Modélisation statistique pour la prédiction du pronostic de patients atteints d’un Accident Vasculaire Cérébral

Statistical modeling for predicting the prognosis of stroke patients

• Auteur / Autrice : Brice Ozenne
• Direction : Delphine Maucort-Boulch, Norbert Nighoghossian
• Type : Thèse de doctorat
• Discipline(s) : Biostatistique
• Date : Soutenance le 23/10/2015
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale Evolution Ecosystèmes Microbiologie Modélisation
• Partenaire(s) de recherche : Laboratoire : Laboratoire Biostatistique-Santé (Lyon)
• Jury : Président / Présidente : Florence Forbes
• Jury : Examinateurs / Examinatrices : Martyn Plummer, Tae-Hee Cho
• Jury : Rapporteurs / Rapporteuses : Florence Forbes, Denis Vivien

Mots clés

Mots clés contrôlés

R (logiciel)

Maladies cérébrovasculaires

Imagerie par résonance magnétique

Marqueurs biologiques

Mots clés libres

Évaluation de biomarqueurs

Modèles prédictifs

Segmentation d’images

Imagerie par résonance magnétique

Accident vasculaire cérébral

Logiciel R

Biomarker assessment

Predictive modelling

Image segmentation

Magnetic resonance imaging

Stroke

R software

Résumé

L’Accident Vasculaire Cérébral (AVC) est une maladie grave pour laquelle des critères très stricts encadrent l’administration du traitement curatif en phase aigüe. Ces critères limitent drastiquement l’accès à ce traitement : on estime que seuls 10% des patients atteints d’un AVC en bénéficient. L’objectif de ce travail est de proposer un modèle prédictif de l’évolution de l’AVC qui permette d’identifier le volume de tissu à risque de chaque patient. Ce volume, qui correspond au bénéfice potentiel du traitement, permettra de mieux orienter le médecin dans sa décision de traiter. Pour répondre à cet objectif nous nous intéressons aux problématiques d’évaluation de modèles prédictifs dans un contexte de faible prévalence, de modélisation prédictive sur données spatiales, de prédiction volumique en fonction de l’option de traitement et de segmentation d’images en présence d’artefacts. Les outils développés ont été rassemblés au sein d’une librairie de fonctions du logiciel R nommée MRIaggr

Stroke is a serious disease that needs emergency health care. Due to potential side effects, the patients must fulfil very restrictive criteria for eligibility to the curative treatment. These criteria limit drastically the accessibility to treatment : currently, an estimated 10% of stroke patients are treated. The purpose of this work was to develop a statistical framework for stroke predictive models. We deal with assessing predictive models in a low-prevalence context, building predictive models for spatial data, making volumic predictions depending on the treatement option, and performing image segmentation in presence of image artefacts. Tools developed in this thesis have been collected in an R package named MRIaggr