Les douleurs viscérales chroniques font partie des effets secondaires des patients traités pour des cancers de la zone pelvienne. Ces douleurs peuvent affecter grandement la qualité de vie de ces patients. Dans les cas les plus graves, il n'existe pas de traitement analgésique efficace. Ainsi le développement de nouvelles stratégies thérapeutiques efficaces constitue un enjeu majeur. Au sein de notre laboratoire, le potentiel réparateur et immuno-modulateur des cellules stromales mésenchymateuses (CSM) a déjà été démontré dans un modèle d'ulcération colorectale radio-induite chez le rat. Dans ce contexte, l'objectif de ma thèse était d'évaluer d'abord la pertinence de l'utilisation de ce modèle pour l'étude de l'hypersensibilité viscérale persistante radio-induite, puis, le bénéfice thérapeutique de l'utilisation des CSM comme agent antinociceptif. Nous avons dans un premier temps démontré, dans ce modèle, le maintien au cours du temps d'une hypersensibilité viscérale associée à une sensibilisation centrale persistante après irradiation, validant ainsi le modèle. Nous avons ensuite montré l'implication des mastocytes (MC) et suggéré l'implication du neuromédiateur NO dans les mécanismes de la sensibilisation périphérique sous-tendant une telle hypersensibilité. Nous avons enfin mis en évidence que le traitement par des CSM permettait la réduction de l'hypersensibilité viscérale radio-induite persistante. La capacité des CSM à moduler l'activation des MC et/ou leurs interactions avec les fibres nerveuses pourrait être impliquée dans leur action antinociceptive. En conclusion, ce travail a permis d'élargir le spectre d'action thérapeutique des CSM dans notre modèle d'étude.

We develop graph-based methods for semi-supervised learning based on label propagation on a data similarity graph. When data is abundant or arrive in a stream, the problems of computation and data storage arise for any graph-based method. We propose a fast approximate online algorithm that solves for the harmonic solution on an approximate graph. We show, both empirically and theoretically, that good behavior can be achieved by collapsing nearby points into a set of local representative points that minimize distortion. Moreover, we regularize the harmonic solution to achieve better stability properties. We also present graph-based methods for detecting conditional anomalies and apply them to the identification of unusual clinical actions in hospitals. Our hypothesis is that patient-management actions that are unusual with respect to the past patients may be due to errors and that it is worthwhile to raise an alert if such a condition is encountered. Conditional anomaly detection extends standard unconditional anomaly framework but also faces new problems known as fringe and isolated points. We devise novel nonparametric graph-based methods to tackle these problems. Our methods rely on graph connectivity analysis and soft harmonic solution. Finally, we conduct an extensive human evaluation study of our conditional anomaly methods by 15 experts in critical care.