Le but de cette présentation est d’illustrer notre contribution à l’élaboration de méthodes d’apprentissage statistique robustes et interprétables, afin d’analyser des données issues d’essais cliniques pour l’étude de pathologies telles que l’apathie ou la maladie d’Alzheimer. En particulier, nous nous intéresserons à des approches détectant automatiquement la relation jointe entre biomarqueurs de grande dimension tels que les images médicales, l’information génétique ou des tests psychologiques. Nous présenterons également nos travaux portant sur la modélisation de l’évolution de la maladie d’Alzheimer à partir de données cliniques longitudinales acquises sur une courte durée. Nous verrons comment nos méthodes permettent d’identifier différents types de progressions de biomarqueurs impliqués dans le processus pathologique. Ces méthodes peuvent être appliquées sur des données de grande dimension, notamment des images médicales acquises selon différentes modalités. Enfin, nous montrerons comment ces méthodes peuvent être utilisées comme référence statistique afin d’évaluer et de prédire le stade de la maladie à partir de données cliniques non étudiées par nos algorithmes.