Projets en cours

Le projet de Mariame Gnéré Coulibaly porte sur le développement d’un outil de prédiction des bactéries hôtes des phages par apprentissage automatique (AA). Le premier objectif consiste à développer un outil d’AA pour identifier les paires bactérie-phage à partir des séquences d’espaceurs CRISPR (courtes répétitions palindromiques groupées et régulièrement espacées) retrouvées dans les génomes bactériens, qui sont des fragments de génomes de phages ayant infecté la bactérie. Le deuxième objectif est de développer un outil d'AA pour identifier les paires bactérie-phage à partir des informations sur la séquence et la méthylation (c'est-à-dire l'ajout de groupes méthyles aux nucléotides). Pour les deux premiers objectifs, des algorithmes tels que les réseaux de neurones avec mécanismes d'attention, et des prédicteurs de similarité basés sur des ‘string kernels’, seront développés et testés.

Le troisième objectif est de développer un algorithme multi-vues combinant les deux objectifs précédents, avec une vue pour les informations CRISPR et une seconde vue pour les motifs de méthylation.

Les outils développés auront un fort impact sur la communauté de recherche en microbiologie et en virologie, en étant capables d’identifier de nouvelles paires bactérie-phage à partir d'échantillons de microbiote.

Introduction: Les troubles chromosomiques tels que la trisomie 21 (plus courante), 18 et 13 sont sources d’inquiétudes pour les parents, en ce qui concerne la santé du fœtus, l'accouchement / fausse couche ; auxquelles peuvent s’ajouter des inquiétudes sur des questions financières. Ces troubles augmentent avec l’âge de la mère (1,2). Le dépistage prénatal sert à évaluer la probabilité d'avoir un fœtus avec de telle(s) anomalie(s) et au besoin des tests diagnostiques supplémentaires. Des études antérieures ont montré que les femmes enceintes recherchent activement des informations leur permettant de prendre des décisions éclairées concernant les tests de dépistages : quelles sont les options qui existent ? Sont-elles assez préparées pour faire un choix ? Disposent-elles de toutes les informations nécessaires ? Comment tenir compte de leurs propres valeurs et préférences ? (3).

Des outils d’aide à la décision efficaces existent pour aider les personnes qui font face à des décisions difficiles à faire des choix éclairés (4). Toutefois, les informations probantes contenus dans ces outils n’ont pas été évalués sur la base du poids relatif auxquels ils contribuent dans la décision à prendre. De plus, on ignore les intentions qu’ont les femmes enceintes et leurs partenaires de recourir à un tel outil dans un format numérique (5). 

Objectif : Notre étude a pour objectif principal d’évaluer l’intention des femmes enceintes et/ou de leurs partenaires à utiliser un outil d'aide à la décision basé sur une application mobile et portant sur le dépistage prénatal. Plus spécifiquement, il s’agira : d’identifier les facteurs potentiels qui peuvent influencer la prise de décision ; d’évaluer le poids relatif aux informations contenues dans l’outil attribué par les femmes enceintes et/ou leurs partenaires ; et évaluer leur intention d’y recourir.  

Méthodes :  

Conception d’étude : il s’agit d’une étude transversale descriptive qui représente la phase 1 d’un projet dénommé APP4WE (Analytical mobile application to support shared decision making for pregnant women) de la Chaire de recherche du Canada en décision partagée et application des connaissances (6). Ce projet a le but de permettre aux femmes enceintes et à leurs partenaires d’obtenir le soutien nécessaire afin de prendre des décisions éclairées en matière de dépistage prénatal et comprends plusieurs phases.

Participants et taille d’échantillon :  pour la phase 1, nous proposons de recruter un échantillon indépendant de 90 femmes enceintes et de leurs partenaires dans trois sites cliniques (une maison de naissance dirigée par une sage-femme, une clinique de médecine familiale et une clinique hospitalière dirigée par un obstétricien) à Québec et à Montréal, au Canada. Le recrutement des femmes enceintes et de leurs partenaires sera fait de sorte à refléter les proportions respectives de communautés socio-économiques, ethniques et linguistiques. Pour être éligibles pour l’étude, les femmes enceintes doivent être âgées d'au moins 18 ans, être enceintes de plus de 20 semaines, avoir une grossesse à faible risque, ne pas avoir accoucher à proximité des dates de collecte des données, pouvoir parler et écrire le français ou l'anglais et être en mesure de donner un consentement éclairé. Les partenaires des femmes enceintes seront aussi invités à donner leurs consentements éclairés.

