Soladis aux NCS2016 d’octobre à Cambridge

[mk_page_section bg_image=”/wp-content/uploads/2022/12/group-articles.jpg” bg_position=”center top” video_opacity=”0″ min_height=”0″ full_width=”true” js_vertical_centered=”true” top_shape_color=”#ffffff” bottom_shape_color=”#ffffff” sidebar=”sidebar-1″][vc_column][mk_padding_divider size=”50″ visibility=”hidden-tl”][mk_padding_divider size=”50″ visibility=”hidden-sm”][vc_row_inner is_fullwidth_content=”false”][vc_column_inner][mk_fancy_title tag_name=”h1″ color=”#ffffff” size=”50″ force_font_size=”true” size_smallscreen=”50″ size_tablet=”50″ size_phone=”25″ font_weight=”bold” txt_transform=”uppercase” margin_bottom=”0″ font_family=”Raleway” font_type=”google”]Soladis aux NCS2016 d’octobre à Cambridge[/mk_fancy_title][/vc_column_inner][/vc_row_inner][mk_padding_divider size=”50″ visibility=”hidden-tl”][mk_padding_divider size=”50″ visibility=”hidden-sm”][/vc_column][/mk_page_section][mk_page_section sidebar=”wptimeline-sidebar”][vc_column][vc_row_inner is_fullwidth_content=”false”][vc_column_inner][vc_empty_space height=”20px”][vc_column_text]

Soladis participera aux conférences Non-clinical Statistics du 4 au 6 octobre à Cambridge, l’occasion pour nos collaborateurs de présenter des résultats de recherche, et s’enrichir des nouvelles découvertes présentées par d’autres chercheurs.

Pour ceux et celles qui prévoient d’y assister, voici un petit avant-gout du poster qui sera présenté par Balazs Banfai, collaborateur de notre filiale suisse SOLADIS GmbH, qui a procédé à une évaluation des différents approches possibles en termes de modélisation d’études longétudinales.

 

Evaluation of modeling approaches for longitudinal and hierarchical designs (abstract)

by Balazs Banfai

Complicated models can arise in longitudinal studies in proteomics, cytometry or behavioral experiments. Repeated measures call for mixed effects models; regularization may be needed for collapsing the peptide data to protein information; and cytometry and behavioral readouts show non-normal distributions. These experiments usually contain treatment effects, covariates for different cohorts, and factors of experimental conditions. Integrating these modeling approaches may prove to be complex in practice.

The commonly used R packages for mixed models (nlme, lme4), beta regression (betareg), and regularization (glmnet) are compared to the generalized additive models, particularly the GAMLSS framework. In GAMLSS random effects, non-normal response variables and regularization can be handled in a convenient fashion.

The results of the frequentist modeling approaches are contrasted to Bayesian hierarchical models, focusing on model construction, using historical data for prior selection, and technical problems of running the models.

In pharmaceutical research high-throughput analyses are needed, with data management preceding and bioinformatics analysis following the statistical modeling step. Therefore it is important that modeling can be integrated in an analysis pipeline with as much automatization as possible. A comparison is made between the two approaches focusing on modeling performance, and the ease of integration and evaluation. Simulated and real-world examples are presented to show the strengths and weaknesses of the different approaches.[/vc_column_text][vc_empty_space height=”20px”][/vc_column_inner][/vc_row_inner][/vc_column][/mk_page_section][vc_row fullwidth=”true”][vc_column][templatera id=”16″][/vc_column][/vc_row] READ MORE


Avec Soladis Connect, Soladis® vous propose de nouveaux outils d’acquisition de données

