S'abonner

CO2.1 - Outil de sélection automatisée des patients pour le recrutement dans les essais cliniques en cancérologie à l'aide d'un raisonnement à base de cas - 10/05/24

Doi : 10.1016/j.jeph.2024.202402 
LA. Guillotel 1, , B. Campillo-Gimenez 1
1 Centre Eugène Marquis, Recherche sur données, Rennes, France 

Auteur correspondant

Résumé

Introduction

L'objectif de ce travail était de comparer les performances de discrimination de deux algorithmes de raisonnement à base de cas (CBR) pour l'identification de patients dans les essais cliniques en cancérologie. Cette méthode, proposée au milieu de la dernière décennie, est restée peu explorée jusqu'à présent, malgré des résultats satisfaisants et un grand intérêt à surmonter la principale difficulté rencontrée dans la plupart des outils d'appariement patient-essai, à savoir le manque d'interopérabilité entre les critères d'éligibilité et les dossiers médicaux. Afin d'appréhender le fonctionnement de l'outil en vie réelle, l'impact de la taille de la base d'apprentissage sur les résultats a été évalué.

Méthodes

Depuis l'entrepôt de données biomédicales du Centre Eugène Marquis, les données suivantes ont été extraites : les tests du laboratoire de biologie, les codes des diagnostics (CIM-10) et des procédures (CCAM), l'administration des chimiothérapies et les notes cliniques. Pour chacun des trois essais cliniques sélectionnés (CT1, CT2, CT3), les patients considérés étaient ceux atteints d'un cancer du sein et présentant au moins un document dans l'entrepôt durant la période d'inclusion de l'essai. Deux algorithmes de CBR ont été comparés. Le premier, basé sur Miotto et al. (2015), impliquait la définition d'un patient cible pour chaque essai clinique d'intérêt, à partir de patients éligibles connus. La probabilité d’éligibilité d'un nouveau patient était ensuite prédite en fonction de sa similarité globale avec le patient cible. Le second, inspiré de Köpcke et al. (2013), reposait sur un modèle traditionnel de forêts aléatoires, exploitant à la fois les patients éligibles et non éligibles. Pour l’évaluation, les patients ont été répartis en un jeu d'apprentissage et un jeu de test (50-50 %). Concernant le jeu d'apprentissage, les patients éligibles ont été ajoutés de manière progressive afin de comprendre l'impact de leur nombre sur les performances du système. Finalement, le statut d'éligibilité prédit a été comparé à un gold-standard défini à partir du registre d'inscription des patients de chaque essai d'intérêt. Une classification binaire et un classement des patients du jeu de test ont été menés.

Résultats

La taille de la population était de 6429 pour CT1, 6246 pour CT2 et 6253 pour CT3. Parmi ceux-ci, le nombre de patients éligibles retenus était de 112, 33 et 50, respectivement. En moyenne, les AUC obtenues étaient de 84 % avec l'approche CBR de type Miotto et de 90 % avec l'approche CBR de type forêts aléatoires pour les trois essais cliniques d'intérêt. Même lorsque le nombre de patients éligibles était faible, les performances de discrimination étaient bonnes ; elles augmentaient tout de même avec ce dernier pour atteindre rapidement un plateau (autour de 10 à 30 patients éligibles). En ce qui concerne la capacité à classer les patients éligibles en tête de liste, les deux approches ont obtenu des résultats faibles.

Conclusion

Ce travail confirme la pertinence d'utiliser l'approche CBR pour l'aide au recrutement dans les essais cliniques en oncologie, particulièrement en utilisant des algorithmes de forêts aléatoires. La performance de l'approche restait bonne même lorsque la base de cas initiale est très petite, comme cela est souvent le cas au début de la période de recrutement. De ce fait, il faut la considérer comme une méthode alternative et/ou complémentaire à une approche basée sur des requêtes ou des règles, comme proposée par la plupart des systèmes actuels.

Le texte complet de cet article est disponible en PDF.

Mots-clés : Raisonnement à base de cas, Essais cliniques, Outil d'aide au recrutement, Dossiers patients informatisés, Apprentissage statistique



© 2024  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 72 - N° S2

Article 202402- mai 2024 Retour au numéro
Article précédent Article précédent
  • CO1.2 - La randomisation distributive : un nouveau schéma d'essai pour l'évaluation simultanée d'interventions
  • S. Haviari, F. Mentré
| Article suivant Article suivant
  • CO2.2 - Analyse de la durée de réponse dans les essais de phase II en cancérologie : une étude de simulation
  • S. Cyrille, C. Jiang, A. Latouche, F. Rotolo, X. Paoletti

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.