Titre de l'écran-titre (visionné le 26 février 2024) / Dans l'ère numérique actuelle, l'apprentissage automatique, une branche de l'intelligence artificielle, est en train de révolutionner de nombreux secteurs, y compris celui de l'assurance. L'importance d'une évaluation précise des risques est cruciale dans le secteur des assurances, où la détermination de l'admissibilité d'un client à un type d'assurance spécifique est au cœur du processus de souscription. Traditionnellement, cette évaluation s'appuie sur des informations fournies par les clients, telles que leur état de santé, leur consommation de tabac ou d'alcool, et peut même inclure des examens médicaux, comme des tests d'urine pour détecter la présence de substances spécifiques. Cependant, l'intégrité des réponses fournies pose souvent problème. Par exemple, certains clients peuvent sous-déclarer leur consommation de tabac, influençant ainsi les décisions de souscription et les tarifications. Dans ce contexte, les compagnies d'assurance sont souvent contraintes de réaliser des tests médicaux coûteux pour valider les déclarations des clients. Toutefois, grâce à l'apprentissage automatique, nous pouvons potentiellement réduire ces coûts. En développant des modèles prédictifs pour détecter les fumeurs basés sur d'autres informations fournies, il est possible de réduire considérablement sur les coûts. Avec l'apprentissage automatique, nous pouvons analyser de grandes quantités de données, identifier des modèles et faire des prédictions avec une précision élevée. Cette approche ouvre la voie à des processus d'assurance plus optimisés et axés sur les données. En utilisant l'apprentissage automatique, en particulier les algorithmes de classification, nous exploitons des données d'assurance-vie pour prédire si les individus falsifient leurs réponses concernant leur statut de fumeur. Nous mettons en œuvre de nouvelles approches pour traiter les valeurs manquantes, en prenant en compte les aspects humains des données. De plus, nous introduisons une modification de l'algorithme de classification *Set Covering Machine* pour répondre aux défis associés aux coûts des erreurs lors des demandes d'assurance-vie. / In today's digital age, machine learning, a branch of artificial intelligence, is revolutionizing numerous sectors, including insurance. Accurate risk assessment is crucial in the insurance industry, where determining a client's eligibility for a specific type of insurance is central to the underwriting process. Traditionally, this assessment relies on information provided by clients, such as their health status, tobacco or alcohol consumption, and can even include medical examinations, like urine tests to detect specific substances. However, the integrity of the responses provided often poses challenges. For instance, some clients might under-report their tobacco consumption, subsequently influencing underwriting decisions and pricing. In this context, insurance companies often find themselves compelled to conduct costly medical tests to validate client statements. Nevertheless, with the aid of machine learning, we can potentially reduce these costs. By developing predictive models to identify smokers based on other provided information, there's potential for significant savings on testing costs. Thanks to machine learning, we can analyze vast amounts of data, identify patterns, and make predictions with more precision. This approach not only improves the reliability of eligibility assessments but also paves the way for more optimized, data-driven insurance processes. Using machine learning, particularly classification algorithms, we utilized life insurance data to predict whether individuals falsify their responses regarding their smoking status. We implemented new approaches to handle missing values, taking into account the human aspects of the data. Furthermore, we introduced a modification to the *Set Covering Machine* classification algorithm to address the challenges associated with the costs of errors in life insurance applications.

