Description : L’apprentissage automatique propose des outils pour faire face aux problématiques
d’aujourd’hui et de demain. Les récentes percées en sciences computationnelles et
l’émergence du phénomène des mégadonnées ont permis à l’apprentissage automatique
d’être mis à l’avant plan tant dans le monde académique que dans la société. Les récentes
réalisations de l’apprentissage automatique dans le domaine du langage naturel, de
la vision et en médecine parlent d’eux-mêmes. La liste des sciences et domaines qui
bénéficient des techniques de l’apprentissage automatique est longue. Cependant,
les tentatives de coopération avec la pharmacométrie et les sciences connexes sont
timides et peu nombreuses. L’objectif de ce projet de maitrise est d’explorer le potentiel
de l’apprentissage automatique en sciences pharmaceutiques. Cela a été réalisé par
l’application de techniques et des méthodes d’apprentissage automatique à des situations
de pharmacologie clinique et de pharmacométrie. Le projet a été divisé en trois parties.
La première partie propose un algorithme pour renforcer la fiabilité de l’étape de
présélection des covariables d’un modèle de pharmacocinétique de population. Une forêt
aléatoire et l’XGBoost ont été utilisés pour soutenir la présélection des covariables.
Les indicateurs d’importance relative des variables pour la forêt aléatoire et pour
l’XGBoost ont bien identifié l’importance de toutes les covariables qui avaient un
effet sur les différents paramètres du modèle PK de référence. La seconde partie confirme
qu’il est possible d’estimer des concentrations plasmatiques avec des méthodes différentes
de celles actuellement utilisés en pharmacocinétique. Les mêmes algorithmes ont été
sélectionnés et leur ajustement pour la tâche était appréciable. La troisième partie
confirme la possibilité de faire usage des méthodes d'apprentissage automatique pour
la prédiction de relations complexes et typiques à la pharmacologie clinique. Encore
une fois, la forêt aléatoire et l’XGBoost ont donné lieu à un ajustement appréciable.;
Pays