Médecine personnalisée : PreMeDICaL, une nouvelle équipe-projet commune Inria-Inserm à Montpellier

PreMeDICaL est une équipe commune entre Inria et l'Inserm, et plus spécifiquement avec l'IDESP (Institut Desbrest d’Épidémiologie et de Santé Publique), unité mixte de recherche entre l'Inserm et l'Université de Montpellier.

C'est une équipe interdisciplinaire, composée de chercheurs en machine learning et statistiques mais aussi de cliniciens.

PreMeDICaL est l'acronyme de "Precision Medicine by Data Integration and Causal Learning".

Le nom fait, dans un premier temps, référence au domaine d'application. C'est aussi un clin d'œil aux études réalisées par les étudiants avant de devenir médecin.
Cela permet d'indiquer que nous nous situons en amont des soins, en développant de nouvelles stratégies pour améliorer la prise en charge des patients.

Enfin, il permet de définir précisément les thèmes de l'équipe avec l'intégration de données hétérogènes et l'apprentissage causal, créant un pont parfait avec l'IDESP, dont les objectifs sont d'optimiser et modéliser prévention et soin des maladies chroniques avec des données massives de santé et d’environnement.

Nous développons des méthodes d'inférence causale qui permettent, entre autres, d'établir des politiques optimales de traitements c'est-à-dire de savoir quel patient traiter et quand, en combinant différentes sources de données : des données d'essais cliniques randomisés et des données dites "observationnelles" comme des données collectées en routine par les hôpitaux. L'intégration de données hétérogènes s'accompagne de nombreux défis méthodologiques comme la gestion des données manquantes.

L'objectif de l'équipe est de combler le fossé entre la théorie et la pratique et d'aller jusqu'à l'implémentation des outils et méthodes développés dans la pratique clinique. Le travail interdisciplinaire est donc au cœur de nos activités.

Nous étudions dans un premier temps les maladies respiratoires (l'Organisation mondiale de la santé (OMS) prévoit qu'en 2050 une personne sur deux souffrira d'allergies) et en particulier l'asthme, une des spécialités des membres de l'équipe et de Montpellier.
Nos liens avec l’IDESP nous permettent l’accès aux bases de données et aux médecins contextualisant les résultats.

À l'heure actuelle, les stratégies thérapeutiques sont loin d'être encore personnalisées.

Quand les résultats d'un essai clinique indiquent qu'un traitement est efficace en moyenne, ce traitement va être en général donné à tous les patients qui souffrent de la maladie en question. Cependant, il y a très souvent une hétérogénéité des réponses au traitement : c'est à dire que certains patients peuvent plus ou moins bénéficier du traitement.

Les méthodes que nous développons, qui utilisent des sources de données complémentaires, permettent d'aller vers plus de personnalisation et même de prévoir l'effet d'un traitement dans une population qui n'a pas été étudiée dans un essai randomisé. Cela permet d'accélérer la mise à disposition de thérapeutiques sur le marché, ce qui est crucial en particulier en période de crise sanitaire.

L'impact est important pour la santé des patients mais aussi d'un point de vue économique, car cela peut avoir un impact direct sur les politiques de remboursements des médicaments. Bien entendu, au delà des méthodes de statistiques et de machine learning qui, combinées aux données et à l'expertise métier, permettent d'avoir de nouvelles preuves sur l'efficacité de traitement. Il est impératif de travailler avec toutes les parties prenantes comme les autorités sanitaires pour transférer les résultats des recherche dans le domaine public.

Les membres de l'équipes sont sur plusieurs sites mais nous faisons des points réguliers. Il est encore un peu tôt pour évaluer l'implication d'avoir plusieurs tutelles en particulier sur les contrats, recrutements, etc.

Pour l'instant, cette diversité est une source de richesse car elle permet de faciliter les échanges avec les différents scientifiques, par exemple avec les membres de l'axe de recherche de l'IDESP porté par Isabella Annesi-Maesano, sur la compréhension des déterminants environnementaux des maladies chroniques (Exposome).

Nous avons de nombreux liens avec l'industrie, en particulier avec l'industrie pharmaceutique (Sanofi, ALK), des développeurs de matériels médical (General Electric) ou des cabinets de conseils (Capgemini Invent, Quinten).

Cela passe principalement par des thèses CIFRE ou des contrats de recherche. Pascal Demoly est également le cofondateur d'une startup AdviceMedica (une solution d'entraide collaborative entre les médecins).

Nous souhaitons continuer à renforcer nos collaborations avec l'industrie.

Le domaine est en pleine expansion et des chercheurs de différentes communautés s'intéressent aux problématiques de causalité et de fusion de données.

Le domaine est donc bouillonnant et suscite un certain engouement, qui peut s'expliquer d'une part par le contexte sociétal et d'autre part par les défis associés qui sont à la fois théoriques et appliqués.

Intégrer les notions de causalité en machine learning offre des promesses pour pallier les problèmes de ces méthodes face par exemple à des changements de distribution, ce qui les rendrait plus robustes et par ailleurs le machine learning lui aussi peut apporter de nouvelles perspectives aux méthodologies classiques utilisées en biostatistiques pour évaluer des effets de traitements.

Cependant, même si beaucoup de travaux sont motivés par des considérations du domaine appliqué, il y a peu de retombées concrètes pour la pratique clinique. Nous espérons, par le développement logiciel, la formation des différents acteurs, et l'intégration, dès la conception des projets, des contraintes organisationnelles et structurelles du domaine, atteindre cet objectif.

Je coencadre avec Nicolas Molinari, un autre membre de l'équipe, un étudiant qui a une thèse de médecine en thèse de statistique. Ce type de profil est crucial car il est impératif d'avoir des intermédiaires entre les cliniciens et des profils plus mathématiques, qui sont capable de comprendre les enjeux et les contraintes de chacun, démystifier certaines méthodes, pour mener à bien des projets.

Sur un autre projet, un étudiant statisticien en thèse (assez théorique) travaille main dans la main avec un clinicien pour définir des politiques de traitements dynamiques et nous nous réunissons régulièrement tous ensemble. Ce travail va donner lieu, je l'espère, à un beau projet avec des résultats fondés théoriquement qui pourraient être adoptés par la communauté médicale (nous utilisons les informations qui sont accessibles en pratique).

Le travail de recherche est toujours motivé par une question pratique du domaine d'application, nous développons ensuite des méthodes génériques qui peuvent s'appliquer à d'autres domaines et nous revenons ensuite à la question initiale pour proposer des solutions pratiques. Les itérations entre les cliniciens et les méthodologistes sont constantes.

Je suis impliquée dans la communauté du logiciel statistique et d'analyse de données R. Je participe par exemple à l'organisation des conférences internationales sur le sujet, développe des librairies. Je fais ainsi partie de Rforward, qui vise à accroitre la participation des femmes et autres groupes sous-représentés.

Je coordonne aussi un projet sur la gestion des patients polytraumatisés, en collaboration avec la Traumabase, l'EHESS, l'École polytechnique, commencé avant mon arrivée chez Inria.

Enfin, comme tous les chercheurs, j'ai des activités de participation à de nombreux comités.
Mais les sollicitations sont trop nombreuses en tant que femmes, en raison des quotas imposés, avec un effet qui ne semble pas significatif sur la présence des femmes dans le domaine (je serais ravie d'analyser les données à ce sujet).

Je compte remplacer certains de ces comités par plus de communication auprès du grand public et des jeunes en particulier car je suis convaincue du besoin de plus d'éveil à la science et aux carrières scientifiques.