[mk_page_section bg_image=”/wp-content/uploads/2022/12/group-articles.jpg” bg_position=”center top” video_opacity=”0″ min_height=”0″ full_width=”true” js_vertical_centered=”true” top_shape_color=”#ffffff” bottom_shape_color=”#ffffff” sidebar=”sidebar-1″][vc_column][mk_padding_divider size=”50″ visibility=”hidden-tl”][mk_padding_divider size=”50″ visibility=”hidden-sm”][vc_row_inner is_fullwidth_content=”false”][vc_column_inner][mk_fancy_title tag_name=”h1″ color=”#ffffff” size=”50″ force_font_size=”true” size_smallscreen=”50″ size_tablet=”50″ size_phone=”25″ font_weight=”bold” txt_transform=”uppercase” margin_bottom=”0″ font_family=”Raleway” font_type=”google”]Avec Soladis Connect, Soladis® vous propose de nouveaux outils d’acquisition de données[/mk_fancy_title][/vc_column_inner][/vc_row_inner][mk_padding_divider size=”50″ visibility=”hidden-tl”][mk_padding_divider size=”50″ visibility=”hidden-sm”][/vc_column][/mk_page_section][mk_page_section bg_color=”#ededed” bg_position=”center top” video_opacity=”0″ min_height=”0″ full_width=”true” js_vertical_centered=”true” padding_top=”30″ padding_bottom=”30″ top_shape_color=”#ffffff” bottom_shape_color=”#ffffff” sidebar=”sidebar-1″][vc_column][vc_row_inner is_fullwidth_content=”false”][vc_column_inner][vc_column_text]Le lancement de la nouvelle business unit, Soladis Connect, se concrétise pour élargir notre champ d’expertise, et répondre encore mieux à vos attentes.

Dans un monde en recherche permanente d’innovations technologiques, la problématique d’acquisition de données s’est trouvée bouleversée par l’apparition d’une multitude de capteurs générant de plus en plus de données. Mais comment s’y retrouver parmi toutes ces innovations technologiques, quand on est un expert non-technologique ? Sur la base de vos aveux, nous avons donc cherché une solution, et Soladis Connect est apparue comme une évidence.

 

De nouvelles compétences …

Comme vous le savez, nous maîtrisons déjà à l’heure actuelle la donnée dans son cycle de vie :

  • En amont : services de design expérimental, de construction de protocoles, de réflexion autour de variables d’intérêt, de matérialisation (CRF) ou dématérialisation (eCRF, questionnaires en ligne, offres Soladis Digital®) de leur acquisition,
  • En cours d’étude : définition et mise en œuvre des méthodologies d’analyse statistique en phase avec les objectifs de votre étude,
  • En aval : rédaction et constructions de livrables à façon : rapport statistique, clinique, poster/publication scientifique, dashboard dynamique, etc. ainsi que des recommandations pour vous aider à améliorer vos procédés, produits, ou services.

Soladis Connect a pour objectif de proposer un service sur mesure d’adaptation, de développement et de création d’innovations technologiques d’acquisition de données via des capteurs. Avec une capacité d’harmoniser de manière plus maitrisée hardware et algorithmes de calcul pour proposer un service complet et clé en main, Soladis Connect apporte une nouvelle valeur-ajoutée à Soladis®.

 

…pour répondre à de nouveaux besoins

Avec l’avènement du digital et de tendances telles que le quantified-self, on estime que 50 milliards des objets seront connectés à Internet en 2020. Sur ce marché d’un dynamisme avéré, les utilisateurs restent néanmoins très partagés sur l’utilité de ces objets. Un exemple caractéristique : une pilule connectée intestinale qui vous indique quand aller aux toilettes.

Notre approche permettra de recentrer le développement, l’utilisation, ou l’adaptation d’objets connectés par rapport aux besoins  d’utilisateurs ou industriels tout en garantissant la sécurisation des données. Nous pourrions à ce  titre imaginer une utilisation de la pilule intestinale comme capteur dans le cadre de processus de digestion et intéresser nos clients acteurs de l’agro-alimentaire souhaitant valoriser l’effet de leur produit dans le cycle de digestion de leurs consommateurs.

 

Une business unit en synergie avec les entités Soladis®

Après une détection au cours d’échanges entre nos experts et vos équipes, des paramètres d’influence propres à vos besoins, Soladis Connect prend la suite en définissant les innovations réutilisables, adaptables ou à créer permettant de relever ces paramètres avec la précision, la robustesse et la répétabilité attendues. Un plan d’expérimentation est alors construit sur un prototype couplant ces innovations technologiques et un algorithme afin de qualifier l’outil. Une fois validé, le capteur peut alors passer en phase d’industrialisation puis de mise sur le marché (si tel en est l’objectif). Le produit final comprend donc hardware et software pour collecter et restituer données et informations.

Le lien entre nos business units Soladis Digital® et Soladis Connect sera très fort tant d’un point vue technologique que business et stratégique, et la captation des données numériques et analogiques nous permettra d’offrir un service polyvalent et des perspectives d’intérêt pour nos clients. L’approche de Soladis® sera importante pour être caution statistique des démarches de validation des capteurs, et Soladis Clinical Studies pourra en être l’un des utilisateurs dans le cadre des études cliniques qu’elle conduit et coordonne.

