4 L’évaluation des marqueurs prédictifs
5 La personnalisation sur le risque de base
6.2.1 Modélisation de l’effet (treatment effect modelling )
6.2.2 Modèles basés sur le risque de base (Risk-based methods)
6.3.1 Exemple 1
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
L’essai randomisé IST a évalué le bénéfice de l’aspirine dans l’AVC. Un bénéfice modeste a été observé sur un critère composite de décès et de dépendance. Dans une analyse secondaire [109] l’hétérogénéité de l’effet a été recherchée à partir de deux modèles (un pour le groupe traité par aspirine, l’autre pour le groupe contrôle) de prédiction du critère de jugement basés sur 23 prédicteurs. Le jeu de données a été divisé en deux parties pour permettre une validation du modèle. Aucune validation externe n’a été effectuée. Sur le jeu de validation, les deux modèles présentent de relative bonne performance avec des C-scores de 0.798 (95% CI: 0.782 to 0.813) et 0.794 (95% CI: 0.778 to 0.809) et une bonne calibration dans les 2 cas. Les effets sont ensuite recherchés en appliquant ces 2 modèles sur les mêmes patients. L’histogramme de différences de risques prédits montre une hétérogénéité importante avec seulement une partie des patients bénéficiant de l’aspirine (différence <0) :
