Le soutien par les pairs aux patient.e.s atteints de cancer est un outil bénéfique pour les patient.e.s actuels et les patient.e.s passés qui peuvent partager des expériences vécues. Cependant, le soutien par les pairs actuel est inefficace car il est préparé manuellement et repose sur un coordinateur pour jumeler les patient.e.s en fonction de seulement quelques facteurs connus.

Cette étude de recherche examinera les moyens de développer des algorithmes d'appariement alimentés par l'IA qui permettront d'apparier plus efficacement les patient.e.s atteints de cancer en fonction d'un ensemble de facteurs plus large et plus complexe. Dans ce projet de recherche, nous concevons et développons un algorithme d'appariement par IA pour le projet OncoBuddy/OncoConseil et évaluons son efficacité pour garantir que les appariements recommandés se concluront par un soutien par les pairs approprié. Nous comparons deux modèles d'IA existants (c'est-à-dire l'algorithme d'acceptation différée et l'algorithme génétique) et testons les modèles sur des données synthétiques de patient.e.s que nous avons générées avec des inférences statistiques de la base de données Opal existante et de Statistique Canada. Une fonction d'aptitude dérivée de recherches antérieures déterminera l'efficacité des algorithmes d'appariement.

En conclusion, nous avons généré un ensemble de données synthétiques de 1770 patient.e.s à utiliser à des fins de formation et de test, mis en œuvre plusieurs algorithmes d'IA et déployé un prototype de tableau de bord en direct.