(Big) Data et algorithmes en marche vers une médecine de précision pour la Sclérose en Plaques

Prof. Pierre‐Antoine Gourraud

ATIP‐Avenir Team 6 "Translational Immunogenomics of Transplantation and Autoimmunity » ITUN ‐ CRTI ‐ UMR Inserm 1064 ‐CHU de Nantes

Pôle Hospitalo‐Universitaire 11 : Santé Publique, Santé au Travail et Pharmacie  Hôpital St‐Jacques ‐ CHU de Nantes ‐ 44093 Nantes cedex

Associate Professor – Neurology Department University of California at San Francisco 

21 Septembre 2017 – Nantes Digital Week

COI: Fondateur de www.Methodomics.com (2008) 1

Introduction 

• Un double introspection • Acteur et de spectateur du projet Bioscreen dans la Sclérose en Plaques (SEP)• Le projet et ses  8 fronts de développement • Une vision de la médicine de précision qui clarifie celles dont elle se distingue…

• Un projet californien, une ambition française et ligerienne

• Le changement a du bon – Très heureux à Nantes • Qualité de réflexion ‐ Réflexion dans l’action

• Discussion incarnée Sur les algorithmes et la médecine de précision• Contexte pathologique : Sclérose en plaques 

2

Technologies Performatives“Faire Différemment” 

Rupture dans les techniques opératoires  apportant de nouvelles prises en chargeEx: microchirurgie, médicaments, thérapies ciblées

Technologies du Phénotypage “Voir Différemment” 

Nouvelles technologies de mesure entraînant un changement des pratiques Ex: Stéthoscope, ECG, IRM, séquençage d’ADN

Buzz Words[3‐4‐6]P Medicine,Predictive Medicine,Personalized Medicine  

3R Medicine,  6V Medicine, Precision Medicine 

Technologie de l’InformationApplication à la Santé des technologies de l'information

Pas de modification des pratiques ou des concepts« Altius Citus Foritus » sur fond de Santéisme 

Ex: 93eme édition du  Vidal en ligne

Technologies Cognitives“Comprendre Différemment” 

Transformation des modèles explicatifs  et prédictifs Ex: Biologie des systèmes – Analyse en réseaux biologiques

Technologie Analytique des DonnéesApplication à la Santé des technologies du Big Data Changement infusif de paradigme – “ré‐révolution”Ex: Simulation vs Modélisation ‐Machine Learning

Vision populationnelle (Politique de Santé)

Vs. Approche pseudo‐individuelle 

de la médecine Clinique 

De l’innovation induite par les technologies de l'information aux changements dans les modes d’acquisition, de stockage et de mobilisations des données en Santé

“Les prévisions sont difficiles, surtout lorsqu’elles concernent l’avenir. ” P Dac

3

Technologies Performatives“Faire Différemment” 

Rupture dans les techniques opératoires  apportant de nouvelles prises en chargeEx: microchirurgie, médicaments, thérapies ciblées

Technologies du Phénotypage “Voir Différemment” 

Nouvelles technologies de mesure entraînant un changement des pratiques Ex: Stéthoscope, IRM, séquençage d’ADN

Buzz Words[3‐4‐6]P Medicine,Predictive Medicine,Personalized Medicine  

3R Medicine,  6V Medicine, Precision Medicine 

Technologie de l’InformationApplication à la Santé des technologies de l'information

Pas de modification des pratiques ou des concepts« Altius Citus Foritus » sur fond de Santéisme 

Ex: 93eme édition du  Vidal en ligne

Technologies Cognitives“Comprendre Différemment” 

Transformation des modèles explicatifs  et prédictifs Ex: Biologie des systèmes – Analyse en réseaux biologiques

Technologie Analytique des DonnéesApplication à la Santé des technologies du Big Data Changement infusif de paradigme – “ré‐révolution”Ex: Simulation vs Modélisation ‐Machine Learning

Vision populationnelle de la Santé (Politique de Santé)

Vs. Approche pseudo‐individuelle 

de la médecine Clinique 

De l’innovation induite par les technologies de l'information aux changements dans les modes d’acquisition, de stockage et de mobilisations des données en Santé

