26/11/25 – Soutenance de Thèse d’Eliz Peyraud : Transplantation Results Modeling from Complex Data

La soutenance se tiendra le mercredi 26 novembre à 14h00 sur le campus Berge du Rhône, dans la salle GAI.409, au 86 rue Pasteur, 69007 Lyon.

Une estimation fiable de la survie après transplantation est essentielle pour orienter les décisions médicales et améliorer les stratégies d’allocation, mais les modèles existants peinent

souvent à rendre compte de l’hétérogénéité des patients. La transplantation hépatique pose des défis pour la prédiction de la survie en raison de la diversité des profils et de la haute dimensionnalité des données cliniques. Cette thèse apporte une réponse à ces limitations en proposant de nouveaux modèles de survie basés sur le modèle de Cox. Largement utilisé en recherche médicale, le modèle de Cox présente un intérêt majeur du fait de sa flexibilité, de sa capacité à gérer la censure et pour son interprétabilité.

La première contribution introduit un mélange pénalisé de modèles de Cox paramétriques pour représenter des sous-populations latentes au sein de cohortes hétérogènes. Une pénalisation de type LASSO est ajoutée à notre problème de maximisation de la vraisemblance afin de pouvoir déterminer les covariables responsables du succès/échec de la greffe. L’ensemble des paramètres est alors estimé à l’aide d’un algorithme d’Expectation-Maximization. Cette approche est étendue à des effets non linéaires via des réseaux de neurones profonds, permettant au modèle de s’adapter à des structures de survie complexes échappant aux approches classiques.

La deuxième contribution aborde la question des données manquantes sur les covariables. Un algorithme SAEM est proposé pour la régression de Cox, sous l’hypothèse « Missing At Random ». L’intégration d’une étape Metropolis-Hastings dans la phase d’espérance fondée sur la simulation permet de générer des imputations plausibles et d’estimer les paramètres de façon stable par approximation stochastique. Cette stratégie constitue une alternative robuste aux techniques d’imputation classiques, souvent insuffisantes en contexte clinique.

Des simulations sur des données simulées ou encore largement employées par la communauté, montrent l’intérêt des méthodes développées. Enfin, nous montrons l’intérêt de ces méthodes pour la transplantation hépatique, montrant leur efficacité à améliorer les prédictions individuelles de survie et à identifier des facteurs pronostiques pertinents. Au-delà de la précision prédictive, les résultats révèlent l’émergence de covariables et d’interactions jusqu’alors négligées, soulignant la nécessité d’intégrer ces connaissances aux décisions cliniques.