Archives 2015-2016

Atelier 1 : Les algorithmes d’aide à la décision médicale et les données en grand nombre : approche pluridisciplinaire

Nantes, 6 novembre 2015 – MSH de Nantes

Pour des raisons logistiques, nous vous remercions de confirmer votre présence à Anaïs Durand (anais.durand@univ-nantes.fr) en indiquant si vous souhaitez bénéficier de l’invitation au déjeuner.

Programme

9h30 – Introduction

9h45 – Thomas Amossé (Centre d’Etudes de l’Emploi (CEE), Paris) : Du recensement aux big data, intention et connaissance statistique

10h45 – Maël Lemoine (Université de Tours) : De l’étude pangénomique à l’étude pan-phénomique : Réflexions sur l’émergence de nouvelles pratiques de stratification des maladies

12h Michel Morange (Centre Cavaillès – ENS Paris) : La nature hétérogène des big data

14 h – Franck Le Ouay (Honestica) : Les données en santé à la lueur du « big data » dans le ciblage publicitaire : réalités et enjeux

15h – Chantal Cases (INED) : Les grandes bases de données médico-administratives, outils d’avenir pour la recherche en sciences sociales et en économie de la santé

16h15 – Pierre-Antoine Gourraud (Université de Nantes) : Emergence d’outils de Médecine de Personnalisée: Le (big) data face aux traits complexes : le cas de la Sclérose En Plaques

Problématique

Actuellement, des tests génétiques sont disponibles pour près de 3000 maladies, et le nombre de tests de diagnostic disponibles augmente de façon exponentielle (McCarthy JJ et al, 2013). Les États-Unis et d’autres pays investissent dans des projets de plusieurs milliards de dollars pour mettre en œuvre des dossiers de santé électroniques efficaces (Ginsburg GS et al, 2011). Ces systèmes permettent de stocker des données complètes et propres à la personne. Cependant, dans une enquête aux États-Unis, les médecins ont rapporté que les dossiers de santé électroniques n’apportent qu’une aide limitée en termes d’indications pour les tests génétiques, d’interprétation des résultats des tests, et d’impact potentiel des résultats sur les patients et leurs familles (Crews KR et al, 2012). Les outils d’aide à la décision intégrant les données du patient reliées aux bases de données en voie de constitution (telles que celle du projet Sim-e-Child) permettront de combler ces lacunes, en fournissant aux cliniciens et aux patients des informations et préférences individualisées, intelligemment filtrées et analysées, grâce à des algorithmes intégrant l’ensemble des données disponibles, biologiques, environnementales, socioéconomiques. L’intégration des données en grand nombre dans des modèles mathématiques a aussi à terme l’ambition de devenir un outil prédictif : à partir de biomarqueurs et/ou d’une empreinte génétique on pourrait faciliter le diagnostic et la prédiction de l’évolution de la maladie.

Ces algorithmes doivent avoir une valeur de la contextualisation et de prédiction pour prédire le devenir du patient et aider à la décision du meilleur traitement (Gourraud PA et al, 2014). Ils sont difficiles à élaborer, car les données sont non seulement massives, mais très hétérogènes et de sources différentes (Green ED et al, 2011). Ils comportent plusieurs aspects complexes, dont la sélection au préalable des informations utiles pour l’analyse, la définition des questions auxquelles les chercheurs souhaitent répondre, la hiérarchisation des informations et la définition de poids respectifs des données environnementales par rapport aux données génétiques et/ou sociologiques, etc.

Des réflexions ont déjà débuté sur la conception de ces algorithmes, notamment dans la modélisation de maladies, mettant en lumière la nécessité d’associer des spécialistes d’horizons différents pour élaborer ces modèles (Tegner JN et al, 2009, Green ED et al, 2011). Des projets européens sont centrés sur la mise à disposition d’outils informatiques de partage et d’analyse de données (projet eTRIKS). Cependant ces réflexions associent essentiellement des spécialistes ayant un background informatique et/ou mathématique (Gomez-Cabrero D et al, 2014).

