Actualités Archives - Page 4 sur 4

SAS Forum : Observatoire du running par Soladis et Running Heroes

[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”]SAS Forum : Observatoire du running par Soladis et Running Heroes[/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]Nous vous parlions en juillet du lancement d’un partenariat d’analyse entre Running Heroes et Soladis, conduit à l’aide de SAS Visual Analytics. Après 3 mois de travaux et échanges, les résultats sont prêts à être présentés lors du SAS Forum 2016 qui se déroulera le lundi 10 octobre 2016 au Palais des Congrès de Paris.

Plateforme digitale récompensant les coureurs à mesure de leurs efforts, Running Heroes est connectée aux applications mobiles de running les plus populaires (Runkeeper, Nike+, Runtastic…), aux montres GPS de running (Garmin, Polar…) et connectées (Up, Pulse, Samsung…) dont elle importe les données de course. Pour récompenser chaque activité réalisée, Running Heroes convertit les données récoltées par ces outils en «points d’effort». Les kilomètres parcourus sont ainsi transformés en cadeaux/goodies que proposent les marques partenaires, mais aussi en dons pour des associations.

Forte de son succès, Running Heroes représentait début 2016 la plus grande communauté de coureurs de France, avec 350 marques partenaires. Son secret ? Inciter à la régularité via un ingénieux système de récompense délivrée proportionnellement aux efforts fournis par chaque utilisateur selon son profil. Capable de décrypter des profils très distincts en fonction d’informations de distance, rythme, fréquence de pratique, dénivelé, qui sont mises en regard des données de performance et des données liées à la personne, Running Heroes sait en effet différencier Monsieur Tout-le-monde de Monsieur Sportif Professionnel. Cette finesse d’analyse permet alors de calculer des points en fonction des efforts réalisés, un moindre mal pour vous mesdames quand on sait qu’à performance égale une femme doit fournir 20% d’effort en plus qu’un homme.

Running Heroes a fait évoluer le monde traditionnel du couponing et de la publicité en offrant à ses partenaires une manière d’utiliser les BigData dans un univers très tendance : le running. Grâce à une base de données de près de 300.000 coureurs actifs (sur une estimation de 8 à 12 millions de pratiquants en France en 2016), la plateforme pourrait aujourd’hui légitimement apporter une proposition de valeur d’un nouveau genre pour les marques afin de leur offrir un meilleur positionnement sur une cible souvent difficile à atteindre…un projet en cours de réflexion, et c’est là que Soladis intervient.

Afin de procéder à une investigation plus poussée sur toutes ces données, Soladis – expert de la gestion et de l’analyse de données – accompagne Running Heroes dans la compréhension de ses adhérents, dans l’anticipation de leurs comportements, et apporte une vraie connaissance des habitudes des coureurs.

Pour Running Heroes, Soladis est un véritable levier dans la mise en place de la segmentation des coureurs et pour l’amélioration du ciblage des campagnes de communications marketing (profil sociologique, géographique, ancienneté, type de sportif).

Un petit exemple d’information que l’on pourrait extraire ? Mieux connaître le profil des coureurs occasionnels : sexe, âge, habitudes, afin de savoir quel produit leur proposer et comment les atteindre. Pour la marque : un produit mieux ciblé, pour le coureur : un environnement gratuit qui lui permet de se motiver pour se maintenir en forme et l’accès à des produits mieux adaptés à son comportement.

Le partenariat entre Running Heroes et Soladis s’est pour l’heure porté sur un cas concret et strictement interne de connaissance du coureur, étape initiale indispensable à Running Heroes pour mieux connaître ses utilisateurs; néanmoins les possibilités de création de valeur sont multiples.

Au travers de ses savoir-faire, Soladis serait apte à proposer dès aujourd’hui de nombreuses opportunités dans la transformation des données brutes en information, sujet qui pourra être étudié dans les mois à venir : baromètre national du running, recommandation d’aménagement du territoire, analyse d’apports nutritifs sur les performances de course, en passant par l’étude des usages et effets d’équipements techniques (vêtements, chaussures,…) et technologiques… les perspectives et possibilités sont multiples.

La course ne fait que commencer, à nous de jouer.[/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

Soladis aux NCS2016 d’octobre à Cambridge

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

Le troisième plan maladies rares est sur les rails !