Le présent projet vise à construire un modèle prédictif des troubles psychiatriques en combinant des variables génétiques, les scores de risque polygéniques (PRS), et des variables socio-économiques. Les PRS seront construits grâce à une méthode que nous avons développée et que nous avons nommée Multivariate lassosum. L'issue d'intérêt à prédire sera l'apparition d'un trouble mental chez l'individu. Le modèle considéré sera le modèle de régression de Cox. Le pouvoir prédictif du modèle construit sera évalué en calculant l'aire sous la courbe ROC, en utilisant la méthode validation croisée. / The present project aims to build a predictive model of psychiatric disorders by combining genetic variables, polygenic risk scores (PRS), and socioeconomic variables. The PRS will be constructed using a method we have developed called Multivariate lassosum. The outcome of interest to be predicted will be the onset of a mental disorder in the individual. The model considered will be the Cox regression model. The predictive power of the model constructed will be evaluated by calculating the area under the ROC curve, using the cross-validation method.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Le niveau médiocre des taux de réponses et des améliorations de survie lorsque des stratégies conventionnelles sont appliquées souligne la nécessité de développer des outils prédictifs performants, robustes et applicables en clinique. La démocratisation des technologies d’analyses à haut-débit est le substrat de la médecine de précision permettant le développement de modèles prédictifs capables d’orienter les stratégies thérapeutiques et la définition d’une nouvelle taxonomie des cancers par l’intégration de données moléculaires de haute dimension. A travers cette thèse, nous avons d’abord analysé des données publiques d’expression génique de cancer bronchique non à petites cellules dans le but de prédire la probabilité de survie à trois ans. Le fort pouvoir prédictif de la TNM seule et la faible taille des cohortes de validation ont malheureusement limité la possibilité de traduire nos résultats en clinique. Nous avons ensuite développé un prédicteur du phénotype « KRAS muté » spécifique du cancer colorectal, permettant d’identifier de nouveaux traits moléculaires responsables de ce phénotype et d’améliorer la prédiction de la réponse au cetuximab chez les patients KRAS sauvage. Enfin, nous avons combiné les données moléculaires des panels de lignées cellulaires CCLE et Sanger avec les données des cohortes du TCGA pour produire des prédicteurs performants de la sensibilité aux drogues. Ces modèles sont concordants avec des screens produits par interférence RNA et permettent d’expliquer la réponse extrême de patients sectionnés dans le programme de screening moléculaire MOSCATO.Les défis spécifiques posés par les données moléculaires de haute dimension dans le développement d’outils prédictifs applicables en clinique sont discutés dans cette thèse. / The mediocre level of the rates of answers and the improvements of survival when conventional strategies are applied underlines the necessity of developing successful, strong and applicable predictive tools in private hospital. The democratization of the technologies of analyses with top-debit(-flow) is the substratum of the medicine of precision allowing the development of predictive models capable of directing the therapeutic strategies and the definition of a new taxonomy of cancers by the integration of molecular data of high dimension(size).Through this thesis(theory), we analyzed at first public data of genic expression of bronchial cancer not in small cells(units) with the aim of predicting the probability of survival in three years. The strong predictive power of the only TNM and

Le secteur du bâtiment représente plus du tiers de la consommation énergétique et des émissions de gaz à effet de serre mondiales. Face à cet enjeu, des stratégies passives ont permis d'améliorer l'efficacité énergétique des bâtiments. À mesure que les technologies passives se rapprochent de leur limite physique d'efficacité, il devient nécessaire de s'intéresser à des technologies actives. Les stratégies de contrôle par modèle prédictif ont le potentiel de réduire la consommation énergétique des systèmes de chauffage, climatisation, ventilation, conditionnement de l'air et de production d'eau chaude domestique. Une difficulté limitant leur implantation dans les bâtiments provient du besoin de prédire des paramètres influencés par le comportement des occupantes et des occupants qui apparait stochastique, complexifiant le développement de modèles de prédiction. Dans ce contexte, cette thèse se concentre à évaluer des méthodes basées sur les données pour estimer la prédictibilité de la consommation d'eau chaude domestique et d'électricité dans un bâtiment résidentiel. L'impact d'une prédictibilité variable sur les performances est évalué lors de l'implémentation de ces modèles de prédiction dans des contrôleurs par modèle prédictif appliqués à des systèmes de production d'eau chaude domestique. Premièrement, la prédictibilité des profils de consommation d'eau chaude est évaluée à partir de profils mesurés dans un bâtiment résidentiel de 40 logements. Plus précisément, des réseaux de neurones sont entraînés à prédire cette consommation pour des systèmes de tailles variables allant d'un à 100 logements. Le niveau de prédictibilité est identifié comme étant proportionnel au nombre de logements et hautement variable pour des systèmes unifamiliaux, passant de très faible à élevé (c.