L'expansion des données scientifiques sur le cancer a créé d'énormes possibilités en matière de personnalisation des choix thérapeutiques pour les patients. Cependant, étant donné que les êtres humains ne peuvent traiter qu'environ 5 à 8 variables à la fois, la quantité considérable de données remet en question notre capacité à discerner et à orienter les choix thérapeutiques les plus appropriés. On peut citer comme exemple l'utilisation de panels génétiques pour aider à sélectionner les patients pour des traitements spécifiques ou des essais cliniques. En outre, il a été démontré que les données issues des dossiers médicaux électroniques (DME) augmentent les possibilités d'améliorer et d'optimiser la prise de décision. Avec l'émergence de l'apprentissage statistique, des tâches d'intelligence artificielle en oncologie, telles que l'optimisation des flux de travail, la détection de l'éligibilité aux essais cliniques et la stratification des risques, peuvent être développées afin de fournir une aide à la décision à partir de données historiques.
À cette fin, notre consortium développe
(I) un cadre MEDomics qui est au cœur de
(II) une plateforme de calcul multi-omique open source MEDomicsLab et de nouveaux algorithmes pour détecter/comprendre/prédire un certain nombre de critères d'évaluation dans le traitement de divers cancers.