[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”]Le troisième plan maladies rares est sur les rails ![/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]En août 2004, en réponse à la mobilisation collective des associations de malades, de chercheurs et de cliniciens, la loi a inscrit les maladies rares comme une priorité de santé publique. Bien que la prévalence de chacune de ces maladies soit faible voire très faible, elles touchent globalement près de 3 millions de personnes en France. Le premier Plan National Maladies Rares en 2005, puis le second en 2011, ont permis de mettre en œuvre cette volonté du législateur et d’inscrire cette mobilisation inédite dans le temps. A la fin de l’année 2016, le deuxième Plan National Maladies Rares s’achèvera. Le troisième Plan devra entrer en vigueur début 2017.

Les maladies rares posent des problèmes de différentes natures. Elles intéressent peu les industriels en raison de l’étroitesse des débouchés; le parcours des patients est souvent difficile: errements diagnostiques, petit nombre de spécialistes, hétérogénéité territoriale. Pire l’épidémiologie de ces maladies ou leur histoire naturelle restent encore mal connue. Enfin, de très nombreuses maladies restent orphelines ce qui signifie qu’aucun traitement curatif ne peut être proposé aux patients.

Soladis et la CRO Soladis Clinical Studies sont très impliqués dans certaines maladies rares. Certaines de ces maladies qui étaient encore orphelines il y a une quinzaine d’années peuvent aujourd’hui être traitées. C’est le cas par exemple de l’hypertension artérielle pulmonaire, qui a vu sa nosologie se préciser au cours des années alors que nous étions largement impliqués dans les études épidémiologiques ou la validation d’algorithmes de dépistage combinant les données cliniques, échocardiographies et les explorations fonctionnelles pulmonaires. Ces travaux ont fait l’objet de diverses publications dans de grandes revues scientifiques et nous sommes fiers d’y avoir été associés. Nous poursuivons nos efforts dans ce domaine en tirant parti des progrès technologiques et en étant constamment force de proposition. Nous avons également une forte expérience dans le domaine des maladies lysosomiales (des maladies caractérisées par l’accumulation de déchets dans les lysosomes des cellules par absence ou dysfonctionnement d’un enzyme de dégradation): maladie de Gaucher, maladie de Fabry, maladie de Pompe, maladie de Sanfilippo.

Soladis et Soladis Clinical Studies entendent poursuivre cette mission. De lourds investissements sont prévus dans les prochains mois pour valider de nouvelles hypothèses et faire encore avancer les connaissances. Le contenu de ce projet phare est encore confidentiel mais nous pourrons vous en dire davantage dans les prochains mois.[/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

Focus sur le score de propension

Quelle est cette démarche, et quand et pourquoi y fait-on appel ?

Lorsque l’on souhaite tester l’efficacité d’un nouveau traitement, on veut obtenir une estimation de son effet la moins biaisée possible. Pour ce faire, cette estimation doit être réalisée sur des groupes dits « comparables », qui ne diffèrent “que” par le traitement pris, et non pas par des caractéristiques individuelles de sujets de l’étude. Prenons l’exemple d’un cas où les groupes ne sont pas comparables sur le stade de la maladie : si les patients du groupe traitement sont plus gravement atteints, cela peut influer sur l’estimation de l’effet traitement, et l’on pourrait conclure à tort que le traitement n’est pas efficace. C’est pourquoi la plupart des essais cliniques sont randomisés : l’attribution aléatoire permet d’obtenir des groupes comparables sur tous les facteurs (mesurés et non mesurés).

Malheureusement, les essais cliniques randomisés ne sont pas toujours possibles à mettre en place (coût élevé ; attribution du traitement par tirage au sort posant un problème d’éthique etc), comme dans le cas d’études observationnelles. Lors d’études de ce type, les investigateurs n’ont pas le contrôle sur l’attribution du traitement qui est souvent influencée par les caractéristiques des patients à baseline. Cela implique donc potentiellement des groupes de patients déséquilibrés sur les variables observées et non observées. Les groupes sont alors « non-comparables », et cela induit un biais dans l’estimation de l’effet traitement (biais de sélection).

La méthode du score de propension peut alors être utilisée pour pallier à ce problème.

Le score de propension est en fait une étape préalable à l’estimation de l’effet traitement. Il est calculé pour chaque individu de l’étude et représente la probabilité du patient à recevoir le traitement sachant ses caractéristiques à l’entrée dans l’étude. L’estimation du score se fait majoritairement à l’aide d’une régression logistique. C’est l’allocation du traitement (variable représentant le groupe) que l’on cherche à expliquer en fonction des caractéristiques à baseline des patients. Lors de cette étape de calcul, les covariables à baseline ne sont néanmoins pas toutes à inclure d’office dans le modèle ; malgré un manque de consensus dans la littérature, il est conseillé d’inclure les covariables qui sont à la fois liées au critère de jugement de l’étude et à l’allocation du traitement (vrais facteurs confondants) et/ou celles liées seulement au critère de jugement.