-à-d., coefficient de détermination allant de 8 à 92% avec une moyenne de 58%). Les résultats montrent une difficulté à prédire précisément les pics de consommation, souvent sous-estimés lorsqu'une faible prédictibilité est observée. Puisqu'un contrôleur par modèle prédictif base ses décisions sur les prédictions, une faible prédictibilité pourrait impacter les performances en termes d'économie d'énergie et de respect des contraintes applicables à un système de production d'eau chaude. Deuxièmement, l'impact du niveau de prédictibilité des profils de consommation d'eau chaude sur les performances de contrôleurs par modèle prédictif est estimé. Les performances d'un contrôleur par modèle prédictif théorique employant des prédictions parfaitement précises sont comparées avec celles obtenues avec un contrôleur employant des prédictions imparfaites produites par les réseaux de neurones entraînés précédemment. Pour un système unifamilial, le principal effet des prédictions imparfaites sur les performances est le non-respect plus fréquent des contraintes de température dû à une incapacité à agir suffisamment en avance en préparation aux futurs pics de consommation d'eau chaude sous-estimés. Néanmoins, en comparaison avec une commande traditionnelle, des économies d'énergie allant de 4 à 8% ont été obtenues avec le contrôleur employant les prédictions imparfaites. En prédisant les périodes de pointe énergétique, les contrôleurs par modèle prédictif ont la capacité de réduire les pointes de consommation énergétique en déplaçant une partie de cette consommation vers les périodes hors-pointes. Dans cette optique, plusieurs modèles de prédiction basés sur les données sont entraînés afin de prédire la consommation d'électricité de logements unifamiliaux liée à l'éclairage et à l'utilisation des prises de courant sur plusieurs horizons allant de 10 minutes à 24 heures. Les arbres de décision renforcés (boosted) par le gradient sont identifiés comme étant la méthode produisant la meilleure qualité de prédiction. Une grande variabilité quant au niveau de prédictibilité est observée entre les logements, ce qui pourrait affecter la capacité des contrôleurs à réduire la consommation énergétique de pointe dans certains cas. Finalement, un dernier chapitre explore le potentiel d'un contrôleur par modèle prédictif employant les modèles de prédiction de la demande en eau chaude et de la consommation d'électricité pour prédire les périodes de pointe. Les résultats démontrent une plus grande différenciation entre les contrôleurs par modèle prédictif avec prédictions parfaites et imparfaites, le premier permettant de réduire d'avantage la consommation énergétique de pointe du chauffe-eau en prédisant plus précisément les périodes de pointe ainsi que la demande en eau chaude domestique correspondante. En comparaison avec la commande traditionnelle, des économies d'énergie pendant les périodes de pointe allant de 10 à 70% (moyenne de 26%) selon l'unité résidentielle étudiée ont été obtenues avec le contrôleur basé sur les prédictions imparfaites. Globalement, cette thèse représente un grand pas vers l'application future des contrôleurs par modèle prédictif basés sur l'apprentissage machine dans les bâtiments résidentiels, et les résultats obtenus démontrent le potentiel de cette stratégie de contrôle face à la réduction de la consommation d'énergie des systèmes de production d'eau chaude domestique unifamiliaux. / The building sector accounts for more than a third of the worldwide energy consumption and greenhouse gas emissions. Facing these challenges, passive strategies have allowed to increase the energy efficiency of buildings. As these passive technologies are reaching their efficiency limits, it is necessary to turn our interest to active technologies. Model predictive control strategies have the potential to reduce the energy consumption of heating, cooling, ventilation and air conditioning as well as domestic hot water production systems. One of the challenges towards their application in buildings is the requirement to predict parameters that are influenced by occupants' behavior that appears to be stochastic. In this context, this thesis focuses on evaluating data-based methods to estimate the predictability of domestic hot water and electricity consumption profiles in a residential building. The impact of a varying predictability on the performance is evaluated by implementing these forecasting models in model predictive controllers applied to domestic hot water production systems. First, the predictability of domestic hot water consumption profiles is evaluated from profiles measured in a 40-unit case-study residential building. More specifically, neural networks are trained to predict this consumption for systems of varying size ranging between one and 100 units. The level of predictability is identified as proportional to the number of units and shows high variability for single-family systems, starting at very low and reaching high levels (i.e., coefficient of determination from 8 to 92% with a mean of 58%). Results show that accurately predicting consumption peaks is a challenge and often results in underestimating their amplitude when a low predictability is observed. As the decisions of model predictive controllers are based on predictions, a low predictability could impact their energy-saving performance and ability to respect the constraints of domestic hot water production systems. Thus, the impact of the level of predictability of hot water consumption profiles on the performance of model predictive controllers is estimated. The performance of a theoretical model predictive controller relying on perfectly accurate predictions are compared with that of a controller using imperfect predictions produced by the previously trained neural networks. In single-family systems, the main impact of imperfect predictions on the performance is more violations of the storage temperature constraint due to the inability to act sufficiently in advance in preparation of underestimated future hot water consumption peaks. Nonetheless, comparing with a traditional controller, energy savings from 4 to 8% were obtained with the predictive controller relying on imperfect