Construction de cadres décisionnels et développement de modèles de prédiction basés sur l'apprentissage automatique pour l'évaluation des technologies de la santé

Construction of decision frameworks and development of machine learning-based prediction models for health technology assessment

• Auteur / Autrice : Yitong Wang
• Direction : Clément François
• Type : Thèse de doctorat
• Discipline(s) : Biologie santé. Recherche clinique et santé publique
• Date : Soutenance le 16/12/2022
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Sciences de la vie et de la santé (Marseille)
• Jury : Président / Présidente : Christine Le Clainche
• Jury : Examinateurs / Examinatrices : Mondher Toumi
• Jury : Rapporteurs / Rapporteuses : Christine Le Clainche, Hans-Martin Späth

Mots clés

Mots clés contrôlés

Apprentissage machine

Évaluation

Technologie biomédicale

Prise de décision

Mots clés libres

Évaluation des technologies de la santé

Critères

Cadre décisionnel

Apprentissage par usinage

Modèle de prédiction

Health technology assessment

Criteria

Decision framework

Machining learning

Prediction model

Résumé

Cette thèse avait pour but de construire des cadres de décision pour l'évaluation des technologies de la santé (ETS) et d'étudier si des modèles basés sur l'apprentissage automatique (ML) pouvaient être appliqués pour prédire les décisions d'ETS. Les travaux suivants ont été réalisés. Une revue ciblée des lignes directrices d'ETS a été réalisée afin d'obtenir les critères recommandés dans différents pays. Compte tenu de l'incohérence possible entre les critères recommandés dans les lignes directrices et les facteurs pris en compte dans la prise de décision réelle, des examens systématiques ont été réalisés pour obtenir les facteurs déterminant les décisions réelles de l'ETS. Les résultats des examens susmentionnés pourraient être utilisés pour construire les cadres décisionnels de l'ETS. Six modèles ML, dont l'arbre de décision, la régression logistique, la forêt aléatoire, la machine à vecteurs de support, le boosting à gradient extrême et les K-voisins les plus proches, ont été sélectionnés comme modèles de prédiction. Les décisions d'ETS du Scottish Medicines Consortium en Écosse ont été choisies comme étude pilote pour évaluer la faisabilité de l'application de modèles basés sur le ML pour prédire les décisions. Tous les modèles, à l'exception des voisins les plus proches, ont donné de bons résultats avec une précision et un score F1 supérieurs à 0,80. En conclusion, nous avons construit les cadres de décision pour différents pays, qui ont fourni les bases pour la construction des modèles de prédiction. Notre étude pilote a prouvé la faisabilité des modèles basés sur le ML et a fourni leurs perspectives d'application dans les prédictions de décision de l'ETS.

This thesis aimed to construct Health technology assessment (HTA) decision frameworks and investigate whether machine learning (ML)-based models could be applied to predict HTA decisions. The following work was carried out. A target review of HTA guidelines was conducted to obtain the criteria recommended in different countries. Considering possible inconsistency between criteria recommended in guidelines and factors considered in actual decision-making, systematic reviews were performed to obtain the factors determining the HTA real decisions. The findings from the above reviews could be used to build the HTA decision frameworks. Six ML-based models including decision tree, logistic regression, random forest, support-vector machine, extreme gradient boosting, and K-nearest neighbours were selected for prediction models. The HTA decisions from Scottish Medicines Consortium in Scotland were chosen as a pilot study to evaluate the feasibility of applying ML-based models to predict the decisions. All the models, except for K-nearest neighbours, performed well with accuracy and F1 score higher than 0.80. In conclusion, we constructed the decision frameworks for different countries, which provided the fundamentals for building the prediction models. Our pilot study proved the ML-based models' feasibility and provided their application prospects in HTA decision predictions.