“Les prévisions sont difficiles, surtout lorsqu’elles concernent l’avenir. ” P Dac

4

La jungle de l’ “Artificial” “Intelligence”

Plan • Préambule: La Racine Génétique

• Le Bioscreen “à cœur”  pour la SEP • Défis de Développement 1 : « Big » référence – Des données de référence homogènes 

• Défis de Développement 2 : Données Médicale Electronique (EMR) ‐ Traitement Automatique du Langage  

• Défis de Développement 3 : L’enjeu de la Validation en Santé ‐ En pratique

• Défis de Développement 4 : Prédiction – Machine Learning • Défis de Développement 5 : De l'exploitation des données a un plate‐forme d’intégration des données 

• Défis de Développement 6 : Les algorithmes prescriptif comparatif prédictif 

• Défis de Développement 7 : La question épineuse des Modèles économiques 

• Défis de Développement 8: La transférabilité ‐ Autres maladies 

• Conclusion:• 5 enseignements ‐ Des cycles longs : 10 ans

6

La Sclérose en Plaques comme paradigme pathologique

• Evaluer la Sclérose En Plaques (SEP) est complexe• Rôle en interaction de la génétique et de l’environnement• Manifestions Neuro-immunologique

• Variable au cours du temps

• Hétérogène entre patients

• L’art de la pratique médicale incarné par la Neurologie

• Choix parmi les traitements non curatifs

• ~ 15 options coûts variables mais conséquents

• Maladie chronique - Pas de protocole consensuel - Prescription :• “On essaie et on va voir”

Comment mobiliser les données de référence en population pour accélérer l’identification du bon traitement au bon moment pour chaque patient?

10

Le prototype d’application Ipad a a été conçu comme une fenêtre sur les cohortes de référence:Evaluer un cas individuel dans le contexte de distributions, calculées à la volée, dans un jeu de

données de références. « Une courbe de croissance à la demande pour la SEP »

• Clinique and fonctionnel • Génétique• Imagerie (DICOMs)• Imago-metrique• Traitements• Mesure subjectives

Un jeu de données de cohorte unique the UCSF SEP EPIC data set:• 600 patients• +> 1Millions de data points • >90% réponses après 10 ans de suivi

Bioscreen pour la SEP Ipad application

« De la paillasse au lit du malade »

Approche TraditionellePublications

Annal of NeurologyCohort data Analyses

Nouvelle Approche

Comment définir « Precision Medicine » Pour la SEP et address the challenge of chronic complex medical conditions?

"Long‐term evolution of Sclérose En Plaques disability in the treatment era »   B. Cree , PA Gourraud, et al. AON 201611

« Une courbe de croissance à la demande pour la SEP »

Courbe de Croissance pédiatriqueAjustement à la demande de la population 

de référence

Une courbe de croissance  Electronique interactive   « pour les maladies 

complexe»

12

Capture d’ecrans

Individual Genetic risk score in the context of reference population

Individual Brain volume change  in the context of reference population

Refinement of reference population selection

Longitudinal view of MRI data

Biomarker and individual genetic risk load A four panel view of a T2 weighted brain MRI image with cortical thickness z‐score overlay. 

Gourraud et al  2014 Annals of Neurology

13

3. Une comparaison personnalisée des trajectoires dans la maladie

1. Pour un patient d’intérêt (POI) : toutes les données en une seul point

2. Des données parfois nouvellement disponibles

Un prototype fonctionnel de Médecine Personnalisée pour les maladies chroniques  comme le SEP 

14

15

Caractéristiques clés 

Une comparaison personnalisée des trajectoires dans la maladie : Mise en puissance du soignant et du patient

Filter set on an SEP functional disability score (Min and Max)

Result of the application of filters on the reference population

16

Front and back end

Serveur de calcul et infrastructure 

virtualisée de stockage 

Cases Databases

Reference Databases

Data usageDatabase

MRIDatabases

Application en front

17

Défis de Développement• Défis de Développement 1 : « Big » référence – Des données de référence homogènes 

• Le partage de données au delà d un dénominateur commun 

• Défis de Développement 2 : Données Médicale Electronique (EMR) ‐ Traitement Automatique du Langage  • Une Epidémiologie de nouvelle génération 

• Défis de Développement 3 : L’enjeu de la Validation en Santé ‐ En pratique• Allez au delà des essais clinique randomise en double aveugle  ‐ Validation relative ou absolue ?

