ConvSCCS : modèle convolutif de séries de cas auto-contrôlées pour la détection d'événements indésirables décalés.

Résumé La disponibilité accrue de grandes bases de données de dossiers médicaux électroniques offre la possibilité d'améliorer le dépistage des risques sanitaires. La plupart des détections post-marketing des effets indésirables des médicaments (EIM) reposent sur les déclarations spontanées des médecins, ce qui entraîne une sous-déclaration. Pour relever ce défi, nous développons un modèle évolutif pour estimer l'effet de multiples caractéristiques longitudinales (exposition aux médicaments) sur un résultat longitudinal rare. Notre procédure est basée sur un modèle de régression conditionnelle de Poisson, également connu sous le nom de série de cas auto-contrôlée (SCCS). Pour surmonter la nécessité d'une spécification précise des périodes de risque, nous modélisons l'intensité des résultats en utilisant une convolution entre les expositions et les fonctions de pas, qui sont pénalisées en utilisant une combinaison de groupe-Lasso et de variation totale. À notre connaissance, il s'agit du premier modèle SCCS avec une intensité flexible capable de traiter plusieurs caractéristiques longitudinales dans un seul modèle. Nous montrons que cette approche améliore l'état de l'art en termes d'erreur absolue moyenne et de temps de calcul pour l'estimation des risques relatifs sur des données simulées. Nous appliquons cette méthode à un problème de détection d'EIM, en utilisant une cohorte de patients diabétiques extraite de la grande base de données nationale française de l'assurance maladie (SNIIRAM), une base de données de réclamations contenant les remboursements médicaux de plus de 53 millions de personnes. Ce travail a été réalisé dans le cadre d'un partenariat de recherche entre l'Ecole Polytechnique et la CNAMTS (en charge du SNIIRAM).