Description : Les travaux présentés ont eu pour objectif de proposer des utilisations appropriées
de l’intelligence artificielle (IA) pour la médecine de précision en transplantation.
Assurer une prise en charge personnalisée nécessite de combiner de nombreuses informations
sur : le patient, le greffon, et les traitements immunosuppresseurs. L’IA offre la
possibilité de sélectionner et combiner de nombreuses variables. Dans une première
étude, nous avons montré l’apport de l’estimation de l’AUC et des adaptations de posologie
par méthode bayésienne (une forme ‘primitive’ d’IA) chez 1 051 transplantés rénaux
pédiatriques traités par mycophénolate mofétil. Quand les ajustements de doses proposés
étaient suivis, l’intervalle cible d’AUC était plus souvent atteint (p 0,08 à 0,006)
et la variabilité de l’exposition était significativement réduite (p 0,03 à 0,003).
Dans un deuxième travail, nous avons mis au point un algorithme de Machine Learning
pour estimer l’AUC0-12h de l’évérolimus en partant de 508 profils pharmacocinétiques
réels, et nous l’avons amélioré en enrichissant progressivement la base d’apprentissage
avec des profils simulés (avec un optimal d’environ 5 000 simulations) pour atteindre
un écart quadratique moyen (RMSE) de 10,8 µg.h/L en validation externe. Nous avons
également mis en évidence les limites d’une telle méthode, avec un surapprentissage
à partir de 10 000 simulations se traduisant par une augmentation du RMSE à 12,6 puis
13,7 µg.h/L. Puis, nous avons entraîné un modèle de classification XGBoost sur des
diagnostics de rejets humoraux et cellulaires du greffon posés par un groupe d’experts,
comme alternative à l’actuelle classification de Banff qui est peu reproductible et
ne prend en compte que des données histologiques : des AUC ROC de 0,91 à 0,97 ont
été obtenues sur des jeux de données indépendants. Enfin, nous avons validé un score
de risque de perte du greffon à long terme, construit à l’aide d’une forêt aléatoire
de survie, et utilisant uniquement quelques variables disponibles au premier anniversaire
de la transplantation. Le score atteint une AUC ROC 0,76 et 0,73 à 5 et 10 ans post-transplantation.
L’ensemble de ces travaux a donc permis de montrer quelques avantages et limites du
Machine Learning pour améliorer la prise en charge médicale des patients transplantés
rénaux, comme alternative ou complément des approches statistiques acceptées de plus
longue date.;
Pays