Pour les patients diagnostiqués avec un cancer au stade précoce, les décisions de traitement dépendent de l’évaluation du risque de rechute métastatique. Les outils de pronostic actuels sont fondés sur des approches purement statistiques, sans intégrer les connaissances disponibles sur les processus biologiques à l’oeuvre. L’objectif de cette thèse est de développer des modèles prédictifs du processus métastatique en utilisant une approche de modélisation mécaniste et la modélisation à effets mixtes. Dans la première partie, nous étendons un modèle mathématique du processus métastatique pour décrire la croissance de la tumeur primaire et de la masse métastatique totale chez des souris traitées avec le sunitinib (un inhibiteur de tyrosine kinase ayant une action anti-angiogénique) administré comme traitement néoadjuvant (i.e. avant exérèse de la tumeur primaire). Le modèle est utilisé pour tester des hypothèses expliquant les effets différentiels du sunitinib sur la tumeur primaire et les métastases. Des algorithmes d’apprentissage statistique sont utilisés pour évaluer la valeur prédictive des biomarqueurs sur les paramètres du modèle.Dans la deuxième partie de cette thèse, nous développons un modèle mécaniste pour la prédiction du temps de rechute métastatique et le validons sur des données cliniques des patientes atteintes d’un cancer du sein localisé. Ce modèle offre des prédictions personnalisées des métastases invisibles au moment du diagnostic, ainsi que des simulations de la croissance métastatique future, et il pourrait être utilisé comme un outil de prédiction individuelle pour aider à la gestion des patientes atteintes de cancer du sein. / For patients diagnosed with early-stage cancer, treatment decisions depend on the evaluation of the risk of metastatic relapse. Current prognostic tools are based on purely statistical approaches that relate predictor variables to the outcome, without integrating any available knowledge of the underlying biological processes. The purpose of this thesis is to develop predictive models of the metastatic process using an established mechanistic modelling approach and the statistical mixed-effects modelling framework.In the first part, we extend the mathematical metastatic model to describe primary tumour and metastatic dynamics in response to neoadjuvant sunitinib in clinically relevant mouse models of spontaneous metastatic breast and kidney cancers. The calibrated model is then used to test possible hypothesis for the differential effects of sunitinib on primary tumour and metastases, and machine learning algorithms are applied to assess the predictive power of biomarkers on the model parameters.In the second part of this thesis, we develop a mechanistic model for the prediction of the time to metastatic relapse and validate it on a clinical dataset of breast cancer patients. This model offers personalised predictions of the invisible metastatic burden at the time of diagnosis, as well as forward simulations of metastatic growth, and it could be used as a personalised prediction tool to assist in the routine management of breast cancer patients.