Modélisation multi-facteurs pour l’aide à la décision dans le traitement par chimiothérapie des tumeurs cérébrales de type gliome diffus de bas grade - Université de Lorraine Access content directly
Theses Year : 2021

Multi-factor modelling for deision supportin chemotherapy treatment of diffuse low-grade glioma brain tumours

Modélisation multi-facteurs pour l’aide à la décision dans le traitement par chimiothérapie des tumeurs cérébrales de type gliome diffus de bas grade

Cyril Brzenczek

Abstract

Diffuse Low-Grade Glioma (DLGG) is defined by the WHO as a primary tumour of the central nervous system and represents 15% of all glial tumours combined. A DLGG grows slowly, and inevitably evolve into a much more aggressive (grade III) glioma, which eventually leads to the death of the patient. Three types of treatment are available: surgery, chemotherapy and radiotherapy. Today, the median survival rates reported in studies varies from 10 to 15 years. Unfortunately, the prognosis for DLGG is highly variable, with a high standard deviation of total survival, and some patients are surviving only a few years. Within the framework of DLGG management at Nancy University Hospital, chemotherapy is one of the most widely used treatments and there are very variable responses in terms of intensity, duration and response profiles. The thesis work is located in this context. It concerns the study of the response to chemotherapy and consists in developing decision-making tools for the neuro-oncologist in the follow-up of patients. The first part of this thesis work therefore focuses on the choice of the volumetric method. The volume response curve can then be characterised in terms of response intensity. The second part of this work concerns response modelling using statistical learning techniques. Many explanatory variables (epidemiological, genetic) are under study. A new variable called ESVR, which is an original measure allowing us to quantify the infiltrating DLGG phenotype, will also be used. The factorial analysis and machine learning methods initially make possible to define the variables that provide the most information. Exploratory analyses of the data reveal a redundancy of information among certain genetic and epidemiological factors. The models show a greater influence of quantitative variables on the response to chemotherapy compared to qualitative variables. A discussion is finally produced on the importance of the variables used in the prediction of the response to chemotherapy. The aim of this thesis is to produce a set of rules which will enable clinicians to anticipate, before administering the treatment, its effect on tumour volume, which will allow a more advised choice of therapeutic strategy than possible nowadays.
Le Gliome Diffus de Bas Grade (GDBG) est défini par l’OMS comme une tumeur primitive du système nerveux central et représente 15% de toutes les tumeurs gliales confondues. Un GDBG croît lentement, et finit inévitablement par se transformer en un gliome de grade III, bien plus agressif, qui mène finalement au décès du patient. Trois types de traitements sont disponibles : La chirurgie, la chimiothérapie et la radiothérapie. Aujourd’hui, les médianes de survie rapportées dans les études sont de 10 à 15 ans. Malheureusement, le pronostic du GDBG est très variable, l’écart-type de la survie totale étant élevé, et certains patients ne survivant que quelques années. Dans le cadre de la prise en charge du GDBG au CHRU de Nancy, la chimiothérapie est un des traitements les plus utilisés et on observe des réponses très variables tant en intensités, qu’en durées ainsi qu’en terme de profils de réponses. C’est dans ce contexte que se situe le travail de thèse. Il concerne l’étude de la réponse à la chimiothérapie et consiste à développer des outils d’aide à la décision pour le neuro-oncologue dans le suivi des patients. La première partie de mon travail de thèse se concentre donc sur le choix de la méthode de volumétrie. On peut ensuite caractériser la courbe de réponse volumique selon l’intensité de réponse. La seconde partie de ce travail concerne la modélisation de la réponse à l’aide de techniques d’apprentissage statistique. De nombreuses variables explicatives (épidémiologiques, génétiques sont à prendre en compte dans cette étude, dont une nouvelle variable nommée ESVR, qui est une mesure permettant de quantifier le phénotype infiltrant des GDBG. Les méthodes d’analyse factorielle et de machine learning permettent dans un premier temps de définir les variables qui portent le plus d’information. Les analyses exploratoires des données révèlent une redondance de l’information parmi certains facteurs génétiques et épidémiologiques. Les modèles montrent une plus grande influence des variables quantitatives sur la réponse à la chimiothérapie, comparé aux variables qualitatives. Une discussion sera menée sur l’importance des variables utilisées dans la prédiction de la réponse à la chimiothérapie. La finalité de la thèse est de produire un ensemble de règles qui permettront aux cliniciens d’anticiper, avant l’administration du traitement, son effet sur le volume tumoral ce qui permettra un choix de stratégie thérapeutique plus éclairé qu’aujourd’hui.
Fichier principal
Vignette du fichier
DDOC_T_2021_0095_BRZENCZEK.pdf (5.1 Mo) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

tel-03274856 , version 1 (30-06-2021)

Identifiers

  • HAL Id : tel-03274856 , version 1

Cite

Cyril Brzenczek. Modélisation multi-facteurs pour l’aide à la décision dans le traitement par chimiothérapie des tumeurs cérébrales de type gliome diffus de bas grade. Cancer. Université de Lorraine, 2021. Français. ⟨NNT : 2021LORR0095⟩. ⟨tel-03274856⟩
121 View
390 Download

Share

Gmail Mastodon Facebook X LinkedIn More