Questionnements :

Peut-on trouver des méthodes automatiques pour passer d’une modélisation biologique de la maladie à un modèle mathématique/informatique ? Quel poids donner aux informations sociologiques, environnementales, économiques, par rapport aux données biologiques ou cliniques dans la modélisation ? Comment développer des algorithmes efficaces de traitement de ces grandes masses de données et de plus en plus associées à des modèles de description de la cellule entière ? Quelle est la place de chaque discipline et à quel moment chaque spécialiste intervient-il ? Quel regard critique porte-t-on sur la valeur prédictive de ces « big data » ? Quelles sont les conséquences éthiques quant aux choix réalisés dans l’élaboration des algorithmes, des modèles et dans l’exploitation des résultats obtenus par ces algorithmes ? Quelles peuvent en être les conséquences juridiques et sociétales, en particulier concernant leurs différents usages ?

Atelier 2 : Les conséquences de l’introduction des big data sur les conceptions actuelles de la médecine personnalisée

Nantes, 4 févier 2016

MSH de Nantes

Pour des raisons logistiques, nous vous remercions de confirmer votre présence à Anaïs Durand (anais.durand@univ-nantes.fr) en indiquant si vous souhaitez bénéficier de l’invitation au déjeuner.

Programme

Accueil des participants à partir de 8h30

9h15 – Ouverture de la journée

9h30 – Jean-Claude Dupont (Université de Picardie) : Origines et commencements de la médecine personnalisée

10h15 – Emmanuelle Rial-Sebbag (INSERM, Université de Toulouse) : Enjeux juridiques du ‘big data » en santé :  personnalisation des décisions, dé-personnalisation des données ?

11h – Pause

11h15 – Elsa Supiot (Université Paris 1 Panthéon-Sorbonne) : Regard juridique sur l’utilisation des big data en médecine personnalisée

14h  – Catherine Thieblemont (Hôpital Saint-Louis, Paris ) : Apport des big data en hématologie : l’exemple de l’évolution de la prise en charge des lymphomes diffus à grandes cellules B

14h45 – Mario Campone (CRCNA et Institut de cancérologie de l’ouest) : Médecine intégrative et limites de la médecine de précision en oncologie

15h30 – Pause

15h45 – Bruno Falissard (Faculté de Médecine, Paris Sud) : Big data en psychiatrie : comment la technologie peut replacer le sujet au centre des préoccupations

16h30 – Pierre Sonigo (BioRad et IEA de Nantes) : Évolution du diagnostic médical : théories et pratiques

Problématique

La définition de la notion de médecine personnalisée n’est pas aisée. Le caractère flou et polysémique du concept se prête à de nombreuses interprétations. Toute bonne pratique médicale est par essence « personnalisée », le praticien cherchant toujours à s’adapter au profil de son patient. En quoi cette « personnalisation » aurait-elle donc changé de nature ? L’expression « médecine personnalisée » apparaît ainsi quelque peu singulière et donne légitimement à penser au malade qu’il s’agit d’une médecine sur mesure, s’adressant spécifiquement à lui, d’une prise en charge plus individuelle, plus proche, d’une plus grande empathie à son égard de la part du médecin. En réalité, dans l’acception médicale du concept, il s’agit plutôt de définir des sous-groupes étroits de patients grâce à des biomarqueurs permettant de trouver les thérapeutiques les plus appropriées et donc d’aboutir à une plus grande efficacité médicale avec un taux d’échec limité (Shen B et al, 2010). Ces procédés relèvent plutôt d’une « médecine stratifiée », à l’extrême plutôt que réellement « personnalisée », cette dernière catégorisant les individus selon certaines de leurs caractéristiques (génétiques ou autres) pour élaborer des traitements ciblés selon ces éléments (Trusheim MR et al, 2011).

