La réponse thérapeutique à une intervention multidisciplinaire pour les maux de dos chroniques: prédicteurs et algorithmes

Méthodologie: Simulation; Analyse discriminante linéaire et logistique; Arbres de classification; Réseaux de neurones en base radialeLes programmes d’intervention multidisciplinaire pour les personnes souffrant de maux de dos chroniques, malgré leur capacité à retourner environ 60% des participants au travail, représentent des coûts importants. La capacité à prédire les bénéfices thérapeutiques peut constituer un élément important pour optimiser la réponse au traitement et la réduction des coûts. La thèse poursuivait deux objectifs. Le premier consistait à réaliser une méta-analyse des prédicteurs des bénéfices suite à un traitement multidisciplinaire pour les maux de dos chroniques. Au total, 87 études ont été sélectionnées, comprenant 73 prédicteurs et 773 grandeurs d’effet reliées à trois indicateurs : la sévérité de la douleur et de l’incapacité en fin de traitement, et le retour au travail. L’âge et l’éducation, le fait de recevoir des indemnisations, la consommation de médication et de soins de santé, les stratégies positives de gestion des problèmes, les traits anxieux, la sévérité de la douleur, de l’incapacité et des limitations, la capacité aérobique, l’endurance et la force musculaire, le faible support familial, et les demandes psychologiques et physiques relatives à l’emploi constituent des prédicteurs significatifs des bénéfices obtenus. Aucune évidence ne supporte le rôle du genre, du diagnostic médical, de la présence d’anomalies radiologiques, de l’état physique du patient et du type de travail dans la prédiction tertiaire. Le second objectif visait à étudier conceptuellement et empiriquement les performances prédictives de quatre algorithmes issus des travaux en statistiques et en intelligence artificielle, soit l’analyse discriminante linéaire et logistique, les arbres de classification et les réseaux de neurones en base radiale. Les caractéristiques et limites de chaque technique sont illustrées à l’aide de simulations. Les capacités prédictives dans un contexte médical sont discutées à la lumière de cinq études de comparaison. Les données disponibles appuient le choix d’arbres de classification comme moteur de prédiction dans un contexte médical. L’utilisation des prédicteurs fiables et significatifs de la réponse thérapeutique, jointe à l’implantation d’outils de prédiction performants, permettra aux professionnels de mieux cibler leurs interventions selon le profil des patients et des bénéfices attendus, afin de pouvoir maximiser la réponse thérapeutique malgré un contexte de ressources limitées.Multidisciplinary programs for chronic back pain patients, while returning about 60% of patients at work, represent major financial investments. The capacity to predict therapeutic outcomes may constitute an important asset to optimize treatment response and achieve cost reductions. This thesis has two objectives. The first objective was to complete a metaanalytic review of the predictors of treatment outcomes following multidisciplinary programs for low back pain. A total of 87 studies were selected, comprising 73 predictors and 773 effect sizes related to three outcomes : severity of pain and disability following program, and return to work. Age and education, receiving disability payments, medication and health services usage, positive coping strategies, anxious traits, severity of pain, disability and role limitation, aerobic capacity, physical endurance and muscular strength, low familial support, and psychological and physical demands related to employment were found to be significant predictors of outcomes. No evidence supported the predictive value of gender, medical diagnosis, radiological abnormalities, physical characteristics, and nature of work in tertiary prediction. The second objective was to study conceptually and empirically predictive performance of four algorithms coming from statistical and data mining areas, such as linear and logistic discriminant analysis, multivariate classification trees, and radial basis neural networks. Strengths and limitations of each technique are discussed using simulated data. Predictive performance with medical data are discussed based on five large comparison studies. Available data support the choice of multivariate decision trees for predictive engine in a medical setting. The selection of reliable and significant predictors of treatment response to multidisciplinary programs, coupled with the use of effective predictive tools, will allow health professionals to better tailor their interventions according to patient profiles and expected benefits, in order to maximize treatment response in a context of limited clinical and financial resources