4 L’évaluation des marqueurs prédictifs
5 La personnalisation sur le risque de base
6.1 Principes
6.2.1 Modélisation de l’effet (treatment effect modelling )
6.2.2 Modèles basés sur le risque de base (Risk-based methods)
6.4 Utilisation de l’intelligence artificielle
6.4.1 Prédiction du pronostic sous traitement
6.4.2 Prédiction du bénéfice, modélisation de l’hétérogénéité des effets traitements
7 L’évaluation de l’utilité clinique par les essais de stratégie
Partant du postulat que les effets des traitements variaient d’un patient à l’autre, différentes approches ont été proposées pour modéliser cette hétérogénéité des effets traitements « individuels » (heterogeneity of treatment effect, HTE) à partir des données des essais thérapeutiques ou des méta-analyses sur données individuelles [96 , 97 , 98] .
Ces approches se proposent de modéliser le cATE (conditionnal average treatment effect, cATE) soit en fonction du risque de base prédit des patients [96 , 99] soit directement en fonction d’un modèle de prédiction direct du cATE [100] .
Cette modélisation est réalisée à l’aide d’approches biostatistiques classiques (régression logistique, modèle de Cox) ou avec des méthodes d’IA [101] . Les données peuvent être celles d’essais randomisés ou de type observationnel (« real world data »). Pour chaque patient, la prédiction de son cATE est effectuée à partir de ses caractéristiques sur les covariables prises en compte dans le modèle. Ces prédictions ne représentent pas, stricto sensu, le bénéfice individuel qui est impossible à observer [19] en raison de l’impossibilité d’avoir le contrefait individuel note n° 21 [32 , 102] , mais attribue au patient une estimation moyenne (ATE) conditionnelle à leurs caractéristiques sur les facteurs influençant l’effet du traitement déterminé dans une strate de patients similaires.
Cette caractérisation de l’hétérogénéité de l’effet traitement est aussi envisagée par une recherche de sous-groupes de patients drivée par les résultats [103 , 104 , 105 , 106] . Cette recherche expose aux mêmes problématiques de HARking et de multiplicité que les analyses en sous-groupes exploratoires, mais ces problématiques peuvent être partiellement prises en considération par des techniques récentes [105 , 106] . Cette approche reste, par essence, purement exploratoire et ne peut pas produire des résultats directement utilisables en pratique. Avant d’être utilisables en pratique, les outils obtenus par ces approches devront démontrer leur utilité médicale dans un essai randomisé de stratégie (cf. section 6.5).
[21] Même pour les essais individuels (« n-of-1 »), qui sont des crossovers répétés, e contrefait individuel n’existe pas à proprement parler, puisque les conditions ne sont pas strictement identiques entre chaque période.