Issue mesurée : Le principal résultat attendu de cette étude est la mesure de l’intention des femmes enceintes et/ou de leurs partenaires à utiliser une application mobile pour la prise de décision en dépistage prénatal. Pour évaluer ce résultat, le questionnaire Développement professionnel continu - Réaction (DPC-Réaction) a été utilisé. Cet outil est un questionnaire validé en 12 points qui évalue l'impact des activités de développement professionnel continu sur les intentions comportementales cliniques des professionnels de la santé. Nous déterminerons aussi les facteurs (sociodémographiques et autres) potentiellement associés à l’intention.

Analyse statistique : Nous effectuerons d’abord des statistiques descriptives pour déterminer les caractéristiques de notre population d’étude et la distribution de l’intention. Par la suite, un modèle mixte linéaire sera utilisé pour déterminer les facteurs potentiels qui influencent l’intention des femmes enceintes et/ou leurs partenaires à utiliser une application mobile pour la prise de décision en dépistage prénatal. Nous spécifierons des effets aléatoires au niveau de la pratique (cluster), ce qui nous permettra de répondre à notre question de recherche tout en tenant compte de la structure hiérarchique de l'étude.

Références 

1. Ohman SG, Grunewald C, Waldenström U. Women's worries during pregnancy: testing the Cambridge Worry Scale on 200 Swedish women. Scand J Caring Sci. 2003 Jun;17(2):148-52. doi: 10.1046/j.1471-6712.2003.00095.x. PMID: 12753515. 

2. Practice Bulletin No. 163: Screening for Fetal Aneuploidy. Obstet Gynecol. 2016 May;127(5): e123-e137. doi: 10.1097/AOG.0000000000001406. PMID: 26938574. 

3. Légaré F, St-Jacques S, Gagnon S, Njoya M, Brisson M, Frémont P, Rousseau F. Prenatal screening for Down syndrome: a survey of willing in women and family physicians to engage in shared decision-making. Prenat Diagn. 2011 Avr;31(4):319-26. doi: 10.1002/.2624. EPUB 2011 Jan 26. PMID : 21268046.

4. Agbadje TT, Pilon C, Bérubé P, Forest JC, Rousseau F, Rahimi SA, Giguère Y, Légaré F. User Experience of a Computer-Based Decision Aid for Prenatal Trisomy Screening: Mixed Methods Explanatory Study. JMIR Pediatr Parent. 6 septembre 2022;5(3):e35381. doi : 10.2196/35381. PMID : 35896164; Numéro PMCID : PMC9490528.

5. Delanoë A, Lépine J, Turcotte S, Leiva Portocarrero ME, Robitaille H, Giguère AM, Wilson BJ, Witteman HO, Lévesque I, Guillaumie L, Légaré F. Rôle des facteurs psychosociaux et de la littératie en santé dans l’intention des femmes enceintes d’utiliser un outil d’aide à la décision pour le dépistage du syndrome de Down : un sondage en ligne fondé sur la théorie. 2016 Oct 28;18(10):e283. doi : 10.2196/jmir.6362. PMID : 27793792; PMCID : PMC5106559.

6. Abbasgholizadeh Rahimi S, Lépine J, Croteau J, Robitaille H, Giguere AM, Wilson BJ, Rousseau F, Lévesque I, Légaré F. Facteurs psychosociaux de l’intention des professionnels de la santé d’utiliser un outil d’aide à la décision pour le dépistage du syndrome de Down : étude quantitative transversale. 2018 Apr 25;20(4):e114. doi : 10.2196/jmir.9036. PMID : 29695369; PMCID : PMC5943629.
 

La prédiction et l'identification précoce d'accidents vasculaires cérébraux (AVC) sont cruciales afin de prévenir les revisites aux urgences et de débuter le traitement, réduisant ainsi la morbidité et la mortalité.

