Contexte : La sclérose tubéreuse de Bourneville (STB) affecte approximativement une naissance vivante sur 6000. Les principales sources de morbidité chez les enfants sont des manifestations cliniques affectant le cerveau et le cœur. Quant aux adolescents et aux adultes, ils sont à plus haut risque de développer des angiomyolipomes rénaux (AML) et la lymphangioléiomyomatose pulmonaire (LAM). Objectif : Ce projet de recherche a pour principal objectif de déterminer la capacité du fardeau de la maladie chez l’enfant à prédire le développement futur d’AML et de LAM chez l’adolescent et l’adulte. Méthodes : Les données sur 2420 participants de la TSC (Tuberous sclerosis complex) Alliance Natural History Database ont été utilisées pour développer des modèles de régression logistique afin de prédire les AML et la LAM. Ces modèles comptaient comme variables dix manifestations cliniques de la STB en plus du sexe biologique et de la mutation génétique. Les modèles développés ont été convertis en scores de risque clinique et une validation interne a ensuite été effectuée avec rééchantillonage par bootstrap afin d’évaluer leur performance prédictive à l’aide de mesures de discrimination et de calibration. Résultats : 1000 participants ont été diagnostiqués avec un AML, alors que la LAM a été détectée chez 107 participants. Les scores de risque clinique les moins élevés prédisaient des risques d’AML et de LAM de 0 % et de 5 %, tandis que les scores les plus élevés pouvaient prédire des risques allant jusqu’à 96 % et 54 %, respectivement. La performance prédictive des modèles allait de bonne à excellente (C-Index variant de 0,75 à 0,85). Conclusion : Les scores de risque clinique développés indiquent une bonne capacité des manifestations cliniques sélectionnées à prédire le risque futur des tumeurs, principalement pour les AML. Une validation externe devra cependant être menée afin de confirmer les résultats obtenus dans la présente étude. / Background: Tuberous sclerosis complex (TSC) affects approximately 1/6000 live births. The primary sources of childhood morbidity and mortality are manifestations affecting the brain and heart. Adolescents and adults, on the other hand, are at the greatest risk of developing renal angiomyolipoma (AML) and pulmonary lymphangioleiomyomatosis (LAM). Objective: The main objective of this research project is to determine the ability of the burden of TSC in children to predict the risk of developing AML and LAM in adults. Methods: Data from 2420 participants in the TSC Natural History Database were used to develop logistic regression models to predict AMLs and LAM. Variables used for the models included 10 clinical manifestations of TSC, in addition to biological sex and genetic mutation. The models were converted into clinical risk scores and were internally validated using bootstrap resampling to evaluate their predictive performance with the help of discrimination and calibration measures. Results: 1000 participants were diagnosed with AML, while LAM was seen in 107 participants. The lowest clinical risk scores predicted a risk of AML and LAM of 5% and 0%, while the highest scores predicted a risk of 96% and 54%, respectively. The predictive performance of the models ranged from good to excellent (C-Indexes of 0.75 to 0.85). Conclusions: The clinical risk scores indicated a good ability for the selected clinical manifestations to predict the future risk of tumours, particularly of AML. External validation of the risk scores will be important to confirm the robustness of our findings.

Cette thèse présente des travaux de modélisation mathématique de la croissance tumorale. On détaille dans ce manuscrit la construction d’indicateurs de bio-imagerie, destinés à quantifier l’hétérogénéité tumorale. Un modèle d’équations aux dérivées partielles constitué de deux types de cellules tumorales est étudié par la suite. Le paramétrage de ce modèle est propre à chaque patient et à chaque lésion. Il est effectué grâce à des données d’imagerie médicale (IRM ou scanner), ce qui constitue une méthode non invasive pour le patient. Les indicateurs ainsi que le modèle décrit ont été utilisés dans le cadre du suivi des métastases des lésions rénales de 5 patients traités avec un médicament anti-angiogénique. Enfin, la dernière partie a pour objectif de distinguer différents types de lésions rénales (malignes ou non) grâce à l’imagerie afin de limiter les chirurgies inutiles. On s’est particulièrement attaché à distinguer les carcinomes rénaux à cellules claires des angiomyolipomes pauvres en graisse. / This document deals with mathematical modelling of tumour growth. Biological indicators based on medical images are constructed in order to quantify tumoral heterogeneity. In the first part, a partial differential equations model made of two distinct cell subtypes is being studied. The model’s parameters are unique for each patient and each lesion. They are computed thanks to medical images (MRI or scan), which is a non-invasive method for the patient. Both the indicators and the model described are used on the cases of 5 patients treated with an anti-angiogenic medicine. The last part of the document aims at distinguishing different renal tumour subtypes that can be malignant or benign. Angiomyolipomas and renal cells carcinomas were particulary studied in the last part of the document.