La transplantation rénale demeure le traitement de choix pour les personnes atteintes d’insuffisance rénale terminale, mais cette chirurgie repose sur des décisions cliniques complexes aux conséquences sérieuses. Dans un contexte de pénurie d’organes et de vieillissement de la population des donneurs et des candidats à la transplantation, les offres de rein qui sont faites peuvent souvent provenir de personnes ayant des caractéristiques associées à une longévité sous-optimale de la greffe. Bien que plusieurs candidats puissent préférer ce genre d’offre à la dialyse, il est parfois difficile de déterminer s’il vaut mieux accepter une offre ayant un potentiel de longévité réduite ou la refuser en espérant une meilleure offre dans un délai raisonnable. Ces décisions doivent être prises rapidement, souvent à partir d’une information incomplète. C’est pour répondre à ces défis que la Dre Héloïse Cardinal, du Centre de recherche du CHUM, a orienté une partie de sa recherche vers le développement d’outils d’aide à la décision fondés sur l’intelligence artificielle, afin de mieux prédire les parcours cliniques et de soutenir les cliniciens et les patients.
Pour y parvenir, son équipe a exploité de vastes bases de données américaines en transplantation rénale et mobilisé des méthodes avancées d’apprentissage automatique, pour entraîner des algorithmes capables de générer des courbes de survie du greffon et du patient en fonction des caractéristiques combinées du donneur et du receveur. Ces modèles permettent notamment d’estimer la probabilité qu’un rein fonctionne encore cinq ou dix ans après la greffe si l’offre est acceptée. En parallèle, des modèles statistiques ont été développés à partir des données de Transplant Québec, afin de prédire le temps d’attente avant une prochaine offre en cas de refus et la qualité moyenne des offres à venir. Ensemble, ces approches permettent une comparaison structurée des scénarios possibles, difficile à intégrer intuitivement sans le soutien d’outils d’aide à la décision clinique.
Les retombées de cette recherche sont prometteuses. À court terme, les modèles seront validés à partir de données québécoises, puis intégrés dans une interface Web gratuite destinée aux équipes de transplantation. À plus long terme, l’apprentissage fédéré permettra d’entraîner les algorithmes à partir de données provenant de plusieurs centres sans qu’elles quittent leur environnement sécurisé, renforçant ainsi la protection des renseignements personnels. En rendant ces outils accessibles et transparents, la recherche de la Dre Cardinal contribue à une médecine de transplantation plus personnalisée, mieux renseignée et mieux centrée sur les besoins des patients.
Références
- Jalbert, J., Weller, J.-N., Boivin, P.-L., Lavigne, S., Taobane, M., Pieper, M., Lodi, A., et Cardinal, H. (2023). Predicting time to and average quality of future offers for kidney transplant candidates declining a current deceased donor kidney offer: A retrospective cohort study. Canadian Journal of Kidney Health and Disease, vol. 10, p. 1-11. https://doi.org/10.1177/20543581231177844
- Sylvain, T., Luck, M., Cohen, J. P., Cardinal, H., Lodi, A., & Bengio, Y. (2021). Exploring the Wasserstein metric for survival analysis. Proceedings of Machine Learning Research, 146, 1–13.
- Jalbert, J., Cardinal, H., Lodi, A., Weller, J.-N., & Tocco, H.-M. (2022, juin). Predicting waiting time and quality of kidney offers for kidney transplant candidates [Communication]. 20th International Conference on Artificial Intelligence in Medicine (AIME 2022), Halifax, NS, Canada.