Ce projet porte sur l'analyse de tomodensitométries (TDM) sans contraste de la tête pour prédire la revisite précoce aux urgences de patient.e.s qui reviennent avec diagnostic d’AVC. Le premier objectif sera de recueillir des TDM open-source ainsi que des TDM du Centre intégré de santé et de services sociaux de Chaudière-Appalaches (CISSS-CA) pour classifier la présence/absence d'AVC à l'aide d'un modèle existant. Le deuxième objectif sera de développer et de tester un modèle d'apprentissage automatique avec des poids du modèle précédent et d'autres données cliniques pertinentes pour classifier les revisites précoces aux urgences.

D'un point de vue clinique, le développement d'un tel outil pourrait aider les neuroradiologues aux urgences à l’interprétation d'images et à la prise de décisions cliniques.

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.

L'expérience du cancer et l'incertitude qui l'entoure est anxiogène. Le soutien par les pairs est un moyen de réduire l'incertitude non clinique de cette expérience. Le groupe informatique Opal Santé cherche à évaluer l'efficacité d'un algorithme d'appariement de soutien par les pairs basé sur l'intelligence artificielle (IA) et incorporé dans le portail patient Opal. Ceci dans l'espoir de faciliter les programmes de soutien par les pairs pour les patient.e.s atteints de cancer ainsi que leurs aidants au Québec.

Notre travail s'est concentré sur la conception architecturale, le développement et la démonstration d'une application Web autonome sous forme de preuve de concept utilisée pour démontrer les résultats de différents algorithmes d'appariement alimentés par l'IA sur les données des patient.e.s testés.

Un portail patients est une technologie de soins de santé émergente qui a montré des effets prometteurs dans l'amélioration de l'expérience de soins des patient.e.s et la promotion de leurs résultats de santé. Opal, un portail numérique centré sur le patient, est actuellement disponible pour les patient.e.s du Centre du cancer des Cèdres du Centre universitaire de santé McGill (CUSM). Opal offre un accès en temps réel à des informations personnelles sur la santé (rendez-vous à venir, notes cliniques, résultats de laboratoire, etc.) en conjonction avec du matériel éducatif spécifique à la maladie et au traitement. Ce projet vise à quantifier l'impact initial du portail patient Opal sur les résultats opérationnels et santé-économiques au Centre du cancer des Cèdres.

Nous mettons à profit les données des patient.e.s du portail patient Opal et du CUSM. La méthode principale consiste à utiliser des scores de propension pour construire une cohorte appariée pour comparer les résultats opérationnels et l'utilisation des ressources entre les utilisateurs d'Opal et les non-utilisateurs. Notre intérêt concerne les résultats incluant les rendez-vous manqués, les visites aux urgences, les hospitalisations, les demandes de dossier médical et les rendez-vous à la clinique de fertilité.

Les patient.e.s atteints de cancer vivent beaucoup d'événements pendant leur traitement. Malgré le soutien de la famille et des amis, ceux-ci ne comprennent pas entièrement la réalité des patient.e.s. Le soutien d'autres patient.e.s ayant vécu une expérience similaire pourrait donc être bénéfique pour de nombreux patient.e.s atteints de cancer.
Le groupe informatique Opal Santé développe deux programmes d'accompagnement des patient.e.s atteints de cancer pour le portail patient Opal: OncoBuddy et OncoConseil. OncoBuddy est un système de soutien qui associe des patient.e.s atteints de cancer à des patient.e.s volontaires (nous les appelons "buddies") sur la base d'un algorithme d'appariement qui prend en compte des critères sélectionnés par les patient.e.s eux-mêmes. OncoConseil, quant à lui, met en relation les patient.e.s avec des fils d'informations susceptibles de les intéresser, tels que des trucs et astuces pour vivre une expérience plus fluide pendant le traitement.
Ce projet se concentre sur la recherche de critères de sélection pour la construction de l'algorithme d'appariement. A partir d'entretiens semi-structurés avec des patient.e.s atteints de cancer, nous allons extraire un panel de critères de sélection les plus importants pour les patient.e.s, tels que le type de cancer, l'âge et le sexe du binôme, le stade du cancer, etc.
 

