Introduction Construire des outils d’aide à la décision en médecine nécessite d’identifier les variables pertinentes pour modéliser la décision médicale. À cette fin, les données expertes et les données patients constituent toutes deux des sources importantes d’information. Actuellement, des techniques d’apprentissage machine permettent de sélectionner les variables pertinentes utilisées pour la prise de décision à partir des données de soin de patients. Mais aucune méthode ne permet d’utiliser de manière conjointe données de soin et données expertes. Nous proposons une méthode qui introduit de l’information experte dans un modèle de sélection de variables. Nous nous plaçons dans le contexte des décisions médicales relatives à l’adaptation des doses d’Irinotecan pour le traitement du cancer colorectal métastatique. Méthodes Nous avons extrait les données de soin des patients ayant eu un protocole incluant de l’Irinotecan entre 2012 et 2017 à partir des dossiers patients informatisés de l’Hôpital Européen Georges Pompidou. Le service d’oncologie de cet hôpital a mis en place depuis 2012 un questionnaire standardisé collectant l’ensemble des informations nécessaires pour les adaptations de dose de chimiothérapie. Les données expertes proviennent des poids estimés par les experts associés aux variables impliquées dans les décisions de réduction de dose : nous avons demandé aux cliniciens experts d’estimer sur une échelle allant de 0 à 100 quels poids ils accordaient à chaque variable utilisée pour les adaptations de dose d’Irinotecan. Un échantillon de doses simulées a ensuite été généré à partir de ces poids élicités puis combiné aux données de réductions de doses observées via la méthode du power prior [1]. Nous avons modélisé le lien entre réductions de dose répétées, caractéristiques des patients et toxicités par le biais d’un modèle logistique à effets mixtes. La sélection de variables a ensuite été réalisée via le modèle Stochastic Search Variable Selection (SSVS) [2]. Les performances de cette méthode combinant information observée et information experte ont été comparées à celles de la méthode utilisant uniquement l’information observée pour notre cas d’utilisation, et une analyse de sensibilité basée sur le paramètre de power prior a été réalisée. Résultats Les poids élicités par les experts sont très variables. Les performances prédictives des différents modèles sont modérées avec un AUC proche de 0,7. Notre méthode permet de sélectionner des variables rares qui pourraient être omises sur la base des données observées seules et d’éliminer des variables qui semblent pertinentes à partir des données, mais avec des poids élicités faibles. Conclusion Nous présentons une méthode Bayésienne de sélection de variables incorporant l’information experte élicitée et les données réelles. La méthode sélectionne un ensemble de variables pertinentes pour modéliser le processus de décision médicale. Les poids élicités sont très variables selon les cliniciens ce qui souligne la variabilité des pratiques professionnelles. Références [1] Ibrahim, J.G., Chen, M.-H.: Power Prior Distributions for Regression Models. Statistical Science 15(1), 46–60 (2000). [2] George, E.I., McCulloch, R.E.: Variable Selection Via Gibbs Sampling. Journal of the American Statistical Association 88(423), 881–889 (1993).