant, nos travaux de recherche ont montré que plusieurs sérotypes de ce virus circulaient dans la capitale du Burkina Faso, qu’une épidémie saisonnière sévissait depuis plusieurs années et que les professionnels de santé ne disposaient pas de toutes les connaissances pour prendre en charge efficacement les patients. De plus, les populations ne sont pas informées des épidémies et du vecteur qui transmet ce virus dont les symptômes de la maladie sont proches du paludisme, laissant circuler la perception de la présence d’un palu-dingue !  Si décrire la présence d’une épidémie est relativement facile, agir contre est plus difficile. Ainsi, notre équipe de recherche interdisciplinaire a décidé, après ces travaux descriptifs, de tenter d’agir pour lutter contre la dengue à Ouagadougou. Sur la base des plus récentes données probantes, de l’explicitation des préférences communautaires et de la mobilisation des populations locales, le contenu d’une intervention a été formulé puis mise en œuvre. Par la suite, une équipe interdisciplinaire a développé un devis de recherche en méthodes mixtes afin d’analyser l’intervention dans sa globalité : fidélité d’implantation, mise en œuvre, efficacité et distribution spatiale.  Cette communication vise à présenter l’ensemble de ce processus méthodologique qui, selon nous, est le plus pertinent pour évaluer une intervention complexe dans une perspective globale et interdisciplinaire.

My talk presents recent results on the population dynamics of vector-borne infectious diseases and the role played by climate variability, climate change, and spatial heterogeneity. I rely on the study of malaria in cities of India and in highlands of Africa, to illustrate application of a statistical inference method and process-based mathematical models to interrogate time series data on underlying drivers of transmission. I then transition to the dynamics of dengue as it emerged in Brazil, to address limitations of “well-mixed” SIR (Susceptible-Infected-Recovered) models to predict re-emergence of outbreaks in heterogeneous urban landscapes. 

Nous sommes exposés de façon chronique à de nombreuses substances potentiellement toxiques tout au long de notre vie. Etudier l'effet à long terme de telles expositions prolongées sur la survenue de maladies chroniques telles que le cancer, n'est pas trivial, en particulier lorsque l'on s'intéresse à l'effet de l'intensité de ces expositions prolongées. En effet, l'intensité de ces expositions varie au cours au cours de la vie, avec potentiellement des périodes de non exposition, et l'effet lui-même de l'intensité d'exposition peut dépendre de la période de vie l'on subit cette exposition. Dans cette présentation, j'introduirai en particulier une approche par trajectoires permettant d'étudier ces relations dose-réponse dans le temps, à partir d'exemples sur la consommation de tabac, l'exposition professionnelle à l'amiante, et le risque de cancer du poumon. 

A l'heure de la pandémie du coronavirus, la télémédecine apparaît enfin comme une pratique possible de la médecine, notamment aux yeux des citoyens. La première définition de la télémédecine comme un acte médical à distance a été donnée par la loi n° 2004-810 du 13 août 2004, le décret n° 2010-1229 du 19 octobre 2010 définit les 5 actes (téléconsultation, télésurveillance médicale, télé expertise, téléassistance médicale et réponse médicale) mais ce n'est que depuis septembre 2018 que l'acte de téléconsultation rentre dans le droit commun et est remboursé par l'Assurance Maladie. L'évaluation médico-économique a-t-elle facilité la cotation de l'acte ? Est-ce que les méthodes traditionnelles d'évaluation économique sont appliquées à la télémédecine ou des spécificités méthodologiques apparaissent-elles ? A partir de deux revues de littérature menées et quelques études de cas réelles, ces points seront discutés. 

Le modèle à hasards proportionnels de Cox est certainement le plus populaire pour analyser les résultats d’essais cliniques basés sur un endpoint de type « survie » ou « temps jusqu’à un événement ». Cependant pour toute une série de pathologies, et notamment certains cancers, les progrès de la recherche médicale au cours des deux dernières décennies ont mené à la présence d’une fraction de patients « guéris » (cure) parmi les patients traités. Dans un tel contexte, on peut se demander si le modèle de Cox reste bien approprié. En effet, les techniques d’analyse de survie classiques supposent en général que, avec un suivi suffisamment long, tous les patients finiraient par subir l’événement d’intérêt ; cela se traduit par une fonction de survie « propre », i.e. qui tend vers zéro lorsque le temps tend vers l’infini. De plus, la présence d’une fraction de patients guéris peut mener à une violation de l’hypothèse de hasards proportionnels. Enfin, il semble que dans une telle situation, la proportion de patients guéris devient un paramètre important dans l’évaluation d’un nouveau traitement. De même, il devient important alors de pouvoir distinguer l’effet « curatif » d’un traitement (i.e. son impact sur la probabilité d’être guéri) de son effet en terme de prolongation de la survie pour les patients non-guéris.

Des modèles spécifiques, appelés modèles de guérisons (cure models), ont été développés comme alternative au modèle de Cox dans une telle situation. Ces modèles se regroupent dans deux grandes familles : les modèle de mélanges (mixture cure models) et les modèles de non-mélange (promotion time cure models).

Dans cette présentation, nous introduisons ces deux grandes familles de modèles, en discutant leurs spécificités, leurs avantages et inconvénients et leurs liens avec le modèle de Cox usuel. De plus, nous discutons leurs utilisations dans le contexte des essais cliniques, en particulier en oncologie.

Le projet européen PSIP avait pour objectif de réutiliser des données hospitalières de soins (PMSI, médicaments administrés, résultats d'analyse de biologie médicale) pour détecter automatiquement les effets indésirables du médicament, puis mettre en place un système de prévention des effets indésirables du médicament, basé sur une intelligence artificielle hybride, mélangeant des règles expertes et des résultats de machine learning. Les publications qui en ont découlé ont présenté les succès de ce projet, sans mettre en lumière les difficultés rencontrées. L'objectif de cette présentation est de montrer par l'exemple les difficultés que l'on peut rencontrer dans un tel projet et les leçons apprises, allant de la collecte de données à la transposition en vie réelle des résultats de recherche. Cette présentation mettra in fine l'accent sur une étape essentielle de l'analyse de données, située en amont de l'analyse statistique : l'extraction de caractéristiques, nécessitant de disposer simultanément de connaissances algorithmiques, statistiques, et métier.

Ce webinar participe au GIFT Big Data (Groupement Interdisciplinaire de Formations Thématiques) d'AMU.