Le délirium est un état qui, lorsqu'il n'est pas pris en charge, est associé à une augmentation de la mortalité et à une hospitalisation plus longue des patient.e.s en soins intensifs; son dépistage devrait donc faire partie intégrante des soins. Il se caractérise par la confusion, l’anxiété et une vigilance réduite. Il est estimé que 75% des cas de délirium ne sont pas détectés à l'admission à l'hôpital. En effet, la détection d'un tel état aigu nécessite un suivi fréquent des participant.e.s, ce qui demande beaucoup de travail et d'expertise. Or, les signes vitaux des participant.e.s, qui peuvent être recueillis en continu tout au long de leur séjour en soins intensifs, pourraient contenir de l’information indicative de l’état de conscience présent, et possiblement prédictive de l’état futur.

Notre objectif est de construire un classificateur automatique par apprentissage machine se basant sur les données des signes vitaux pour (a) identifier les moments où le ou la patient.e. a été délirieux; et (b) prédire l’incipience de délire. Comme mesure primaire, nous utiliserons un outil validé cliniquement, la méthode d'évaluation de la confusion dans les unités de soins intensifs (Confusion Assessment Method for Intensive Care Unit) (CAM-ICU). Cette évaluation a été effectuée deux fois par jour, une fois le matin et une fois l'après-midi, dans notre population sous étude au CISSS de Chaudière-Appalache (Hotel Dieu de Lévis). L'algorithme d'apprentissage sera entraîné sur les signes vitaux des participant.e.s avant, après et pendant les épisodes de délire afin (a) d’extraire les caractéristiques de signes vitaux reliés à un état de délire; (b) la probabilité que le ou la patient.e. soit en délire ou non, basé sur ces caractéristiques; et (c) la probabilité que le ou la patient.e. développe un état de délire dans une fenêtre temporelle raisonnable (e.g. 1 heure).

Même si le modèle d'apprentissage automatique n’atteint pas la justesse et la précision d’un questionnaire validé, son utilisation dans les établissements de santé permettrait d’optimiser les soins, principalement en attirant l’attention sur toute dérive suspecte (haute sensibilité). Considérant que les patient.e.s qui restent avec un délirium sans traitement sont associés à un taux de mortalité plus élevé et à des séjours plus longs aux soins intensifs, un indicateur clinique tel que ce modèle peut aider l'équipe de soins à prendre en charge ce symptôme qui passe autrement inaperçu.
 

Ce projet consiste en l'amélioration d'une infrastructure technologique. L’objectif est de concevoir une architecture logicielle pour aider les utilisateurs à mieux gérer le traitement des données d’imagerie médicale dont ils disposent. Des composantes du pipeline de données médicales ont été développées et de nouvelles fonctionnalités ont été ajoutées, notamment afin d'assurer le respect des règles éthiques en milieu hospitalier. En somme, le projet vise à faciliter le traitement des données d'imagerie médicale par l'entremise de l’automatisation.

Le risque associé aux effets stochastiques du rayonnement neutronique est connu pour être dépendant de l'énergie. Au cours de la dernière décennie, plusieurs études ont utilisé des simulations de Monte Carlo pour estimer l'efficacité biologique relative (EBR) des neutrons pour divers types de dommages causés à l'ADN afin de comprendre sa dépendance énergétique fondamentale. Cependant, aucune de ces études n'inclus la simulation de la réparation de l'ADN dans leurs protocoles.

Dans ce projet, nous avons étudié les effets de l'ajout de mécanismes de réparation aux estimations de l'EBR par simulation de Monte Carlo des dommages à l'ADN causés par les neutrons. Notre groupe a récemment effectué des simulations d'histoire condensée (HC) pour établir le profil du spectre d'énergie et la contribution relative à la dose des particules secondaires produites par les interactions neutroniques dans les tissus. Dans ce projet, nous utilisons les résultats de nos simulations HC pour simuler l'irradiation du modèle d'ADN de TOPAS-nBio par un spectre plat de neutrons allant de 1 eV à 10 MeV, ainsi que des rayons X de référence de 250 keV. Les dommages induits à l'ADN sont enregistrés à l'aide du format standard de données sur les dommages à l'ADN (SDD) et la réparation de l'ADN est simulée à l'aide du simulateur des mécanismes de réparation de l'ADN ('DNA Mechanistic Repair Simulator', DaMaRiS).