Thèse soutenue

Modélisation de la progression de la maladie de Parkinson

FR  |  
EN
Auteur / Autrice : Raphaël Couronné
Direction : Stanley Durrleman
Type : Thèse de doctorat
Discipline(s) : Mathématiques appliquées
Date : Soutenance le 23/09/2021
Etablissement(s) : Sorbonne université
Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
Partenaire(s) de recherche : Laboratoire : Institut du cerveau (Paris ; 2009-....)
Jury : Président / Présidente : Stéphane Lehéricy
Examinateurs / Examinatrices : Maria Vakalopoulou, Neil Oxtoby
Rapporteurs / Rapporteuses : Arthur Tenenhaus, Bruno Jedynak

Résumé

FR  |  
EN

Dans ce travail, nous développons des méthodes statistiques pour modéliser la progression de la Maladie de Parkinson (MP) à partir de données répétées. La progression de la MP, très hétérogène, est complexe à modéliser. Pour mieux comprendre la progression des maladies neurodégénératives, des études effectuent un suivi de patients dans le temps, avec une batterie de tests à chaque visite. Ces données permettent d’étudier les différents types de progression par analyse statistique. Dans une première partie, nous modélisons la progression de marqueurs scalaires de la maladie de Parkinson. Nous nous basons sur un modèle longitudinal, le modèle longitudinal spatiotemporel. Nous proposons de gérer les valeurs manquantes, ainsi que de modéliser la progression jointe de marqueurs de différentes natures, comme les scores cliniques, ou les marqueurs extraits de l’imagerie. Avec ce modèle, nous nous concentrons d'abord sur la modélisation des symptômes moteurs précoces dans la MP. Puis nous étudions l'hétérogénéité de la MP, avec un accent sur les troubles du sommeil. Dans une seconde partie indépendante, nous étudions la modélisation de données longitudinales provenant de l'imagerie. Nous proposons d'utiliser un réseau de neurone comme méthode de réduction de dimension afin de construire un système de coordonnées spatiotemporel de progression de la maladie. Nous tirons parti de la flexibilité des réseaux de neurones pour modéliser la progression de données multimodales. Enfin, en supposant la monotonicité des marqueurs au cours du temps, nous nous appuyons sur l’ordre des visites plutôt que l’âge des patients pour modéliser plus finement la variabilité temporelle de nos données.