 

Un premier cas d’étude déjà en marche

Depuis la rentrée, un projet liant les expertises de Soladis Clinical Studies et du futur Soladis Connect s’est déjà initié, avec pour ambition d’automatiser les mesures effectuée lors d’un test de marche réalisé en guise de diagnostic de pathologie en centre hospitalier. Le test étant monitoré jusqu’à présent par des mesures manuelles, l’idée d’une automatisation des mesures apporte la garantie d’une mesure précise, répétable et robuste.

Dans le détail, trois paramètres définis comme intéressants seront mesurés toutes les secondes à l’aide de technologies dernier cri entièrement adaptées à l’utilisateur final et au patient. Le système installé sur le patient sera portatif et autonome.

 

Un premier cas concret qui en appelle déjà de nombreux autres !

 

Si vous souhaitez en savoir plus sur Soladis Connect, n’hésitez pas à entrer en contact avec nos équipes via contact@soladis.fr

Tous les pieds variant de forme et de mesure, on ne peut les plier à la même chaussure.

Citation de Publilius Syrus ; Sentences – Ier s. av. J.-C.[/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][/mk_page_section][vc_row fullwidth=”true” fullwidth_content=”false”][vc_column][templatera id=”16″][/vc_column][/vc_row] READ MORE


Focus sur : un projet Soladis

[mk_page_section bg_image=”/wp-content/uploads/2022/12/group-articles.jpg” bg_position=”center top” video_opacity=”0″ min_height=”0″ full_width=”true” js_vertical_centered=”true” top_shape_color=”#ffffff” bottom_shape_color=”#ffffff” sidebar=”sidebar-1″][vc_column][mk_padding_divider size=”50″ visibility=”hidden-tl”][mk_padding_divider size=”50″ visibility=”hidden-sm”][vc_row_inner is_fullwidth_content=”false”][vc_column_inner][mk_fancy_title tag_name=”h1″ color=”#ffffff” size=”50″ force_font_size=”true” size_smallscreen=”50″ size_tablet=”50″ size_phone=”25″ font_weight=”bold” txt_transform=”uppercase” margin_bottom=”0″ font_family=”Raleway” font_type=”google”]Focus sur : un projet Soladis[/mk_fancy_title][/vc_column_inner][/vc_row_inner][mk_padding_divider size=”50″ visibility=”hidden-tl”][mk_padding_divider size=”50″ visibility=”hidden-sm”][/vc_column][/mk_page_section][mk_page_section sidebar=”wptimeline-sidebar”][vc_column][vc_row_inner is_fullwidth_content=”false”][vc_column_inner][vc_empty_space height=”20px”][vc_column_text]Soladis a eu l’occasion de travailler récemment sur une problématique de classification de patients atteints d’une maladie rare, la sclérodermie avec hypertension artérielle pulmonaire.

Afin de vous partager notre expérience statistique et médicale, nous vous ouvrons la porte de nos travaux avec une petite présentation du sujet.

 

Objectif de l’étude

L’objectif de l’étude était de distinguer différents sous-groupes homogènes au sein d’une population de patients sclérodermiques présentant une HTAP, et de vérifier la validité de cette classification au regard du pronostic du patient.

 

Le regard du médecin, présentation de la pathologie

La sclérodermie est une maladie auto-immune rare qui touche environ 4000 personnes en France, principalement les adultes entre 40 et 50 ans, à raison de 4 femmes pour un homme. C’est une maladie systémique, c’est-à-dire qu’elle peut toucher un grand nombre d’organes. Elle se caractérise par une atteinte des artérioles – les vaisseaux les plus fins qui amènent le sang oxygéné aux organes –  des microvaisseaux et du tissu conjonctif. Ses traits dominants sont la fibrose et les oblitérations vasculaires dans la peau et d’autres organes, en particulier les poumons, le cœur, l’appareil digestif et le rein.