forecasts. By predicting energy-peak periods, the predictive controllers have the ability to reduce peak energy consumption by moving parts of the energy consumption to off-peak periods. In this context, many data-based prediction models are trained to predict the plug load and lighting electricity consumption of single-family residential units over horizons of 10 minutes to 24 hours. Gradient-boosted regression trees are identified as the method providing the highest prediction quality. A high variability is observed for the level of predictability between residential units, which could affect the controllers' ability to reduce electricity consumption peaks in some cases. Finally, a last chapter explores the potential of a model predictive controller using the prediction models of the domestic hot water demand and of the electricity consumption to forecast electricity-peak periods. As the electricity consumption was demonstrated as challenging to predict in many contexts, the impact of forecasting inaccuracies on the performance of controllers is even more displayed here. The results show that the model predictive controllers with perfect or imperfect predictions are more differentiated, with the first managing to reduce more the electricity-consumption peaks of the water heater by accurately predicting peak periods along with the corresponding domestic hot water demand. Compared with a traditional controller, peak-period energy savings ranging from 10 to 70% (mean of 26%) were obtained with the controller relying on imperfect forecasts depending on the studied residential unit. Globally, this thesis is a major step towards future application of model predictive controllers based on machine learning in residential buildings. The results demonstrate the potential of this control strategy to reduce the energy consumption of single-family domestic hot water systems.

Le secteur du bâtiment représente plus du tiers de la consommation énergétique et des émissions de gaz à effet de serre mondiales. Face à cet enjeu, des stratégies passives ont permis d'améliorer l'efficacité énergétique des bâtiments. À mesure que les technologies passives se rapprochent de leur limite physique d'efficacité, il devient nécessaire de s'intéresser à des technologies actives. Les stratégies de contrôle par modèle prédictif ont le potentiel de réduire la consommation énergétique des systèmes de chauffage, climatisation, ventilation, conditionnement de l'air et de production d'eau chaude domestique. Une difficulté limitant leur implantation dans les bâtiments provient du besoin de prédire des paramètres influencés par le comportement des occupantes et des occupants qui apparait stochastique, complexifiant le développement de modèles de prédiction. Dans ce contexte, cette thèse se concentre à évaluer des méthodes basées sur les données pour estimer la prédictibilité de la consommation d'eau chaude domestique et d'électricité dans un bâtiment résidentiel. L'impact d'une prédictibilité variable sur les performances est évalué lors de l'implémentation de ces modèles de prédiction dans des contrôleurs par modèle prédictif appliqués à des systèmes de production d'eau chaude domestique. Premièrement, la prédictibilité des profils de consommation d'eau chaude est évaluée à partir de profils mesurés dans un bâtiment résidentiel de 40 logements. Plus précisément, des réseaux de neurones sont entraînés à prédire cette consommation pour des systèmes de tailles variables allant d'un à 100 logements. Le niveau de prédictibilité est identifié comme étant proportionnel au nombre de logements et hautement variable pour des systèmes unifamiliaux, passant de très faible à élevé (c.-à-d., coefficient de détermination allant de 8 à 92% avec une moyenne de 58%). Les résultats montrent une difficulté à prédire précisément les pics de consommation, souvent sous-estimés lorsqu'une faible prédictibilité est observée. Puisqu'un contrôleur par modèle prédictif base ses décisions sur les prédictions, une faible prédictibilité pourrait impacter les performances en termes d'économie d'énergie et de respect des contraintes applicables à un système de production d'eau chaude. Deuxièmement, l'impact du niveau de prédictibilité des profils de consommation d'eau chaude sur les performances de contrôleurs par modèle prédictif est estimé. Les performances d'un contrôleur par modèle prédictif théorique employant des prédictions parfaitement précises sont comparées avec celles obtenues avec un contrôleur employant des prédictions imparfaites produites par les réseaux de neurones entraînés précédemment. Pour un système unifamilial, le principal effet des prédictions imparfaites sur les performances est le non-respect plus fréquent des contraintes de température dû à une incapacité à agir suffisamment en avance en préparation aux futurs pics de consommation d'eau chaude sous-estimés. Néanmoins, en comparaison avec une commande traditionnelle, des économies d'énergie allant de 4 à 8% ont été obtenues avec le contrôleur employant les prédictions imparfaites. En prédisant les périodes de pointe énergétique, les contrôleurs par modèle prédictif ont la capacité de réduire les pointes de consommation énergétique en déplaçant une partie de cette consommation vers les périodes hors-pointes. Dans cette optique, plusieurs modèles de prédiction basés sur les données sont entraînés afin de prédire la consommation d'électricité de logements unifamiliaux liée à l'éclairage et à l'utilisation des prises de courant sur plusieurs horizons allant de 10 minutes à 24 heures. Les arbres de décision renforcés (boosted) par le gradient sont identifiés comme étant la méthode produisant la meilleure qualité de prédiction. Une grande variabilité quant au niveau de prédictibilité est observée entre les logements, ce qui pourrait affecter la capacité des contrôleurs à réduire la consommation énergétique de pointe