Décomposition de la variance dans le modèle de classification de trajectoires de biomarqueurs

Variance decomposition in classification models for biomarker trajectories

• Auteur / Autrice : Amna Abichou Klich
• Direction : René Écochard, Fabien Subtil
• Type : Thèse de doctorat
• Discipline(s) : Biostatistiques
• Date : Soutenance le 17/10/2019
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Evolution Ecosystèmes Microbiologie Modélisation
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Biométrie et Biologie Evolutive
• Jury : Président / Présidente : Karine Chalvet-Monfray
• Jury : Examinateurs / Examinatrices : René Écochard, Fabien Subtil, Anne-Béatrice Dufour
• Jury : Rapporteurs / Rapporteuses : Jacques Bénichou, Jean-Benoit Hardouin

Mots clés

Mots clés contrôlés

Classification

Méthode longitudinale

Analyse de variance

Mots clés libres

Classification

Trajectoires

Variance inter-individuelle

Variance résiduelle

Algorithme CEM

Données longitudinales

Classification

Trajectories

Between-individual variance

Residual variance

CEM algorithm

Longitudinal data

Résumé

L’analyse de mesures longitudinales –appelées trajectoires– est de plus en plus fréquente en recherche médicale. L’un des intérêts de cette analyse est d’identifier des groupes d’individus ayant des trajectoires similaires. La classification obtenue peut être utilisée pour mieux comprendre l’hétérogénéité des évolutions entre individus. La classification peut être déterminée à partir d’un modèle pour lequel les trajectoires des individus correspondent à la trajectoire du groupe auquel ils sont affectés. L’objectif de la thèse est de développer une extension de ce modèle de classification standard permettant une meilleure prise en compte de la variabilité au sein des groupes, (i) variabilité des valeurs du marqueur (variance résiduelle) et (ii) variabilité des profils d’évolution (variance inter-individuelle). Deux modèles de classification sont développés : 1) un premier modèle qui prend en compte une variance résiduelle au sein de chaque groupe variable d’un groupe à l’autre, et 2) un deuxième modèle qui prend en compte une variabilité des trajectoires au sein des groupes au lieu de de prédire la même trajectoire pour tous les individus d’un même groupe, variabilité qui peut être identique ou variable d’un groupe à l’autre. L’intérêt de ces deux modèles a été montré par des travaux de simulations et par des applications cliniques. Globalement, lorsque le nombre de mesures et de trajectoires est suffisant, ces modèles donnent de meilleures classifications que celles du modèle de classification standard. Par ailleurs, en dehors de plans expérimentaux très contrôlés, les deux sources de variabilité sont inhérentes à la recherche en santé. Ces modèles sont donc très pertinents d’un point de vue clinique

The analysis of longitudinal measures –called trajectories– is more and more frequent in clinical research. One of the interests of this analysis is to identify groups of individuals with similar trajectories. The obtained classification is used to understand and explore the heterogeneity of trajectories among subjects. The classification can be performed by a model that predicts the same trajectory for all the subjects that are classified in the same group. The objective of this thesis is to develop an extension to the standard classification model that gives greater consideration to the variability within groups, (i) the variability of marker values (residual variance), and (ii) the variability of the individual trajectories inside a group (between-individual variance). Two classification models were developed: 1) a first model that allows unequal residual variance across groups, and 2) a second model that takes into account a between-individual variance within each group instead of predicting the same trajectory for all subjects in the same group, a variance that can be equal or unequal across groups. The interest of these two models has been studied by simulations and through clinical applications. Overall, when the number of trajectories and measurements per trajectory is sufficient, these models gives better classification compared to the standard classification model. Moreover, except for highly controlled experimental designs, the two sources of variability are inherent to research in health. Therefore, these models are very relevant from a clinical point of view.