• Défis de Développement 4 : Prédiction – Machine Learning • Le rapport aux recommandations par la machine

• Défis de Développement 5 : De l'exploitation des données a un plate‐forme d’intégration des données • Les données comme carburant durable

• Défis de Développement 6 : Les algorithmes prescriptif comparatif prédictif • Une nouvelle génération d’algorithmes centres sur le patient

• Défis de Développement 7 : La question épineuse des Modèles économiques • Le casse tête des modèles de développements dont économiques 

• Défis de Développement 8: La transférabilité ‐ Autres maladies 

18

Challenge 5: It is all about (Big?) data

• The view of traditional progresses• Change gear – be “data‐savy “ – future is great• Roots in traditional disciplines 

• IT revolution creates opportunity to collect data at low cost • Active data acquisition • Passive data acquisition • Transformative opportunistic data acquisition 

• An example

• Traditional : Quality of data • Signal / Noise

• Traditional : Bias and data representativeness• Epidemiological methods – Sample to Population

28

Electro‐Myographe de Surface au service de la collecte de données 

• Traditional Neurological Examination• Observation : practice the “art” of medicine • Coordination test : motor & sensory syst.

• Cerebellar or vestibular lesions

• Present : Digitalization of practice

29

Electro‐Myographe de Surface au service de la collecte de données 

30

Challenge  7 : Modèles de development 

• A side project • A research project  in start‐up mode – with user centric development models

• PCORI , Hilton,  NSEPS • A failed  start‐up company  MIRA Medicine

• https://www.slideshare.net/sblank/mira‐llp‐dec‐10v02• A Open‐source project

• SEP Bioscreen Open • A transfer to existing market of EMR in Integrated Care Organization

• Transform EMR business • Transform Pharma Business • Transform Biotech Business 

36

Transfert en transplantation

• Translationelle• Répondre a un besoin Clinique

• Dose d immunosuppression• Interactif

• Calcul en temps réel• Au service (et non la place) du raisonnement

• Consommateur de données• Utilise base de données de référence

• Nouvelle économie de la connaissance 

40

Conclusion:  5 enseignements ‐ Des cycles longs : 10 ans 

1 : Jouer collectif « à la nantaise »– En mutualisant et harmonisant les bases de données

2 : Accéder aux données pour tous– Données de Références (Cohortes, Essais cliniques)– Utilisation des données hospitalières cliniques acquises en routine« EMR /EHR» « DMP » ‐ SNDS ou l’open data à la française 

3: Faire confiance aux données pour décider– Données + modèles mathématiques+ puissance de calcul

4: Enjeu: Résister aux sirènes du numérique– Rôle d’outil – nécessité d’évaluer avec rigueur les conséquences de l’utilisation de ces outils

– Penser le rapport de l’homme à la technique5: Accepter les cycles longs .. 

‐ 10 ans minimum

41

(Big) Data et algorithmes en marche vers une médecine de précision pour la Sclérose en Plaques

Prof. Pierre‐Antoine Gourraud

ATIP‐Avenir Team 6 "Translational Immunogenomics of Transplantation and Autoimmunity » ITUN ‐ CRTI ‐ UMR Inserm 1064 ‐CHU de Nantes

Pôle Hospitalo‐Universitaire 11 : Santé Publique, Santé au Travail et Pharmacie  Hôpital St‐Jacques ‐ CHU de Nantes ‐ 44093 Nantes cedex

Associate Professor – Neurology Department University of California at San Francisco 

21 Septembre 2017 – Nantes Digital Week

COI: Fondateur de www.Methodomics.com (2008) 42