dans certains cas. Finalement, un dernier chapitre explore le potentiel d'un contrôleur par modèle prédictif employant les modèles de prédiction de la demande en eau chaude et de la consommation d'électricité pour prédire les périodes de pointe. Les résultats démontrent une plus grande différenciation entre les contrôleurs par modèle prédictif avec prédictions parfaites et imparfaites, le premier permettant de réduire d'avantage la consommation énergétique de pointe du chauffe-eau en prédisant plus précisément les périodes de pointe ainsi que la demande en eau chaude domestique correspondante. En comparaison avec la commande traditionnelle, des économies d'énergie pendant les périodes de pointe allant de 10 à 70% (moyenne de 26%) selon l'unité résidentielle étudiée ont été obtenues avec le contrôleur basé sur les prédictions imparfaites. Globalement, cette thèse représente un grand pas vers l'application future des contrôleurs par modèle prédictif basés sur l'apprentissage machine dans les bâtiments résidentiels, et les résultats obtenus démontrent le potentiel de cette stratégie de contrôle face à la réduction de la consommation d'énergie des systèmes de production d'eau chaude domestique unifamiliaux. / The building sector accounts for more than a third of the worldwide energy consumption and greenhouse gas emissions. Facing these challenges, passive strategies have allowed to increase the energy efficiency of buildings. As these passive technologies are reaching their efficiency limits, it is necessary to turn our interest to active technologies. Model predictive control strategies have the potential to reduce the energy consumption of heating, cooling, ventilation and air conditioning as well as domestic hot water production systems. One of the challenges towards their application in buildings is the requirement to predict parameters that are influenced by occupants' behavior that appears to be stochastic. In this context, this thesis focuses on evaluating data-based methods to estimate the predictability of domestic hot water and electricity consumption profiles in a residential building. The impact of a varying predictability on the performance is evaluated by implementing these forecasting models in model predictive controllers applied to domestic hot water production systems. First, the predictability of domestic hot water consumption profiles is evaluated from profiles measured in a 40-unit case-study residential building. More specifically, neural networks are trained to predict this consumption for systems of varying size ranging between one and 100 units. The level of predictability is identified as proportional to the number of units and shows high variability for single-family systems, starting at very low and reaching high levels (i.e., coefficient of determination from 8 to 92% with a mean of 58%). Results show that accurately predicting consumption peaks is a challenge and often results in underestimating their amplitude when a low predictability is observed. As the decisions of model predictive controllers are based on predictions, a low predictability could impact their energy-saving performance and ability to respect the constraints of domestic hot water production systems. Thus, the impact of the level of predictability of hot water consumption profiles on the performance of model predictive controllers is estimated. The performance of a theoretical model predictive controller relying on perfectly accurate predictions are compared with that of a controller using imperfect predictions produced by the previously trained neural networks. In single-family systems, the main impact of imperfect predictions on the performance is more violations of the storage temperature constraint due to the inability to act sufficiently in advance in preparation of underestimated future hot water consumption peaks. Nonetheless, comparing with a traditional controller, energy savings from 4 to 8% were obtained with the predictive controller relying on imperfect forecasts. By predicting energy-peak periods, the predictive controllers have the ability to reduce peak energy consumption by moving parts of the energy consumption to off-peak periods. In this context, many data-based prediction models are trained to predict the plug load and lighting electricity consumption of single-family residential units over horizons of 10 minutes to 24 hours. Gradient-boosted regression trees are identified as the method providing the highest prediction quality. A high variability is observed for the level of predictability between residential units, which could affect the controllers' ability to reduce electricity consumption peaks in some cases. Finally, a last chapter explores the potential of a model predictive controller using the prediction models of the domestic hot water demand and of the electricity consumption to forecast electricity-peak periods. As the electricity consumption was demonstrated as challenging to predict in many contexts, the impact of forecasting inaccuracies on the performance of controllers is even more displayed here. The results show that the model predictive controllers with perfect or imperfect predictions are more differentiated, with the first managing to reduce more the electricity-consumption peaks of the water heater by accurately predicting peak periods along with the corresponding domestic hot water demand. Compared with a traditional controller, peak-period energy savings ranging from 10 to 70% (mean of 26%) were obtained with the controller relying on imperfect forecasts depending on the studied residential unit. Globally, this thesis is a major step towards future application of model predictive controllers based on machine learning in residential buildings. The results demonstrate the potential of this control strategy to reduce the energy consumption of single-family domestic hot water systems.

