http://hdl.handle.net/2268.2/11308 Sat, 21 Mar 2026 00:06:03 GMT 2026-03-21T00:06:03Z http://hdl.handle.net/2268.2/23174 Title: Thesis, COLLÉGIALITÉ, FRANZEN Rachelle Abstract: Ce mémoire de fin d’études s’inscrit dans un projet d’envergure mené au CHU de Liège visant à moderniser et automatiser la validation biologique post-analytique grâce à un logiciel d’intelligence artificielle : le Clinical Decision Support (CDS) AlinIQ, développé par BeamTree et vendu par Abbott. Le travail se concentre sur le remplacement du système expert Valab® par AlinIQ dans le Service de Chimie Clinique. À travers une approche rigoureuse mêlant configuration terrain, analyse comparative et validation statistique, le mémoire évalue l’efficacité, la flexibilité et la robustesse du nouvel outil. Le travail débute par une contextualisation du rôle des CDS en biologie clinique, les exigences normatives (ISO 15189), ainsi que les enjeux de traçabilité, transparence et gouvernance des règles. Le projet s’articule autour de trois axes principaux : la configuration des règles dans l’environnement RippleDown, la comparaison fonctionnelle avec Valab® et l’analyse statistique des performances de validation automatique (NDPV). Les résultats mettent en évidence une couverture paramétrique nettement supérieur avec AlinIQ (153 paramètres vs 83 dans Valab®), grâce à la flexibilité offerte par la configuration locale. En se focalisant sur 72 paramètres communs, l’analyse montre des taux de validation légèrement supérieurs pour AlinIQ, avec une variance plus faible. Une évaluation qualitative des règles montre aussi une meilleure lisibilité, une adaptabilité renforcée et une traçabilité claire. Le mémoire souligne néanmoins certaines limites : période d’étude statistique restreinte à un mois, absence de retours utilisateurs et impossibilité d’explorer d’autres volets du CDS (codification des pathologies, aide aux cliniciens) par manque de temps. Ces perspectives, en cours de développement au CHU, incluent la génération automatique de code diagnostics (RHM), la détection de doublons analytiques et l’envoie de recommandations médicales personnalisées. En conclusion, ce travail démontre que l’implémentation d’un CDS IA tel que AlinIQ est non seulement réalisable dans un contexte hospitalier complexe, mais également bénéfique en termes de qualités, d’efficience et de gouvernance. Il constitue une première étape vers un assistant clinique intelligent intégré au parcours de soins. Mon, 30 Jun 2025 22:00:00 GMT http://hdl.handle.net/2268.2/23174 2025-06-30T22:00:00Z http://hdl.handle.net/2268.2/20567 Title: Thesis, COLLÉGIALITÉ Abstract: Systemic AutoInflammatory Disorders or SAIDs constitute rare diseases where the innate immune response is dysregulated. Though there are genes mutations that are associated with monogenic SAIDs, polygenic ones have higher incidence and are more difficult to diagnose. Ambiotis, a CRO based in Toulouse (FR) and with an expertise in the resolution of inflammation hypothesize SAIDs patients have a dysregulated resolution of inflammation. In the context of the Immunome consortium for AutoInflammatory Disorders or ImmunAID, a European Union funded project, a cohort of SAIDs patients was created throughout Europe to collect biological sample. These sample would be analysed by multiple omics techniques to acquire the immunome of SAIDs as a group and as the different diseases. Ambiotis, part of the ImmunAID consortium, quantified Specialized Pro-resolution Mediators (SPM) using UHPLC-MS technique. This master’s thesis goal was to design a pipeline and R library to process the lipidomic data, run multiple pairwise comparison and display results in different graphs format. Our pipeline was able to identify protectin D1 having higher concentration in some SAIDs when compared to negative controls. These results were obtained on the quantified data available; the next step will be to use the entire data set. In the end, we managed to build a pipeline that correct the batch effect, normalize the data and run multiple pairwise comparisons. Sun, 30 Jun 2024 22:00:00 GMT http://hdl.handle.net/2268.2/20567 2024-06-30T22:00:00Z http://hdl.handle.net/2268.2/20553 Title: Thesis, COLLÉGIALITÉ Abstract: L’intelligence artificielle est un outil prometteur qui nécessite, néanmoins, une préparation des données. Les données stockées dans les bases de données du CHU de Liège (SIMÉ et BHUL) forment un continuum entre la consultation et les prélèvements biologiques. Toutefois, à notre connaissance, ces bases de données ne communiquent pas entre elles, et dépendent de l’encodage effectué par les services. Le service de rhumatologie s’efforce d’améliorer cet encodage et de faire communiquer les informations provenant du SIMÉ et de la BHUL. En effet, un rhumatologue ne peut actuellement pas estimer directement le nombre et la nature des échantillons biologiques conservés par la BHUL pour un patient donné. De même, un chercheur du laboratoire de