Les cancers représentent en France la première cause de décès chez l’homme et la deuxième chez la femme. Les résultats existants en termes de délai de guérison sont principalement basés sur des modélisations de la survie nette stratifiées en sous-groupes par localisation et sexe. Ces choix peuvent être à l’origine des estimations publiées avec des intervalles de confiance très larges, limitant leur utilité pour les patients et les décideurs. Nous avons développé une méthodologie basée sur l’apprentissage machine (réseaux de neurones) pour prédire plus précisément les proportions et les délais de guérison. Une première étude de simulation illustre ses bonnes propriétés. Nous souhaitons appliquer la méthode sur les données du registre de Poitou-Charentes, plus particulièrement sa cohorte des cancers du poumon enrichie de variables pronostiques telles que le stade d’extension au diagnostic et le type histologique. Individualiser la prédiction de la proportion et du délai de guérison est essentiel pour répondre aux attentes d’information des patients. Une application R shiny sera proposée pour une utilisation facilitée par une interface simple.

Ce projet vise à développer des méthodes statistiques pour évaluer la qualité des données de l’entrepôt de données de santé (EDS) du CHU de Poitiers. Les outils développés seront utilisés par les études menées sur l’EDS du CHU de Poitiers et pourront être partagés à d’autres CHU.