Modèles Dynamiques pour les Etudes Epidémiologiques Longitudinales sur les Maladies Chroniques – DyMES

La tâche Prédiction vise à exploiter la théorie des modèles conjoints, des modèles de prédiction dits landmark et de l’apprentissage statistique pour développer des prédictions dynamiques individuelles d’événements de santé qui utilisent toute l’information d’un individu collectée au cours du temps. Par exemple pour prédire le risque de démence à partir de données répétées de cognition, de dépendance fonctionnelle et de neuro-imagerie.
La tâche Causalité consiste à proposer des approches permettant d’estimer des associations causales dans un contexte longitudinal. Y est entre autres proposée une approche statistique innovante pour quantifier les influences temporelles entre processus de santé, et ainsi décortiquer des mécanismes physio-pathologiques. On pourra ainsi comprendre les relations entre le dysfonctionnement autonome et la progression fonctionnelle en AMS ou bien les relations dynamiques entre la structure du cerveau et les manifestations cliniques en MA.
La tâche Expositions à long-terme vise à développer des méthodes statistiques pour analyser simultanément des expositions dépendantes du temps en lien avec des marqueurs de santé. Ces méthodes permettront par exemple de mieux comprendre quelles expositions de mode de vie (ex. les facteurs cardio-métaboliques, pistes prometteuses de prévention dans la MA) et quelles fenêtres temporelles (ex. à la quarantaine) sont les plus critiques pour préserver la santé cérébrale des personnes âgées.
La tâche Diffusion consiste à fournir des programmes informatiques (sous forme de paquets R) performants et faciles à utiliser pour une large utilisation de modèles statistiques à la pointe de la recherche.
Pour atteindre ses objectifs, DyMES exploite les données de 4 grandes cohortes dans la MA : Paquid, 3C, MEMENTO et la Nurses’ Health Study. Dans l’AMS, la cohorte du centre national de référence (basée à Bordeaux et Toulouse), l’une des plus grandes cohortes mondiales, est analysée.

Grâce à l’accès à des données de grande qualité et à une équipe multidisciplinaire qui réunit statisticiens, épidémiologistes et neurologues, DyMES a pour ambition de :

- fournir des modèles statistiques innovants et des programmes associés optimisés qui sont essentiels aux communautés statistique et épidémiologique pour analyser les données longitudinales multivariées des études de cohorte d'aujourd'hui ;

- répondre à des questions brûlantes comme la détermination des influences entre les processus impliqués dans une maladie, la prédiction d’une progression ou l’identification de comportements et fenêtres temporelles pour optimiser la prévention.

Le projet va bien au-delà de la MA et l’AMS. Il améliorera l’analyse statistique des études longitudinales épidémiologiques en fournissant des méthodes valides et reproductibles, et la compréhension des maladies chroniques avec des retombées en Santé Publique à long terme.

Logiciels :
R package marqLevAlg: A Parallelized General-Purpose Optimization Based on Marquardt-Levenberg Algorithm, disponible sur le CRAN – version 2 : cran.r-project.org/web/packages/marqLevAlg/index.html
R package lcmm : Estimation of various extensions of the mixed models including latent class mixed models, joint latent latent class mixed models and mixed models for curvilinear univariate or multivariate longitudinal outcomes using a maximum likelihood estimation method - version 1.9.2 : cran.r-project.org/web/packages/lcmm/index.html

Publications scientifiques:
Wagner, Grodstein, Leffondré, Samieri*, Proust-Lima* (2020). Joint modeling of time-varying exposure history and subsequent health outcomes: identification of critical windows. Under review
Philipps, Hejblum, Prague, Commenges, Proust-Lima (2020). Robust and efficient optimization using a Marquardt-Levenberg algorithm with R Package marqLevAlg. Under review

Avec leur grande quantité d’information multivariée collectée de façon répétée, les cohortes épidémiologiques permettent de traiter avec précision l’aspect dynamique et multidimensionnel des phénomènes de santé. Pourtant, les méthodes statistiques valides manquent pour analyser les processus dynamiques multiples.
DyMES vise à développer des modèles statistiques innovants et les appliquer à des données de cohortes pour comprendre et prédire des processus multivariés de santé. Nous nous focaliserons sur deux maladies neurodégénératives, la maladie d’Alzheimer (MA) et l’atrophie multisystématisée (AMS) qui partagent des problèmes méthodologiques comme la coexistence d’atteintes progressives inter-liées. Quatre problèmes seront abordés:

Tâche 1 : Prédiction. Nous développerons des modèles joints pour analyser de multiples dimensions longitudinales et des événements cliniques. Nous en dériverons des prédictions dynamiques individuelles d’événements qui utilisent toute l’information collectée pour un individu. Nous pourrons par exemple utiliser les données répétées de cognition, de dépendance fonctionnelle et de neuro-imagerie pour prédire le risque de démence.

Tâche 2 : Causalité. Nous développerons une approche innovante pour quantifier les influences temporelles entre processus dynamiques. Avec des modèles mécanistiques en temps discret, nous pourrons décortiquer les relations causales complexes entre processus et ainsi comprendre des mécanismes physio-pathologiques. En AMS, nous identifierons par exemple les relations entre le système nerveux autonome et la progression fonctionnelle; en MA, nous éclaircirons les relations dynamiques entre la structure du cerveau et les manifestations cliniques.

Tâche 3 : Expositions à long-terme. Modifier les facteurs de mode de vie est une piste prometteuse de prévention dans la MA. Pourtant, les trajectoires d’expositions en lien avec des marqueurs chez le sujet âgé sont peu connues (e.g., types d’exposition et/ou fenêtres temporelles les plus critiques). Nous développerons des méthodes statistiques pour analyser simultanément plusieurs expositions dépendantes du temps (e.g., facteurs cardio-métaboliques à l’âge adulte) en lien avec des marqueurs de santé (e.g., déclin cognitif après 70 ans). Pour les expositions et marqueurs de maladie observés simultanément chez le sujet âgé, nous exploiterons les modèles de la tâche 2 et séparerons les associations causales réelles de celles liées à des changements induits par la maladie naissante.

Tâche 4 : Dissémination. Nous améliorerons largement la diffusion des modèles statistiques avec des paquets R faciles à utiliser. Par l’implémentation d’un algorithme d’estimation parallélisé, nous accélérerons tous les programmes d’estimation déjà créés par l’équipe et prévus dans DyMES.

DyMES exploitera les données de 4 cohortes dans la MA : Paquid, 3C, MEMENTO et la Nurses’ Health Study avec des données de mode de vie collectées depuis la quarantaine. Dans l’AMS, nous analyserons l’une des plus grandes cohortes mondiales venant du centre national de référence.

Grâce à l’accès à des données de grande qualité et à une équipe multidisciplinaire qui réunit statisticiens, épidémiologistes et neurologues, DyMES a pour ambition de :

- fournir des modèles statistiques innovants et des programmes associés optimisés qui sont essentiels aux communautés statistique et épidémiologique pour analyser les données longitudinales multivariées ;

- répondre à des questions brûlantes comme la détermination des influences entre les processus impliqués dans une maladie, la prédiction d’une progression ou l’identification de comportements et fenêtres temporelles pour optimiser la prévention.

Le projet ira bien au-delà de la MA et l’AMS. Il améliorera l’analyse statistique des études longitudinales épidémiologiques en fournissant des méthodes valides et reproductibles, et la compréhension des maladies chroniques avec des retombées en Santé Publique à long terme.