La maladie de Parkinson est l'une des principales pathologies neurodégénératives, mais il existe peu de données françaises sur sa fréquence. Des études antérieures suggèrent que l'exposition aux pesticides est un facteur de risque de maladie de Parkinson ; la population agricole représente donc une population particulièrement intéressante. Nous avons étudié l'intérêt d'une méthode utilisant les remboursements de médicaments antiparkinsoniens pour identifier les patients parkinsoniens parmi les affiliés de la Mutualité Sociale Agricole dans cinq départements en 2007 en développant, à partir de 1 114 consommateurs de médicaments antiparkinsoniens, un modèle prédictif dont nous avons estimé les performances (sensibilité =92,5 %, spécificité = 86,4 %, statistique c = 0,953 %). A partir de ce modèle, nous estimons que la prévalence de la maladie de Parkinson dans les cinq départements est de 6,20 ‰ après18 ans et de 2,76 ‰ après standardisation sur l'âge et le sexe (population française de 2007comme référence). La prévalence est 1,3 fois plus élevée dans les cantons où la densité en exploitations spécialisées en vergers et autres cultures permanentes est la plus élevée ; ce typed'exploitation est caractérisé par une utilisation intensive de pesticides, notamment d'insecticides. Des informations détaillées sur l'utilisation professionnelle de pesticides ont été recueillies dans une étude cas-témoins (331 cas, 660 témoins). Nous observons une association entre la maladie de Parkinson et l'utilisation intensive (nombre élevéd'applications par an) de fongicides et d'insecticides. Parmi les différents types d'exploitations, une association avec la maladie de Parkinson est uniquement retrouvée pour l'utilisation de pesticides dans les exploitations viticoles. Enfin, l'association avec l'exposition professionnelle aux pesticides semble plus marquée pour la présentation clinique de la maladie caractérisée par la présence d'un tremblement de repos

L’arrivée récente de l’immunothérapie a bouleversé la prise en charge des cancers broncho-pulmonaires non à petites cellules (CBNPC). Le nivolumab, anticorps inhibiteur du point de contrôle immunitaire PD-1, a montré des résultats remarquables en deuxième ligne métastatique après échec des chimiothérapies standards de première intention. Cependant, seul un quart des patients tire un bénéfice durable de la prise de ce traitement. `A ce jour, aucun biomarqueur prédictif de l'efficacité thérapeutique du nivolumab n'a pu être identifié de manière claire et consensuelle. La recherche de biomarqueurs prédictifs de bénéfice ou de résistance à ce traitement répresente donc un enjeu majeur.L’apparition du séquençage à haut débit au cours de la dernière décennie a eu un impact considérable sur la recherche clinique et fondamentale, permettant d’appréhender la génétique d’une tumeur dans son ensemble. Ces nouvelles techniques s’ajoutent à d’autres déjà éprouvées telles que l’immunophénotypage ou l’immunohistochimie à disposition des chercheurs pour une analyse extensive des caractéristiques de la tumeur et du patient.L’objectif de ce travail a été d’identifier des marqueurs prédictifs d’efficacité du nivolumab dans le traitement des CBNPC avancés au moyen de ces différentes technologies. Pour cela, notre étude s'est alors intéressée à une cohorte multicentrique de 115 patients atteints de CBNPC et traités par nivolumab en deuxième ou troisième ligne métastatique après échec d'un doublet cytotoxique. Dans les limites de disponibilité et de qualité des échantillons, les profils génétique, transcriptomique et immunohistochimique de la tumeur ainsi que les profils clinique et immunologique des patients ont été analysés.Nos résultats mettent en évidence des marqueurs prédictifs majeurs de réponse au nivolumab. Ainsi, une bonne réponse au doublet cytotoxique de première intention favorise une efficacité optimale du nivolumab en ligne ultérieure. Par