La médecine personnalisée est un domaine en pleine croissance, qui met l'accent sur l'utilisation de l'historique des informations individuelles des patients afin d'optimiser des stratégies de traitement adaptées à chaque patient ou groupe de patients ayant les mêmes caractéristiques. Plusieurs méthodes d'estimation dites de stratégies de traitement adaptatives (ATS) existent, telles que les méthodes Q-learning, DWOLS et G-estimation. Ces méthodes nécessitent des interactions entre toutes les caractéristiques pertinentes des patients et le traitement pour produire des estimations non biaisées. En pratique, il n'est pas toujours désirable d'établir des règles de décisions adaptatives dépendant de plusieurs variables. De nouvelles méthodes d'estimation plus réalistes, appelées méthodes de stratégies de traitement partiellement adaptatives (PATS) ont été conçues, par exemple la méthode CE-DWOLS. Elles permettent de personnaliser les décisions de traitements à l'aide d'un sous-ensemble de caractéristiques des patients. Notre objectif est de savoir s'il y a un intérêt statistique à utiliser les PATS. Pour cela, nous comparons la puissance statistique et la valeur entre les méthodes Q-learning et DWOLS des ATS et la méthode CE-DWOLS des PATS. Plus précisément, des études de simulations ont été effectuées considérant neuf scénarios produisant chacun 1000 réplications de la puissance et la valeur de ces méthodes d'estimation. Les résultats de nos simulations montrent que la méthode CE-DWOLS des PATS bénéficie d'une plus grande puissance statistique à détecter des termes d'interaction covariable-traitement que les méthodes Q-learning et DWOLS des ATS. Par contre, la valeur des PATS optimales estimées par la méthode CE-DWOLS est en moyenne inférieure à celles des ATS optimales estimées avec les méthodes Q-learning et DWOLS. Les valeurs des PATS optimales sont aussi plus variables que celles des ATS. Enfin, une application sur des données réelles issues de la banque de données du cancer du sein du Centre des Maladies du Sein (CSM) a été réalisée. Il en ressort qu'en ce qui concerne la puissance, la méthode Q-learning des ATS performe mieux que les méthodes DWOLS des ATS et CE-DWOLS des PATS. Quant à la variabilité de la valeur, la méthode CE-DWOLS des PATS montre une plus grande variabilité par rapport aux méthodes des ATS. En conclusion, les résultats de notre étude indiquent que les bénéfices d'utiliser les PATS plutôt que les ATS sont variables, à la fois en termes de puissance statistique que de valeur des stratégies optimales estimées. / Personalized medicine is a growing field that focuses on using individual patient information history to optimize treatment strategies tailored to each patient or group of patients with the same characteristics. Several so-called adaptive treatment strategy (ATS) estimation methods exist, such as Q-learning, DWOLS, and G-estimation methods. These methods require interactions between all relevant patient characteristics and treatment to produce unbiased estimates. In practice, it is not always desirable to establish adaptive decision rules that depend on multiple variables. New, more realistic estimation methods, called partially adaptive treatment strategies (PATS) methods, have been developed, for example the CE-DWOLS method. These methods allow treatment decisions to be personalized using a subset of patient characteristics. Our objective is to find out whether there is statistical value in using PATS. To do so, we compare the statistical power and value between the Q-learning and DWOLS methods of ATS and the CE-DWOLS method of PATS. Specifically, simulation studies were performed considering nine scenarios each producing 1000 replications of the power and value of these estimation methods. Our simulation results show that the PATS CE-DWOLS method enjoys greater statistical power in detecting covariate-treatment interaction terms than the Q-learning and DWOLS methods of ATS. On the other hand, the value of optimal PATS estimated by the CE-DWOLS method is on average lower than those of optimal ATS estimated with the Q-learning and DWOLS methods. The values of the optimal PATS are also more variable than those of the ATS. Finally, an application on real data from the breast cancer database of the Breast Disease Center (BDC) was performed. It was found that with respect to power, the ATS Q-learning method performed better than the ATS DWOLS and PATS CE-DWOLS methods. As for the variability of the value, the PATS CE-DWOLS method shows greater variability compared to the ATS methods. In conclusion, the results of our study indicate that the benefits of using PATS rather than ATSs are variable, both in terms of statistical power and the value of the estimated optimal strategies.
Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/73773 |
Date | 13 December 2023 |
Creators | Magassouba, Mamady |
Contributors | Talbot, Denis, Diorio, Caroline |
Source Sets | Université Laval |
Language | French |
Detected Language | French |
Type | mémoire de maîtrise, COAR1_1::Texte::Thèse::Mémoire de maîtrise |
Format | 1 ressource en ligne (viii, 62 pages), application/pdf |
Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0017 seconds