La sclérodermie se complique d’une hypertension artérielle pulmonaire (HTAP) dans environ 10% des cas. Il s’agit d’une complication très grave, entraînant le décès dans 50% des cas, dans les 5 ans suivant son diagnostic. L’HTAP est liée à la rigidité des artérioles, au rétrécissement de la lumière des vaisseaux lié à une hypertrophie de leur paroi et aux thromboses en relation avec un ralentissement circulatoire. L’HTAP est une affection très complexe qui complique bien d’autres maladies que la sclérodermie et qui peut même apparaître sans cause retrouvée (HTAP idiopathique). Le pronostic de l’HTAP dépend beaucoup de la maladie sous-jacente. L’HTAP a été longtemps considérée comme une maladie orpheline mais depuis une vingtaine d’années, des traitements efficaces sont apparus et la recherche se poursuit. Le pronostic de l’HTAP idiopathique a été transformé par ces médicaments mais les résultats dans l’HTAP associée à une sclérodermie sont encore décevants.

L’HTAP de la sclérodermie est multifactorielle : l’épaississement de la paroi des microvaisseaux artériels pulmonaires diminue la lumière de ces vaisseaux et entraîne une élévation de la pression de perfusion et des résistances vasculaires pulmonaires ; la fibrose pulmonaire est responsable d’une diminution des échanges gazeux au niveau des alvéoles pulmonaires et d’une hypertension pulmonaire (très difficile à distinguer d’une hypertension artérielle pulmonaire, d’autant que les mécanismes sont souvent intriqués) ; il existe des thromboses dans les veines pulmonaires et cette maladie veino-occlusive peut être responsable d’une hypertension artérielle pulmonaire.

 

Le regard du statisticien, présentation de la méthodologie

Le problème posé était celui d’une classification non supervisée. L’objectif d’une telle classification est de constituer des groupes d’objets. Les caractéristiques des objets d’un même groupe sont les plus proches possibles alors que celles d’objets appartenant à différents groupes sont les plus dissemblables possibles. Nous avons choisi d’utiliser la méthode des k-means. Cette méthode est assez complexe à utiliser. Il faut en effet franchir plusieurs obstacles : choix des variables de classification sachant que toute donnée manquante entraîne l’élimination de l’observation ; nécessité ou non de standardiser les variables ; utilisation de métriques différentes (variables continues, catégorielles ou binaires) ; choix du nombre de groupes (clusters) ; vérification de la taille et des caractéristiques des groupes. Ces difficultés sont communes à toutes les méthodes de classification non supervisée mais la méthode des k-means en ajoute encore une : la classification proposée est tributaire de l’ordre des observations ! En effet, l’algorithme utilise comme « semence » pour chacun des k clusters, les k premières observations. Ces semences sont donc dépendantes de l’ordre des observations. A l’étape suivante, l’algorithme classe la k+1ème observation au sein d’un des k clusters constitué. Il examine la validité de la nouvelle classification et  peut choisir de modifier les caractéristiques de l’un des clusters. Le processus est répété jusqu’à épuisement des observations.

 

La solution mise en place

Les variables de classification ont été choisies sur des critères cliniques et pratiques, puis ont été standardisées. Nous avons testé les 11 méthodes de classification non supervisée disponibles dans SAS. Les résultats les plus intéressants ont été obtenus avec la méthode des k-means. Nous avons mis en évidence 5 groupes de patients dont le pronostic –qui n’était pas une variable de classification- s’est avéré très différent (allant de 0% à 80% de mortalité à 5 ans). Restait un problème difficile : critiquer la classification obtenue et tester sa robustesse vis-à-vis de l’ordre des observations.

 

L’originalité

Nous avons créé une macro SAS qui fait 500 tris aléatoires, opère une classification en clusters pour chaque dataset obtenu et calcule le nombre de fois où chaque paire d’observations est classée dans le même cluster. Notre idée était que si le patient 1 et le patient 5 étaient toujours classés dans le même cluster, et ce quel que soit l’ordre des observations, les patients 1 et 5 étaient réellement très proches. A contrario des patients qui ne sont jamais classés dans le même cluster sont réellement très dissemblables. Notre intuition a été vérifiée. Nous avons également testé la méthode de Ward qui n’est pas sensible à l’ordre des observations et les résultats se sont avérés très proches.

 

Conclusion

Grâce à notre expertise analyse de données, nous avons pu mettre en évidence au sein d’une population de patients sclérodermiques présentant une HTAP, 5 profils cliniques différents répondant à des mécanismes spécifiques. C’est le premier travail de ce genre mené dans cette population. Une publication est en cours de rédaction.[/vc_column_text][vc_empty_space height=”20px”][/vc_column_inner][/vc_row_inner][/vc_column][/mk_page_section][vc_row fullwidth=”true”][vc_column][templatera id=”16″][/vc_column][/vc_row] READ MORE