ailleurs, un contrôle régulier de l'évolution des cellules myéloïdes immunosuppresives et des cellules cytotoxiques exprimant TIM-3 d'un patient permet de détecter une résistance primaire ou secondaire au traitement. D'autre part, l'estimation conjointe des expressions des protéines PD-L1 et CD8 par séquençage d'ARN constitue un marqueur prédictif majeur de réponse. Sa capacité prédictive surpasse celle de l'estimation de PD-L1 seule et celle d'autres signatures transcriptomiques précédemment établies et composées d'un nombre plus important de gènes. Enfin, l'étude des séquençages d'exome des tumeurs montre l'importance d'une analyse étendue de la génétique tumorale et la nécessité de ne pas se limiter à l'estimation de sa charge mutationnelle.Dans ce travail, nous avons pu mettre en évidence des marqueurs prédictifs d'efficacité du nivolumab dans le traitement des CBNPC avancés. Nos résultats soulignent l'importance de l'utilisation de plusieurs technologies pour la caractérisation de la biologie tumorale et de l'immunité du patient dans une démarche de découverte de biomarqueurs et de construction de modèles prédictifs d'efficacité des immunothérapies. / The recent introduction of immunotherapy has disrupted the management of non-small cell lung cancer (NSCLC). Nivolumab, an antibody targeting the immune checkpoint inhibitor PD-1, has shown remarkable results in seconde-line setting after failure of standard first-line chemotherapy. However, only a quarter of patients benefits from this therapy. To date, no predictive biomarker of the therapeutic efficacy of nivolumab has been identified in a clear and consensual manner. The research for predictive biomarkers of efficacy or resistance to this treatment is, therefore, a major challenge.The emergence of high-throughput sequencing over the past decade has had a significant impact on clinical and fundamental research, making possible to understand the genetics of a tumor as a whole. These new techniques are in addition to other already proven techniques such as immunophenotyping or immunohistochemistry available to researchers for extensive analysis of tumor and patient characteristics.The objective of this work was to identify predictors of the efficacy of nivolumab in the treatment of advanced NSCLC using these different technologies. To do this, our study focused on a multicentre cohort of 115 NSCLC patients treated with nivolumab in the second- or third-line after failure of a cytotoxic doublet. Within the limits of sample availability and quality, the genetic, transcriptomic and immunohistochemical profiles of the tumor as well as the clinical and immunological profiles of the patients were analysed.Our results highlight major predictive markers of response to nivolumab. Thus, a good response to the first-line cytotoxic doublet promotes optimal efficacy of subsequent online nivolumab. In addition, regular monitoring of the evolution of a patient's immunosuppressive myeloid cells and cytotoxic cells expressing TIM-3 can detect primary or secondary resistance to treatment. On the other hand, the joint estimation of PD-L1 and CD8 protein expressions by RNA sequencing is a major predictive marker of response. Its predictive capacity surpasses that of the PD-L1 estimate alone and that of other previously established transcriptomic signatures composed of a larger number of genes. Finally, the study of tumor exome sequencing shows the importance of extensive analysis of tumor genetics and the need not only to focus on the estimation its mutation burden.In this work, we were able to identify predictive markers of the efficacy of nivolumab in the treatment of advanced NSCLC. Our results highlight the importance of using several technologies for the characterization of tumor biology and patient immunity in a process of biomarker discovery and the construction of predictive models of the efficacy of immunotherapies.

