Projet 32:
Modélisation intelligente pour l’identification des patients éligibles à
une biothérapie
………………………..
La biothérapie, ou traitement par biomédicaments, constitue une avancée majeure dans la
prise en charge de nombreuses maladies chroniques et inflammatoires, telles que les
rhumatismes inflammatoires, la maladie de Crohn, la polyarthrite rhumatoïde, ou
encore certaines maladies auto-immunes et cancers. Ces traitements ciblés agissent
directement sur les mécanismes moléculaires impliqués dans la maladie, offrant une
alternative efficace aux traitements conventionnels, notamment chez les patients réfractaires
ou en échec thérapeutique.
Cependant, la prescription d'une biothérapie ne peut être systématique. Elle repose sur une
sélection rigoureuse de patients, selon des critères cliniques, biologiques, radiologiques, et
parfois même génétiques. En effet, ces traitements sont souvent coûteux, nécessitent une
surveillance étroite, et peuvent entraîner des effets secondaires significatifs. Il est donc
essentiel de repérer précocement les patients susceptibles d’en bénéficier, tout en évitant
une surprescription.
Dans ce contexte, l’intelligence artificielle (IA) et les techniques d’apprentissage
automatique offrent des perspectives innovantes pour identifier automatiquement les
profils de patients éligibles à une biothérapie. Une approche combinant clustering non
supervisé (pour détecter des sous-groupes de patients partageant des caractéristiques
cliniques similaires) et classification binaire supervisée (pour prédire l’éligibilité à la
biothérapie : oui/non) permettrait d’optimiser la stratification des patients, d’améliorer la
personnalisation des traitements, et de soutenir la décision médicale.
L’intégration de données multimodales (cliniques, biologiques, thérapeutiques) dans un
modèle d’IA robuste permettrait ainsi de mieux cibler les candidats à la biothérapie, tout
en réduisant les délais de prise en charge et en améliorant les résultats thérapeutiques à long
terme.
Activités:
I. Compréhension du Contexte Médical et Scientifique
1. Se documenter sur les biothérapies : indications, types de maladies concernées,
critères d’éligibilité, enjeux économiques et cliniques.
2. Étudier les variables cliniques, biologiques et thérapeutiques susceptibles
d’influencer la décision de prescrire une biothérapie.
3. Analyser la littérature scientifique sur les modèles d’aide à la décision et les
approches IA appliquées à la médecine personnalisée.
II. Exploration et Préparation des Données
4. Explorer la base de données: description des variables, compréhension des
structures.
5. Nettoyer les données : traitement des valeurs manquantes, codage des variables
catégorielles, normalisation.
6. Réaliser une analyse exploratoire (EDA) : distribution des variables, corrélations,
détection de valeurs aberrantes.
III. Clustering (Apprentissage non supervisé)
7. Implémenter des algorithmes de regroupement (K-means, DBSCAN, agglomératif).
8. Déterminer le nombre optimal de clusters (méthode du coude, silhouette score…).
9. Interpréter les clusters : caractériser chaque groupe de patients selon leurs profils
cliniques/biologiques.
10.Identifier d’éventuels profils à haut risque ou à forte probabilité d’éligibilité à la
biothérapie.
IV. Classification binaire (Apprentissage supervisé)
11.Formuler le problème comme une classification binaire (Éligible / Non éligible).
12.Séparer les données en jeu d'entraînement et de test (validation croisée).
13.Tester plusieurs modèles de classification
14.Évaluer les performances : accuracy, précision, rappel, F1-score, AUC.
15.Effectuer un tuning des hyperparamètres (GridSearchCV, RandomizedSearchCV).
V. Interprétabilité et Explicabilité
16.Utiliser des outils d’interprétation des modèles (ex. SHAP, LIME) pour comprendre
les facteurs clés de la décision.
17.Générer des rapports de recommandation basés sur les résultats obtenus.
VI. Prototype et Démonstration
18.Développer une interface de démonstration simple (ex. avec Streamlit) pour tester
le modèle en temps réel.
19.Permettre aux médecins ou chercheurs de soumettre de nouveaux cas et visualiser
les prédictions.