rhumatologie n’a pas accès aux paramètres cliniques des patients sous un format utilisable pour les statistiques descriptives. Même si une relation humaine existe entre cliniciens et chercheurs, une interopérabilité des bases de données SIMÉ et BHUL permettrait une communication fondée sur des faits. Dans ce contexte, le projet dans lequel s’inscrit ce mémoire vise à créer un outil de consultation des données mettant en relation les paramètres cliniques et le stock d’échantillons. Cet outil sera relié à une base de données relationnelle dynamique, mise à jour régulièrement. Cette base de données devra servir également de source d’information pour nourrir une intelligence artificielle dans l’espoir de prédire l’évolution des pathologies rhumatoïdes et ainsi servir directement à la prise en charge du patient. En ce sens, les données relatives aux patients atteints de sclérodermie systémique servent ici de projet pilote pour évaluer la faisabilité de la mise en place d’une architecture globale pour le service de rhumatologie. Ce mémoire s’inscrit comme la première étape de ce projet. Étant donné que le jeu de données sur les patients atteints de sclérodermie systémique a été créé manuellement, ce mémoire apporte des outils génériques au nettoyage des données. Ceci pour obtenir un jeu de données cohérent dans un format utilisable par les langages de programmation, condition sine qua non pour parvenir à la création et à la mise à jour automatisable d’une base de données dynamique. Ce mémoire aborde, dans un premier temps, la gestion des valeurs manquantes, puis se concentre sur la gestion de valeurs aberrantes dans un second temps. Une automatisation de la résolution de ces deux points sera réalisée au travers d’une librairie R générique. L’évaluation des outils développés sera réalisée en combinant deux par deux les catégories retrouvées dans chaque paramètre clinique. Sun, 30 Jun 2024 22:00:00 GMT http://hdl.handle.net/2268.2/20553 2024-06-30T22:00:00Z http://hdl.handle.net/2268.2/17913 Title: Thesis, COLLÉGIALITÉ Abstract: Introduction : Le monde pharmaceutique est l’une des rares industries caractérisées par de longues durées de développement, des phases de développement très onéreuses et de faibles chances de voir son produit arriver sur le marché. Dans le paysage des startups biotechnologiques et pharmaceutiques, les méthodes de financement n’ont jamais réellement évoluées, les financements sont dans la plupart des cas réalisés par des fonds en capital-risque. Ces méthodes offrent de faibles retours sur investissements pour les investisseurs, et aucune réelle solution de traitement n’est apportée sur le marché. Objectifs : L’objectif de ce travail est de tenter d’apporter une méthode novatrice de financement. La création d’un modèle de Mégafonds, mixant la dette et le fonds propre pourrait être une solution durable pour le financement du monde pharmaceutique et biotechnologique. Matériel et méthodes : La réalisation de ce modèle de financement s’est opérée sur le logiciel R studio, en effet, nous avions repris la simulation de Mégafonds pour le cancer de M. Lo. Le modèle fut adapté au diabète de type 1, en appliquant les probabilités de succès 2022 à nos 65 programmes cliniques, nous parvenions à combler chacun de nos axes de développement, avec au moins une molécule ou dispositifs médicaux, soit 7 entités. Résultats : La réalisation de 10.000 simulations de notre modèle nous a fourni de bons résultats. En un peu plus de sept années, le modèle a joué le rôle d’incubateur clinique et a permis d’atteindre la phase 2 avec 23 molécules. Ces 23 molécules pourront ensuite être revendues à des sociétés plus importantes pour atteindre les phases commerciales (ce que ne vise pas notre Mégafonds). En plus d’avoir un portefeuille de 23 molécules pour lesquelles une efficacité est démontrée, le fonds a permis aux investisseurs d’obtenir un retour sur investissement annuel moyen de 9.8 %. Concernant la dette, les RBO ont permis à leurs détenteurs d’obtenir des coupons de 5 et 8 % respectivement pour la dette junior et senior. Le seul point négatif des tranches de dettes fut la complétion de leur remboursement 6 mois plus tard que prévu. Discussion : Pour que ce modèle puisse être cru et utilisé dans le monde professionnel, de multiples optimisations devraient être apportées. A ce jour, et de manière purement objective, nous qualifions notre simulation à 80 % fiable. Avec les différentes modifications que nous pourrions apporter sur les prochaines années, le modèle devrait être suivi par des professionnels de la santé et de la finance. Conclusion : Bien que l’utilisation de la dette comme moyen de financement semble être une aberration, nous avons démontré qu’il est envisageable d’y faire appel si et seulement si, un pipeline de recherche est clairement établi, permettant ainsi de dérisquer presque complètement l’investissement. Tue, 04 Jul 2023 22:00:00 GMT http://hdl.handle.net/2268.2/17913 2023-07-04T22:00:00Z