Apport de l'estimation non paramétrique de l'importance des variables dans la recherche de biomarqueurs pronostiques en grande dimension pour le cancer du col de l'utérus.

Contribution of nonparametric variable importance estimation in the search for high-dimensional prognostic biomarkers for cervical cancer.

• Auteur / Autrice : Stacy Cyrille
• Direction : Aurélien Latouche, Xavier Paoletti
• Type : Projet de thèse
• Discipline(s) : Biostatistiques et data sciences
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Santé Publique
• Partenaire(s) de recherche : Laboratoire : Cancer et Génome: Bioinformatique, Biostatistiques et Epidémiologie des systèmes complexes
• Partenaire(s) de recherche : Equipe de recherche : Biostatistique clinique
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines

Mots clés

Mots clés libres

Analyse de Survie

Grande dimension

Importance de variables

Prédiction

High Dimensional

Survival Analysis

Variable importance

Prediction

Résumé

Cette thèse a pour objectif d'étudier l'apport des méthodes issues de l'apprentissage, notamment la notion d'importance de variable pour identifier des biomarqueurs pronostiques de la rechute (ou d'un critère de jugement censuré) dans des études translationnelles ou intégratives qui emploient différents types de données omiques de grandes dimensions en complément des biomarqueurs cliniques (comme la classification en stade FIGO).

The aim of this thesis is to investigate the contribution of learning-based methods, in particular the notion of variable importance, to the identification of prognostic biomarkers of relapse (or of a censored endpoint) in translational or integrative studies employing different types of high-dimensional omics data in addition to clinical biomarkers (such as FIGO staging).