Caractéristiques
Contexte
L’obésité est une maladie métabolique chronique caractérisée par une accumulation excessive de graisse corporelle, constituant un fardeau croissant pour la santé publique mondiale. Depuis 1975, la prévalence de l’obésité a presque triplé, touchant environ 650 millions d’adultes en 2016, avec des projections indiquant qu’en 2030, près de 50 % de la population adulte mondiale pourrait être en surpoids ou obèse. L’obésité est un facteur de risque majeur de maladies non transmissibles telles que les maladies cardiovasculaires, le diabète de type 2, les troubles musculo-squelettiques et certains cancers, avec 4,7 millions de décès attribués à l’obésité en 2017. Au-delà de son impact sur la mortalité, l’obésité affecte considérablement la qualité de vie, la mobilité et la santé mentale. Malgré sa forte visibilité, l’obésité demeure sous-diagnostiquée et sous-traitée en raison de divers obstacles, notamment une formation médicale insuffisante, la stigmatisation sociale et les défis liés à la prise en charge à long terme. Compte tenu de sa prévalence croissante et du fardeau économique considérable – estimé à 20,4 milliards d’euros par an en France en 2016 – l’optimisation de la prise en charge de l’obésité constitue une priorité de santé publique. De nouvelles stratégies thérapeutiques, notamment les agonistes des récepteurs GLP-1, montrent des résultats prometteurs mais nécessitent des données en vie réelle pour évaluer leur impact à long terme et leur coût-efficacité.
Objectifs
Ce projet vise à améliorer le diagnostic de l’obésité, la compréhension de sa progression et l’optimisation des stratégies thérapeutiques grâce au Développement de Cohortes Virtuelles et Applications en Obésité (DEVIO). Les principaux objectifs sont :
- Identification des patients obèses: Détecter les patients présentant des signes cliniques d’obésité mais non diagnostiqués ou diagnostiqués tardivement afin de permettre une intervention plus précoce. Identifier les patients présentant des signes cliniques d’obésité sans diagnostic formel. Caractériser la propension des patients à un diagnostic tardif. Comparer la progression de la maladie entre patients diagnostiqués et non diagnostiqués.
- Modélisation de la progression de la maladie: Caractériser l’évolution de l’obésité et les risques associés à l’aide de données en vie réelle. Identifier les facteurs de progression et les caractéristiques phénotypiques sous la prise en charge actuelle. Évaluer les facteurs de risque clés, incluant les facteurs métaboliques, comportementaux, génétiques et socio-économiques. Analyser les résultats cliniques tels que les complications cardiométaboliques, la qualité de vie, l’impact sur la santé mentale et l’utilisation des soins de santé.
- Modélisation des soins (effet et exposition aux traitements) : Reproduire les schémas de soins en vie réelle pour mieux comprendre les schémas de prescription et l’adhésion aux traitements. Évaluer l’adhésion aux traitements et les schémas de changement thérapeutique en fonction des phénotypes de patients. Observer les réponses aux traitements en fonction des sous-groupes de patients. Évaluer l’impact des nouveaux traitements contre l’obésité, y compris les agonistes des récepteurs GLP-1, sur des résultats à long terme au-delà de la perte de poids.
- Modélisation médico-économique: Analyser l’utilisation des ressources de santé et les facteurs de coûts pour soutenir les décisions de remboursement et de politique publique. Prédire le fardeau médico-économique individuel en fonction du traitement et de la progression de la maladie. Identifier les facteurs influençant la rentabilité des traitements de l’obésité. Fournir des preuves pour optimiser les politiques de santé.
- Stimulation de cohortes virtuelles : Développer un simulateur de cohortes virtuelles en vie réelle pour différents cas d’usage. Soutenir la défense/l’extension des indications. Réduire les risques et enrichir la conception des essais cliniques. Optimiser les stratégies de séquençage thérapeutique. Évaluer l’impact de la reconnaissance de l’obésité en tant que maladie plutôt que de se limiter à traiter ses conséquences.
Méthodes
Cette étude s’appuiera sur les données en vie réelle issues de CONSTANCES et du SNDS pour améliorer l’identification de l’obésité, suivre la progression de la maladie et évaluer l’efficacité des traitements. La méthodologie inclut :
- Algorithmes de détection de l’obésité :Développement d’algorithmes basés sur l’IA et l’apprentissage automatique (régression logistique, réseaux neuronaux, clustering non supervisé) pour identifier les patients obèses non diagnostiqués et caractériser les sous-groupes diagnostiqués tardivement.
- Modélisation de la progression de la maladie : Application de méthodes d’apprentissage supervisé et non supervisé pour phénotyper les patients obèses progressant vers des complications, identifier les facteurs de risque clés et modéliser les relations causales à l’aide de réseaux bayésiens ou d’approches d’inférence causale.
- Modélisation des soins : Analyse des parcours thérapeutiques, des schémas d’adhésion et des changements de traitement en utilisant le data mining de séquences, l’apprentissage par renforcement et des techniques pharmaco-épidémiologiques telles que le score de propension.
- Modélisation médico-économique : Développement de modèles prédictifs, de modèles de Markov multi-états et d’analyses coût-efficacité pour évaluer l’impact financier des stratégies de prise en charge de l’obésité.
- Simulation de cohortes virtuelles : Intégration des modèles de progression et de soins dans un simulateur permettant de générer des cohortes virtuelles de patients pour tester divers scénarios, optimiser le positionnement des traitements et affiner la conception des essais cliniques.
Une validation interne et externe rigoureuse garantira la fiabilité des modèles, en utilisant des techniques de validation croisée et des comparaisons avec la littérature clinique. La confidentialité des données sera strictement respectée en conformité avec le RGPD.
Perspectives
Ce projet a le potentiel de transformer la prise en charge de l’obésité en exploitant les données en vie réelle pour affiner le diagnostic, les traitements et l’allocation des ressources de santé. Les résultats attendus incluent :
- Une identification plus précoce et améliorée des patients obèses pour une prise en charge optimisée.
- Une meilleure caractérisation de la progression de l’obésité, permettant des stratégies d’intervention ciblées.
- Une optimisation des stratégies thérapeutiques grâce à la modélisation des soins en vie réelle.
- Des recommandations fondées sur des données probantes pour les politiques de santé et les décisions de remboursement.
- Le développement d’un simulateur de cohortes virtuelles pour la modélisation prédictive, l’optimisation des essais cliniques et l’évaluation des traitements en obésité.
En intégrant l’apprentissage automatique, les données en vie réelle et la modélisation des maladies, cette initiative contribuera à la médecine de précision dans la prise en charge de l’obésité, ouvrant la voie à des stratégies thérapeutiques plus efficaces et personnalisées.
Ce projet a reçu un financement de Quinten Health, dans le cadre d’un partenariat avec l’Inserm.
Informations réglementaires
Responsable de traitement
Le traitement de données à caractère personnel est placé sous la responsabilité conjointe de l’Institut national de la santé et de la recherche médicale (Inserm), situé au 101 rue de Tolbiac, 75 013 Paris – www.inserm.fr et de Quinten Health, situé au 8 rue Vernier, 75 017 Paris - www.quinten-health.com.
Délégué à la protection des données
Pour la cohorte : Déléguée à la protection des données de l’Inserm, dpo@inserm.fr ou 101 rue de Tolbiac, 75 013 Paris / Pour Quinten Health : Déléguée à la protection des données de Quinten Health, privacy@quinten-france.com ou 8 rue Vernier, 75 017 Paris.
Base légale du traitement et recours à des données dites sensibles
La base légale du traitement repose sur le consentement des volontaires de la cohorte Constances.
Catégories de données concernées par les traitements
Données relatives aux habitudes de vie : tabagisme, alimentation, … ; Données socio-démographiques : sexe, âge, … ; Données socio-économiques : situation professionnelle, … ; Données de santé et relatives à la santé : données biométriques, données biologiques, …
Destinataires ou catégories de destinataires des données à caractère personnel
Dans le cadre de cette recherche, les données seront mises à disposition du responsable du projet, CEO, Quinten Health (France). Cette mise à disposition est nécessaire à la réalisation d’analyses statistiques menées par Quinten Health.
Durée de conservation en base active des données à caractère personnel
Les données seront conservées dans les systèmes d’information sécurisés du CASD jusqu’à deux ans après la dernière publication des résultats de la recherche ou, en cas d’absence de publication, jusqu’à la signature du rapport final de la recherche, soit de avril 2025 à mai 2029. Elles seront ensuite définitivement supprimées.
Droits des personnes concernées et modalités d’exercice de ces droits
Les données nécessaires à ce projet sont traitées conformément au Règlement général relatif à la protection des données « RGPD » (Règlement (UE) 2016/679 du Parlement européen et du Conseil du 27 avril 2016) et à la loi n° 78-17 du 6 janvier 1978 modifiée relative à l’informatique, aux fichiers et aux libertés. L’ensemble des droits et les moyens pour les exercer sont disponibles sur : « Espace Volontaires » « Droits et protection des données ». Il est également possible de s’adresser au co-responsable de traitement de ce projet, par l’intermédiaire de son/sa déléguée à la protection des données DPO (coordonnées indiquées ci-dessus).