Predicting Time to Next Better Offer for a Kidney Transplant Candidate Based on Marked Point Process

: Les patients souffrant d'insuffisance rénale terminale ont besoin de recourir à une thérapie de substitution rénale pour pallier au dysfonctionnement de leur reins, en e˙et, ceux-ci n'assurent plus correctement leur fonction vitale de purification du sang. En comparaison avec l'option de dialyse à laquelle un patient a recours par défaut, la transplantation rénale est une solution plus viable à long terme, tant en termes de contraintes quotidiennes qu'en termes de chances de survie. Toutefois, un patient recevant une proposition de greffe de rein est confronté à un dilemme, dans lequel il doit choisir entre accepter l'offre, ou bien la refuser et patienter jusqu'à une prochaine offre tout en restant sous dialyse. Au Québec, la décision résulte d'un commun accord entre le patient et son néphrologue au terme de la Prise de Décision Participative (PDP). Le nombre de patients atteints d'insuffisance rénale terminale au Canada était de presque 42 000 en 2013, et a augmenté de 35% entre 2009 et 2018 ce qui soulève une réelle question médicale, mais aussi économique étant donné que la dialyse est une solution bien plus dispendieuse que la transplantation rénale. Par ailleurs, la donation d'organe après décès est la pratique la plus répandue, en comparaison à la donation du vivant, et cette tendance est en hausse. L'attribution de reins en provenance de donneurs décédés est généralement assurée par des institutions gouvernementales de santé publique. Transplant Québec (TQ) est l'institution provinciale qui en est responsable au Québec. Notre travail se concentre sur le système d'attribution général de TQ (excluant les listes d'attente prioritaires) qui concerne la majorité des patients. Une fois qu'un patient reçoit une offre de greffe, il peut soit l'accepter, soit la refuser au terme de la PDP. D'un côté, un rein de moindre qualité (qui dépend de l'âge du donneur, des antécédents médicaux, etc.) pourrait motiver un refus de l'offre et l'attente d'une prochaine proposition. De l'autre, les temps d'attente peuvent être longs, et les perspectives d'une prochaine offre, et en particulier d'une meilleure offre, réduites. Par conséquent, la décision peut être difficile à prendre, d'autant plus que le patient manque d'informations compréhensibles pour la documenter. En e˙et, les outils d'aide à la décision actuels requièrent un certain savoir médical pour être correctement utilisés. De plus, ces outils ne fournissent pas d'informations personnalisées pour un patient en particulier, mais plutôt des résultats généraux à l'échelle d'un système d'attribution entier. Par ailleurs, les travaux actuels visent souvent à répondre aux enjeux de l'allocateur d'organes, comme l'optimisation des coûts et des ressources, plutôt qu'à faire des enjeux d'un patient pris individuellement une priorité. Ainsi, le développement d'outils appropriés d'aide à la décision pourrait grandement aider les patients lors de la PDP. Nous considérons la situation dans laquelle un patient reçoit une o˙re de gre˙e. Au cours de sa réflexion lors de la PDP, il peut procéder à une simple disjonction de cas. D'une part, qu'arrive-t-il s'il accepte l'o˙re ? D'autre part, qu'arrive-t-il s'il la refuse ? Notre objectif est de fournir des informations pertinentes et compréhensibles afin d'aider le patient à se représenter la situation dans laquelle il refuserait l'o˙re. Premièrement, l'outil d'aide à la décision développé doit être en mesure de donner des prédic-tions personnalisées de temps d'attentes pour le patient, qui seront facilement interprétables. Le premier temps à prédire est le temps d'attente avant qu'une prochaine o˙re soit faite au patient. Ce temps est appelé Temps avant Prochaine O˙re (TPO). Aussi, l'outil doit fournir le temps d'attente avant qu'un rein de meilleure qualité que le rein actuel soit proposé au patient. On appelle ce temps Temps avant Prochaine Meilleure O˙re (TPMO). Le TPMO est plus utile au patient que le TPO étant donné que la principale motivation pour décliner l'o˙re actuelle est d'en espérer une meilleure prochainement. Deuxièmement, nous proposons de modéliser l'arrivée des reins dans le système d'attribution par un Processus Ponctuel Marqué (PPM), que nous caractérisons à l'aide de sa Fonction d'Intensité Conditionnelle (FIC). Ce cadre mathématique permet de modéliser à la fois le temps d'occurence et la marque (qualité du rein) des événements d'intérêt (arrivée d'un rein). Dans notre solution, l'hypothèse de stationnarité est formulée concernant les temps d'arrivée des reins ainsi que leur qualité, afin de concevoir un modèle simple et interprétable. La fonction d'intensité du processus d'arrivée des reins est supposée constante (comme dans un processus de Poisson homogène) et la distribution de leur qualité est supposée stationnaire. Les paramètres du modèle sont estimés en utilisant une reconstitution de l'historique des offres passées faites au patient avant l'offre initiale, ce qui permet une grande personnalisation des prédictions du modèle. Le PPM fournit des prédictions des temps d'attentes à l'échelle d'un patient, notamment une borne supérieure du temps d'attente au bout duquel le patient aura reçu une offre avec 95% de certitude. La modélisation de la qualité dans le PPM est utilisée pour procéder à une filtration du processus, afin de considérer uniquement les offres de meilleure qualité que l'offre actuelle. De cette manière, nous avons accès aux mêmes prédictions pour le TPMO que pour le TPO. Enfin, la solution développée est testée et ajustée sur des données réelles provenant du système d'attribution de TQ. Les résultats montrent que notre modèle donne de meilleurs résultats en termes de pouvoir de prédiction que des solutions concurrentes ayant les mêmes objectifs, à la fois pour le TPO et pour le TPMO. Par exemple, le Pourcentage d'Erreur Absolu Moyen (PEAM) sur l'ensemble test avec notre modèle est inférieur de 25.5% à celui obtenu avec un processus de Poisson non marqué pour les prédictions du TPO, et de 22.3% pour les prédictions du TPMO. De la même manière, nous observons une amélioration du PEAM de respectivement 37.2% et 70.7% avec notre modèle par rapport à une méthode de prédiction basique (qui consiste à donner un temps d'attente moyen calculé sur l'ensemble des patients du jeu de données). En outre, notre méthode a montré la cohérence de ses performances d'un ensemble de données à un autre, entre l'ensemble de validation et l'ensemble de test. Au delà des résultats obtenus, l'approche du PPM qui a été développée et appliquée pour répondre à notre problématique présente une grande adaptabilité ainsi que des possibilités d'amélioration. Un travail futur pourrait par exemple considérer un modèle de PPM plus avancé qui serait défini par une FIC constante par morceaux.