La méthode du score de propension est applicable sous certaines conditions/hypothèses (tous les vrais facteurs confondants doivent être mesurés ; l’allocation du traitement est fortement “ignorable” conditionnellement aux covariables à baseline ; l’allocation du traitement est indépendante d’un patient à l’autre). Lorsque ces hypothèses sont vérifiées, alors deux patients de groupe différents ayant le même score de propension sont considérés comme « pseudo-randomisés » : leur attribution du traitement ressemble à un tirage au sort.

Une fois le score de propension estimé pour chaque patient, il existe plusieurs méthodes d’utilisation du score de propension : l’appariement/matching, la stratification, la pondération inverse ou encore l’ajustement sur le score de propension. Le choix de la méthode dépend de l’objectif de l’étude (estimer l’effet traitement dans la population traitée (Average treatment effet on the treated ATT) ou dans la population globale (Average treatment effect ATE)).

Afin de vérifier si le score de propension équilibre bien les caractéristiques des patients entre les groupes, il est souvent calculé pour chaque covariable la différence standardisée de leur moyenne ou prévalence entre les deux groupes. Il est aussi nécessaire d’étudier les moments d’ordre plus élevé (ratio de variance, QQ plots etc). On peut aussi étudier les différences standardisées sur les interactions entre les covariables.

Il est possible que l’équilibre des covariables les plus importantes ne soit pas atteint après l’application du score de propension. Si c’est le cas, le score de propension peut être rééstimé en introduisant des interactions ou des facteurs polynomiaux sur les variables dans le modèle ; cette méthode est itérative et peut être répétée à plusieurs reprises tant que l’équilibre n’est pas atteint. Si en dépit de toutes ces étapes l’équilibre n’est toujours pas obtenu, il est possible de conclure que les groupes ne sont tout simplement pas comparables.

Avant de valider ces calculs, la mise en place d’une analyse de sensibilité est recommandée pour vérifier qu’il ne manque pas de facteur confondant.

Un fois l’étape du score de propension terminée, il est important de prendre en compte la nature de la méthode utilisant le score de propension lors de l’estimation de l’effet traitement par l’analyse statistique. En effet, si on prend l’exemple du matching, les deux échantillons (groupe traitement et groupe contrôle) ne sont pas indépendants puisqu’un ou des individus traités sont associés à un ou des individus non traités sur leur ressemblance en termes de caractéristiques à baseline. Il existe donc une corrélation à prendre en compte lors de l’estimation de l’effet traitement.

Sources:

P. R. Rosenbaum et D. B.Rubin, «The central role of the propensity score in observational studies for causal effects,» Biometrika, 1983.

P. C. Austin, «An Introduction to Propensity Score Methods for Reducing Effects of Confounding in Observational Studies,» Multivariate Behavioral Research, 2011.

Gayat et Porcher, «Comparaison de l’efficacité de deux thérapeutiques en l’absence de randomisation : intérêts et limites des méthodes utilisant les scores de propension,» Réanimation, 2012.

R. E. Lanehart, P. R. d. Gil, E. S. Kim, A. P. Bellara, J. D. Kromrey et a. R. S. Lee, «Propensity score analysis and assessment of propensity score approaches usign SAS procedures,» SAS Global Forum – Statistics and Data Analysis. Paper 314-2012, 2012.

E. A. Stuart, «Matching methods for causal inference: A review and a look forward,» Statistical science: a review journal of the Institute of Mathematical Statistics, vol. 25, n° %11, p. 1, 2010.[/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

EDITO : SOLADIS & le Big Data

[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”]EDITO : Soladis & l’expertise big data[/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]Aujourd’hui, des milliards de données d’activités, de ressentis, d’intentions, ou juste de comportement sont stockées via différentes applications opérationnelles, outils et autres medias de tous les jours. Nous savons que les trois quarts de ces données sont produites par les utilisateurs-consommateurs-patients que nous sommes.

L’exploitation de ces données s’avère complexe, et ne se résume pas à un simple projet technologique de migration de données ou d’architecture informatique, c’est pourquoi les approches et solutions évoluent dans tous les secteurs.

