Design of data driven decision support systems for the early detection of subjects at risk to develop Alzheimer's disease

Autor: Ansart, Manon
Přispěvatelé: Institut du Cerveau et de la Moëlle Epinière = Brain and Spine Institute (ICM), Institut National de la Santé et de la Recherche Médicale (INSERM)-CHU Pitié-Salpêtrière [AP-HP], Sorbonne Université (SU)-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Sorbonne Université (SU)-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS), Sorbonne Université, Didier Dormont, Stanley Durrleman, STAR, ABES, Ansart, Manon, Institut du Cerveau = Paris Brain Institute (ICM), Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Institut National de la Santé et de la Recherche Médicale (INSERM)-CHU Pitié-Salpêtrière [AP-HP], Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Sorbonne Université (SU)-Sorbonne Université (SU)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS), Algorithms, models and methods for images and signals of the human brain (ARAMIS), Sorbonne Université (SU)-Inria de Paris, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Institut du Cerveau et de la Moëlle Epinière = Brain and Spine Institute (ICM), Sorbonne Université (SU)-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Sorbonne Université (SU)-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM)-CHU Pitié-Salpêtrière [AP-HP], Sorbonne Université (SU)-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS), Sorbonne Université (SU)
Jazyk: angličtina
Rok vydání: 2019
Předmět:
[INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI]
Automatic diagnosis
Cognitive disorders
Maladie d'alzheimer
[INFO.INFO-IM] Computer Science [cs]/Medical Imaging
Diagnostique automatique
[INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Clinical Practice
Medical Imaging
Interprétabilité
[STAT.ML]Statistics [stat]/Machine Learning [stat.ML]
[INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG]
Machine learning
Historiques médicaux
[INFO.INFO-IM]Computer Science [cs]/Medical Imaging
Interpretability
Clinical pratice
Imagerie médicale
Medical History
Medical records
Pratique clinique
[INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG]
Apprentissage automatique
Alzheimer's disease
Classification
[STAT.ML] Statistics [stat]/Machine Learning [stat.ML]
Troubles cognitifs
Zdroj: Artificial Intelligence [cs.AI]. Sorbonne Université, 2019. English. ⟨NNT : 2019SORUS450⟩
Machine Learning [stat.ML]. Sorbonne Université, 2019. English
Popis: The goal of this thesis is to design data-driven methods to identify subjects at risk to develop Alzheimer's disease. As it is a progressive disease, subtle signs can appear several years before the first clinical symptoms. Identifying subjects who show these signs, and who are likely to develop the disease in the coming years, is a crucial point that could allow researchers to better study the disease mechanism, select patients for clinical trials and tailor patient care. In the first chapter, we conduct a review of methods predicting the future diagnosis of subjects suffering from mild cognitive impairment. We quantitatively and qualitatively study these methods, and take a critical view point by identifying several methodological issues. In the second chapter, we propose our own method to predict the future diagnosis by using a two-step approach: we first predict the future subject characteristics, and then use this result to predict the corresponding diagnosis. In the third chapter, we propose an automatic method to select subjects with a positive biomarker for clinical trials, so as to minimize the recruitment cost. In the last chapter, we analyze prescription patterns before and after diagnosis using a medical record database. We use them to predict if a patient will develop Alzheimer's disease in the next five or ten years. Across these works, we show the importance to take into account the adoption of these methods and the settings in which they can be used, especially regarding the test cohort, the data types and the interpretability of the method.
Le but de cette thèse est de proposer des méthodes d’apprentissage automatique pour identifier des sujets à risque de développer la maladie d'Alzheimer. L'identification à un stade très précoce de sujets à risque de développer la maladie est une problématique clé, qui permettrait de mieux étudier la maladie, de sélectionner des patients pour des essais cliniques et de leur proposer un suivi adapté. Dans un premier chapitre, nous effectuons une revue des méthodes prédisant le diagnostic futur de sujets atteints de troubles cognitifs légers. Nous effectuons un travail de synthèse, à la fois qualitatif et quantitatif, des méthodes proposées pour effectuer cette prédiction et des problèmes méthodologiques qu'elles comportent. Dans un deuxième chapitre, nous proposons d’effectuer cette prédiction du futur diagnostic avec une approche en deux temps : nous prédisons d'abord l'évolution des caractéristiques des sujets, et utilisons ces résultats pour prédire le diagnostic correspondant à un stade ultérieur. Dans un troisième chapitre, nous proposons une méthode automatique permettant de repérer des sujets à biomarqueurs positifs pour les essais cliniques, de manière à minimiser le coût de recrutement. Dans un dernier chapitre, nous analysons l'évolution des prescriptions de médicaments avant et après le diagnostic grâce à des bases d'historiques médicaux. Nous les utilisons pour prédire si un patient va développer la maladie d'Alzheimer dans les 5 ou 10 années à venir. Nous mettons en avant l’importance de prendre en compte l’adoption des méthodes et leur cadre d’utilisation, notamment à travers la cohorte d’étude, les types de données, et l’interprétabilité de la méthode.
Databáze: OpenAIRE
Externí odkaz: