Unité de recherche sur le phénotypage numérique profond

La numérisation des soins de santé est en train de transformer la manière dont les maladies et les populations sont caractérisées et suivies. Elle permet de fournir des soins de santé plus personnalisés, qui prennent en compte les spécificités physiologiques et contextuelles de chacun. Pour tendre vers la santé de précision, il est nécessaire de concevoir des approches et des modèles d’étude innovants qui englobent des données numériques, biologiques, cliniques et omiques. Toutes ces données doivent permettre une caractérisation plus précise des maladies et des populations.  

J’aime travailler à l’interface entre l’épidémiologie digitale, la science des données et la recherche clinique. Pour moi, le plus grand défi à présent consiste à élaborer des approches innovantes où les données numériques sont combinées à d’autres données omiques, biologiques et cliniques afin que ces approches soient parfaitement représentatives des patients .

Guy Fagherazzi, PhD, Chef du groupe de recherche « Deep Digital Phenotyping », Director, Department of Precision Health

digitalisation des recherches cliniques et épidémiologiques

• Cohortes digitales: conception de vastes études de cohortes internationales et numériques où les participants sont suivis pa le biais de solutions numériques (applications pour smartphones, plateformes Internet, appareils connectés…). 
• Suivi du patient à distance grâce aux méthodes ePRO : suivi du patient entre chaque consultation clinique, suivi des résultats fournis par le patient et collecte de données réelles. 
• Aspects éthiques et réglementaires : processus de suivi accéléré pour la conception d’études observationnelles et interventionnelles prospectives.  
• Infrastructure IT : mise en place en interne de plateformes Internet sécurisées, de larges référentiels de données sur le cloud et d’applications de recherches pour smartphones. 

implication du patient et du public

• Recherche centrée sur le patient : utilisation de technologies digitales pour effectuer des recherches qui « incluent » les patients/participants à l’étude ou qui sont réalisées « par » eux, plutôt que de mener des recherches « sur » eux. 
• Méthodes innovantes afin d’améliorer la participation à l’étude : méthodes mixtes, approches qualitatives, enregistrements en vue d’améliorer le taux de participation à l’étude et de réduire au maximum l’attrition naturelle au fil du temps.  

Dispositifs, données digitale et biomarqueurs 

• Voix : identification et validation de biomarqueurs vocaux digitaux pour un meilleur suivi des patients à distance. Développement de nouveaux paramètres cliniques pour évaluer l’efficacité des traitements dans la vie réelle. 
• Appareils connectés (traqueurs d’activité, appareils de surveillance continue du glucose, piluliers) : exploiter les outils informatiques pour collecter des données significatives sur le mode de vie, les facteurs cliniques ou les biomarqueurs clés en limitant la charge pour le patient/utilisateur. 
• Médias sociaux : écoute des médias sociaux pour mieux comprendre une population d’intérêt dans la vie réelle (perceptions, croyances, préoccupations…) ou pour la pharmacovigilance (effets secondaires, signaux faibles…). 

methodologie

• Approches fondées sur les données et l’intelligence artificielle : combinaison d’analyses de cohortes ou d’essais cliniques fondées sur des hypothèses et des données (méthodes de regroupement, prédiction). 
• Phénotypage digital profond : combinaison de sources hétérogènes de données digitales, cliniques, biologiques, omiques pour caractériser en profondeur les individus et les maladies. 
• Jumeaux digitaux : patients/individus virtuels ayant des caractéristiques similaires ou proches des patients vus en consultation et dont on connaît l’état de santé, les risques de complications, les évolutions de la maladie.