L’enjeu majeur de cette thèse réside dans l’amélioration de l’adéquation entre l’information retournée et les attentes des utilisateurs à l’aide de profils riches et efficaces. Il s’agit donc d’exploiter au maximum les retours utilisateur (qu’ils soient donnés sous la forme de clics, de notes ou encore d’avis écrits) et le contexte. En parallèle la forte croissance des appareils nomades (smartphones, tablettes) et par conséquent de l’informatique ubiquitaire nous oblige à repenser le rôle des systèmes d’accès à l’information. C’est pourquoi nous ne nous sommes pas seulement intéressés à la performance à proprement parler mais aussi à l’accompagnement de l’utilisateur dans son accès à l’information. Durant ces travaux de thèse, nous avons choisi d’exploiter les textes écrit par les utilisateurs pour affiner leurs profils et contextualiser la recommandation. À cette fin, nous avons utilisé les avis postés sur les sites spécialisés (IMDb, RateBeer, BeerAdvocate) et les boutiques en ligne (Amazon) ainsi que les messages postés sur Twitter.Dans un second temps, nous nous sommes intéressés aux problématiques de modélisation de la dynamique des utilisateurs. En plus d’aider à l’amélioration des performances du système, elle permet d’apporter une forme d’explication quant aux items proposés. Ainsi, nous proposons d’accompagner l’utilisateur dans son accès à l’information au lieu de le contraindre à un ensemble d’items que le système juge pertinents. / The main goal of this thesis resides in using rich and efficient profiling to improve the adequation between the retrieved information and the user's expectations. We focus on exploiting as much feedback as we can (being clicks, ratings or written reviews) as well as context. In the meantime, the tremendous growth of ubiquitous computing forces us to rethink the role of information access platforms. Therefore, we took interest not solely in performances but also in accompanying users through their access to the information. Through this thesis, we focus on users dynamics modeling. Not only it improves the system performances but it also brings some kind of explicativity to the recommendation. Thus, we propose to accompany the user through his experience accessing information instead of constraining him to a given set of items the systems finds fitting.

La maladie de Parkinson est l'une des principales pathologies neurodégénératives, mais il existe peu de données françaises sur sa fréquence. Des études antérieures suggèrent que l'exposition aux pesticides est un facteur de risque de maladie de Parkinson ; la population agricole représente donc une population particulièrement intéressante. Nous avons étudié l’intérêt d’une méthode utilisant les remboursements de médicaments antiparkinsoniens pour identifier les patients parkinsoniens parmi les affiliés de la Mutualité Sociale Agricole dans cinq départements en 2007 en développant, à partir de 1 114 consommateurs de médicaments antiparkinsoniens, un modèle prédictif dont nous avons estimé les performances (sensibilité =92,5 %, spécificité = 86,4 %, statistique c = 0,953 %). A partir de ce modèle, nous estimons que la prévalence de la maladie de Parkinson dans les cinq départements est de 6,20 ‰ après18 ans et de 2,76 ‰ après standardisation sur l’âge et le sexe (population française de 2007comme référence). La prévalence est 1,3 fois plus élevée dans les cantons où la densité en exploitations spécialisées en vergers et autres cultures permanentes est la plus élevée ; ce typed’exploitation est caractérisé par une utilisation intensive de pesticides, notamment d’insecticides. Des informations détaillées sur l’utilisation professionnelle de pesticides ont été recueillies dans une étude cas-témoins (331 cas, 660 témoins). Nous observons une association entre la maladie de Parkinson et l’utilisation intensive (nombre élevéd’applications par an) de fongicides et d’insecticides. Parmi les différents types d’exploitations, une association avec la maladie de Parkinson est uniquement retrouvée pour l’utilisation de pesticides dans les exploitations viticoles. Enfin, l’association avec l’exposition professionnelle aux pesticides semble plus marquée pour la présentation clinique de la maladie caractérisée par la présence d'un tremblement de repos / Parkinson's disease is one the main neurodegenerative diseases, but there are little French data on its frequency. Previous studies suggest that pesticide exposure is a risk factor for Parkinson's disease; the agricultural population is therefore particularly interesting. Westudied the value of a method using antiparkinsonian drugs claims to identify Parkinson's disease patients among members of the Mutuality Sociale Agricole in five districts in 2007 by developing, based on 1,114 antiparkinsonian drugs users, a predictive model and estimatingits performances (sensitivity = 92.5%, specificity = 86.4%, c-statistic = 0.953). Based on thismodel, we estimate that the prevalence of Parkinson's disease in the five districts is of 6.20 ‰after 18 years and 2.76 ‰ after standardization on the age- and sex-distribution of the 2007 French population. The prevalence is 1.3 times higher in cantons where the density of farms specialized in orchards and other permanent crops is highest; this activity is characterized by intensive use of pesticides, especially insecticides. Detailed information on professional useof pesticides were collected in a case-control study (331 cases, 660 controls). We observed anassociation between Parkinson's disease and intensive use (high number of applications peryear) of fungicides and insecticides. Among different types of farms, an association with Parkinson's disease is only found for pesticide use in vineyards. Finally, the association with occupational exposure to pesticides seems more pronounced for the clinical presentation of the disease characterized by the presence of resting tremor.