Orateur : Yohann Foucher
Établissement : Université et CHU de Poitiers (France)
Dates : 2024-10-17 – 2024-10-17
Heures : 14:00 – 14:00
Lieu : IFMI 03 (bâtiment H6)
Résumé :
Alors que les approches d’apprentissage machine sont de plus en plus utilisées en statistique, les applications en recherche clinique, que ce soit dans le champ de la prédiction ou de la causalité, restent le plus souvent basées sur des régressions. Au sein du centre d’investigation clinique du CHU de Poitiers (CIC 1402), nous proposons plusieurs axes de développements dans la thématique. J’aborderais les trois projets doctoraux en cours. Le premier projet consiste à utiliser la G-computation associée à l’apprentissage machine pour ajuster l’estimation de l’effet marginal d’un traitement lors d’un essai clinique randomisé individuel, diminuer le biais aléatoire et réduire la taille d’échantillon nécessaire. Les premiers résultats basés sur des simulations sont encourageants. Le second projet consiste à proposer des approches flexibles pour prédire la probabilité de guérison et le temps de guérison après un cancer. Nous développons une méthode d’estimation basée sur les réseaux de neurones, avec les difficultés de considérer la censure à droite et d’intégrer les tables de mortalité de mortalité de la population générale pour estimer le risque en excès dû au cancer. Le troisième projet est d’étendre nos travaux relatifs aux scores de propension dynamiques. Ils permettent d’estimer l’effet d’un traitement débuté précocement par rapport à stratégie attentiste. Ces méthodes permettent de corriger les bais de confusion dépendant du temps et les biais de temps immortel. Nous évaluerons l’intérêt d’ensembles d’apprentissage pour construire ces scores de manière flexible.