La médecine personnalisée est issue du transfert progressif vers la clinique de ces progrès scientifiques et technologiques considérables des techniques de séquençage et d’imagerie, initiée dans les années quatre-vingts. Certains lui donnent le terme de « médecine génomique » (McCarthy JJ et al, 2012), d’autres de « médicine de précision » qui fait appel à la multiplication des paramètres d’analyse du patient (Garay JP et al, 2012, Gourraud et al, 2014). Depuis peu est aussi apparu le terme de « médecine systémique », de nature intégrative et holistique. La médecine systémique reprend les approches de biologie systémique intégrant les données en grand nombre, et posant les questions biologiques en mettant l’accent sur le « tout » plutôt que sur les « parties ». Enfin, le terme «médecine personnalisée», ne tient pas compte de l’énorme dimension de cette nouvelle approche qui sera prédictive, préventive, personnalisée et participative, une approche aussi appelée la médecine 4P (Hood L et al, 2012). Cette approche fait elle-même l’objet de recherches intenses (projet européen CASyM).

Questionnements :

A l’image des définitions renouvelées du « gène » à l’ère de la génomique (M Morange), la polysémie du concept de « médecine personnalisée » engendre des difficultés qui doivent être analysées car, dans le cadre de la médecine stratifiée ou de précision, la médecine personnalisée n’est pas la médecine personnelle d’un seul individu mais celle d’un groupe ciblé en fonction du profil médical des individus qui le composent. De plus le contenu même du concept de « médecine personnalisée » évolue rapidement, au fur et à mesure de la disponibilité des données en grand nombre et de leur utilisation dans le cadre de la prise en charge médicale (médecine génomique puis médecine systémique, médecine stratifiée puis médecine de précision, puis médecine 4P..).

Cet axe se propose de reconsidérer les conceptions sur la médecine personnalisée, à la lumière des réponses apportées dans l’axe 1 quant aux modalités de production des big data qui y seront impliquées.

En quoi consistera la notion de « médecine personnalisée» dans le contexte du développement des big data ? La médecine deviendra-t-elle une médecine « biologiquement fondée » ? La médecine personnalisée n’est-elle qu’un changement de paradigme de soins, résultant d’un raisonnement scientifique fondé, grâce aux apports des big data, sur les risques de développer une maladie ? La médecine personnalisée est-elle un outil d’ajustement de la prescription et de la relation thérapeutique aux caractéristiques de la maladie, apportées par les big data, ou de la personne, apportées par les caractéristiques sociales, culturelles et psychiques du malade ? Le fait de détenir plus de précisions biologiques conduit-il automatiquement à plus de personnalisation, au sens de la considération centrale de la personne et non de « ses données biologiques »?

Séminaire

Jeudi 1er octobre 2015 de 16h à 18h

Jérémie Bourdon et Guillaume Fertin – LINA Nantes

Titre : Présentation des activités de l’équipe ComBi du LINA à travers quelques exemples

Lieu : Centre François Viète – Faculté des Sciences (Bât 25)

Mercredi 14 octobre 2015 de 16h à 18h

Catherine Bourgain – CERMES 3, UMR CNRS 8211, Université Paris Descartes

Titre : Simplifier pour décider ?  L’analyse statistique des big data à l’épreuve de la médecine personnalisée

Lieu : MSH de Nantes

Mercredi 16 décembre 2015 de 16h à 18h

Marc Chopplet – Résident IEA de Nantes

Titre: Les sciences de la vie en débat

Lieu : MSH de Nantes

Mercredi 13 janvier 2016 de 14h à 16h

Mario Campone (CRCNA et Institut de Cancerologie de l’Ouest) et Angelique Bonnaud-Antignac (Sphère – Nantes)

Titre : Le projet d’algorithme dans la prise en charge du cancer du sein métastasé

Lieu : IRS-UN (salle 4) – Quai Moncusu – Nantes

Mercredi 30 mars de 14h à 16h

Léo Coutelec (Espace de réfléxion éthique Ile de France, Labex DistAlz)

Titre : Caractéristiques épistémologiques et implications éthiques des Big data dans la recherche biomédicale sur la maladie d’Alzheimer

Lieu : MSH de Nantes, salle B, rez-de-chaussée

 

 

Laisser un commentaire