Thèse Année : 2024

Predicting recurrent events in a survival framework : development of a machine learning approach and an application in oncology

Prédiction d'événements récurrents en survie : développement de méthode d'apprentissage et application en oncologie

Résumé

In medical research, individuals often encounter multiple instances of the same event over time, such as repeated hospitalizations or cancer relapses. While survival analysis traditionally models the time to the first event, this approach does not fully capture the complexity inherent in recurrent events. To address this, several statistical models have been developed, yet a consensus on learning approaches for high-dimensional data remains elusive. A systematic literature review was conducted to synthesize state-of-the-art methodologies and compare existing methods, revealing a significant gap in modeling recurrent events with machine learning techniques. In response, this research project introduces an enhanced version of the Random Survival Forest algorithm, specifically designed for recurrent event data. This extension, RecForest, leverages survival analysis principles and ensemble learning. The splitting rule has been refined to accommodate recurrent events, and the ensemble estimate is derived by aggregating the expected number of events. We have also developed pertinent performance metrics, including extensions of the concordance index and mean square error, which are applicable across various survival models handling recurrent events. Furthermore, this thesis addresses the critical need for interpretability and explainability in algorithms, particularly when integrated into medical devices. Recommendations are provided to ensure compliance with health authority standards, underscoring the necessity for transparent and accountable AI-based medical devices. These guidelines aim to enhance the evaluation of algorithmic performance, fostering trust and reliability in medical decision-making tools.

En recherche médicale, les patients sont souvent confrontés à de multiples occurrences du même événement au fil du temps, comme des hospitalisations répétées ou des rechutes de cancer. L'analyse de survie classique modélise le temps jusqu'au premier événement et ne tient pas compte des occurrences subséquentes. Face à ce défi, des modèles statistiques ont été élaborés, mais sans consensus pour les données de grande dimension (lorsque le nombre de facteurs étudiés est supérieur à celui d'individus). Une revue de la littérature a révélé le manque de méthodes d'apprentissage adaptées pour traiter ce type de données. En réponse, ce projet de thèse introduit RecForest, une amélioration des forêts aléatoires de survie, en tirant parti des principes de l'analyse de survie pour événements récurrents et de l'apprentissage de méthodes dites d'ensemble. Des métriques de performance, telles que l'indice de concordance et l'erreur quadratique moyenne, ont été adaptées pour évaluer divers modèles de survie avec événements récurrents. De plus, cette thèse aborde le besoin croissant d'interprétabilité et d'explicabilité des algorithmes, en particulier lorsque ceux-ci se trouvent intégrés dans des dispositifs médicaux. Ce travail fournit les recommandations et bonnes pratiques pour assurer la conformité avec les normes des autorités de santé, soulignant la nécessité de dispositifs médicaux embarquant de l'IA transparents et responsables. Ces directives visent à améliorer l'évaluation de la performance algorithmique, favorisant la confiance et la fiabilité dans les outils d'aide à la décision médicale.

Fichier principal
Vignette du fichier
va_Murris_Juliette.pdf (12.82 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05222739 , version 1 (17-12-2024)
tel-05222739 , version 2 (25-08-2025)

Licence

Identifiants

  • HAL Id : tel-05222739 , version 2

Citer

Juliette Murris. Prédiction d'événements récurrents en survie : développement de méthode d'apprentissage et application en oncologie. Bio-informatique [q-bio.QM]. Université Paris Cité, 2024. Français. ⟨NNT : 2024UNIP5123⟩. ⟨tel-05222739v2⟩
2311 Consultations
1046 Téléchargements

Partager

  • More