Dans la santé, l’univers est en cours de digitalisation, c’est un fait. Le dossier patient en est l’un des meilleurs exemples, devant faire face à l’explosion du volume de données générés par les avancées en génétique (génomique, protéomique,…ou tout autre –omic), et à associer aux données de laboratoires, à l’historique du patient, aux données de recherches cliniques, et de la blogosphère santé. Pour agglomérer tout cela, une multitude d’outils tentent d’interagir entre eux pour former des plateformes de plus en plus complexes, et multiplient l’hétérogénéité des données.

Pour faire face à cette organique complexité a été trouvé une solution résumée sous l’appellation Big Data, une promesse technologique et fonctionnelle que l’on cherche souvent à appliquer à bon et mauvais escient, et dont on n’entend plus seulement parler dans la presse spécialisée, mais aussi dans le langage courant de tout à chacun.

Mais quelle est donc cette promesse ? Ni plus ni moins que celle de perspectives d’un monde meilleur :

Plus (ou presque plus) d’embouteillage par la captation et l’analyse des déplacements d’usagers, et l’anticipation au plus tôt les parcours,
Une nouvelle approche médicale plus adaptée et personnalisée, voire préventive pour anticiper les épidémies via les réseaux sociaux, ou encore permettre d’être soigné avant d’être malade !
Une nouvelle approche marketing des ventes plus optimisée pour des gains plus significatifs par une meilleure compréhension et anticipation des besoins des clients, appréhender les marchés, et contrecarrer les plans de la concurrence
…

Cette promesse s’appuie sur la prolifération des données, la capacité à les stocker, les gérer, et surtout les traiter, ce qui requiert un travail colossal.

Chez Soladis, notre cœur de métier est la statistique : nous répondons aux problématiques de nos clients en utilisant des modèles mathématiques et en traduisant les résultats en information utile, aussi nous nous intéressons tout naturellement à cette grande thématique et aux opportunités qu’elle dégage.

L’expression de cette transformation se retrouve au cœur même de nos trois business units :

Soladis Clinical Studies pour le management des essais cliniques et qui s’intéresse à la médecine personnalisée,
Soladis (Statistical Studies) pour analyser et modéliser tout type d’étude qui se doit de répondre à des demandes de traitement de données de masse,
Soladis Digital qui accompagne la transformation digitale des entreprises et propose des solutions d’analyse de ces données digitales, mais aussi de reporting dynamique.

Pour répondre aux problématiques de nos clients nous avons procédé dans un premier temps à des réflexions concernant les outils existant comme ceux de business intelligence. Grâce à ces outils nous avons pu extraire l’information des systèmes opérationnels, la transformer en y apportant de l’intelligence (des règles métiers, modélisations mathématiques) et la diffuser à travers des rapports. On y a poussé des indicateurs d’activités, de performance, de suivi de production, et cet ensemble a parfaitement répondu aux questions prémâchés prévues lors de sa construction.

Mais si un matin ma réflexion sur mon activité sort du cadre codifié et prédéfini de mes outils… si je cherche à obtenir des informations issues de données non prévues dans mon environnement, et dont la masse et la répétition de la capture est importante.. Si je souhaite garder une vraie autonomie dans mon schéma de pensée sans me soucier de la structure informatique des données ou de l’infra informatique?… si je cherche à accéder à des informations et penser « outside the box » ?

Et c’est bien là qu’on attend l’analyse de données massives à travers les technologies de type BigData : pouvoir répondre à un ensemble de problématiques par l’exploitation de données beaucoup plus diverses, et non structurées en plus des données opérationnelles classiques, et grâce à la précision statistique et l’expertise métiers au cœur du système.

Nous avons construit chez SOLADIS notre process d’exploitation de données massives, avec le support de nos partenaires éditeurs (SAS, Toucantoco, Qlick, HortonWorks) qui prend en compte ces principes.

Le succès de nos projets Big Data passe donc bien par la maîtrise et l’apprentissage des données accumulées, de leurs analyses, et des retours métiers qui vont améliorer le modèle, le rendre plus apte à anticiper. Cet apprentissage ne peut se faire que via le support des modèles d’analyses statistiques, pour valider ou invalider les hypothèses, pour suivre ou détecter les modifications d’un comportement, d’un processus, et donc de surveiller la distribution des probabilités des variables qui caractérisent le sujet d’étude.

Alors, pourquoi pas un monde meilleur…[/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