Soutenance de thèse de Yitong WANG

L'évaluation des technologies de la santé (HTA) est considérée comme le pont entre les données cliniques et l'élaboration des politiques, car elle fournit des informations et des conseils pour aider les payeurs à prendre des décisions en matière de remboursement et de tarification dans le système de santé. De plus en plus de pays ont créé des agences d'HTA pour les aider à prendre leurs décisions. Cette thèse a pour but de construire des cadres de décision d'HTA et d'étudier si des modèles basés sur l'apprentissage machine (ML) peuvent être appliqués pour prédire les décisions d'HTA. Pour atteindre ces objectifs, les travaux suivants ont été réalisés. Tout d'abord, une revue de la littérature ciblée sur les directives méthodologiques d'HTA a été réalisée afin d'obtenir les critères recommandés par les différentes agences. Au total, 52 lignes directrices provenant de 24 pays ont été incluses et 30 critères uniques ont été identifiés dans les agences incluses. Un fort consensus a été observé parmi les agences d'HTA sur l'ensemble des critères de base comprenant l'efficacité, le rapport coût-efficacité, la sécurité et l'impact budgétaire. Ensuite, compte tenu de l'incohérence possible entre les critères recommandés dans les lignes directrices et les facteurs pris en compte dans la prise de décision réelle, deux examens systématiques ont été réalisés pour obtenir les facteurs déterminant les décisions réelles de l'HTA pour tous les médicaments et les médicaments contre le cancer respectivement. 39 études ont été identifiées, comprenant 7 696 décisions de 15 agences pour tous les médicaments et neuf études comprenant 1 146 décisions de six agences ont été trouvées pour les médicaments contre le cancer. Malgré les différents systèmes de remboursement, l'efficacité comparative, les preuves cliniques acceptées et le rapport coût-efficacité différentiel élevé ont été identifiés comme des facteurs importants dans les différentes agences. Les résultats ci-dessus pourraient être utilisés pour construire les cadres décisionnels de l'HTA qui ont également servi de base à la construction de modèles de prédiction. Troisièmement, une revue ciblée des modèles basés sur le ML a été réalisée afin d'identifier les modèles appropriés pour les décisions d'HTA. Enfin, six modèles basés sur le ML, dont l'arbre de décision (DT), la régression logistique (LR), la forêt aléatoire (RF), la machine à vecteur de support (SVM), le boosting à gradient extrême (XGBoost) et les voisins les plus proches (KNN), ont été sélectionnés et utilisés pour établir les modèles de prédiction des décisions d'HTA. Quatrièmement, les décisions HTA du Scottish Medicines Consortium (SMC) en Écosse ont été choisies comme étude pilote pour évaluer la faisabilité de l'application de modèles basés sur le ML pour prédire le résultat de la décision. Un cadre de décision pour le SMC a été établi et 25 caractéristiques ont été identifiées. Six modèles ont été utilisés pour tous les médicaments et les médicaments innovants respectivement. Tous, à l'exception du modèle KNN, ont donné de bons résultats avec une précision et un score F1 supérieurs à 0,80, et le modèle RF a eu le meilleur pouvoir de prédiction. La demande de restriction d'indication, l'incertitude des preuves économiques, la validation des résultats cliniques et l'acceptation des comparateurs ont été identifiés comme les caractéristiques les plus prédictives pour les décisions du SMC. Enfin, les résultats clés et les recommandations pour les décideurs et les fabricants ont été résumés. En conclusion, nous avons construit les cadres de décision pour plusieurs pays, ce qui pourrait aider à améliorer la transparence de leur processus de décision. Nous avons également prouvé la faisabilité des modèles basés sur le ML pour les prédictions de décision de l'HTA, ce qui a fourni les perspectives d'application des modèles basés sur le ML dans les domaines de décision de l'HTA.

Health technology assessment (HTA) was considered as the bridge between clinical evidence and policymaking as it provided information and guidance to support payers on reimbursement and pricing decisions in the healthcare system. More and more countries have established HTA agencies to support their decision-making. With increased decisions published, big data analysis became possible. This thesis aimed to construct the HTA decision frameworks and investigate whether machine learning (ML)-based models could be applied to predict HTA decisions. To obtain these objectives, the following work was carried out. Firstly, a target literature review of HTA methodological guidelines was conducted to obtain the criteria recommended by the different agencies. A total of 52 guidelines from 24 countries were included and 30 unique criteria were identified from the included agencies. A strong consensus was observed among the HTA agencies on the core set of criteria including efficacy or effectiveness, cost-effectiveness, safety, and budget impact. Secondly, considering the possible inconsistency between the criteria recommended in the guidelines and factors considered in the actual decision-making, two systematic reviews were performed to obtain the factors determining the HTA real decisions for all medicines and cancer medicines respectively. 39 studies were identified including 7,696 decisions from 15 agencies for all medicines and nine studies including 1146 decisions from six agencies were found for cancer medicines. Despite the different reimbursement systems, comparative efficacy, accepted clinical evidence, and high incremental cost-effectiveness ratio were mostly identified to be important factors across the different agencies. The above findings could be used to build the HTA decision frameworks which also worked as the basis for the construction of prediction models. Thirdly, a targeted review of ML-based models was performed to identify suitable models for HTA decisions. Finally, six ML-based models including decision tree (DT), logistic regression (LR), random forest (RF), support-vector machine (SVM), extreme gradient boosting (XGBoost), and K-nearest neighbours (KNN) were selected and used to establish the prediction models for HTA decisions. Fourthly, the HTA decisions from Scottish Medicines Consortium (SMC) in Scotland were chosen as a pilot study to evaluate the feasibility of applying ML-based models to predict the decision outcome. A decision framework for SMC was established and 25 features were identified. Six models were used for all medicines and innovative medicines respectively. All of them except for KNN performed well with accuracy and F1 score higher than 0.80, and the RF model had the best predictive power. The request of restriction on indication, uncertainty of economic evidence, validation of clinical outcomes and acceptance of comparators were identified as the most predictive features for the SMC decisions. Last but not least, the key findings and the recommendations for the decision-makers and the manufacturers were summarized. In conclusion, we constructed the decision frameworks for several countries, which could help improve the transparency of their decision process. We also proved the feasibility of the ML-based models for the HTA decision predictions, which provided the application prospects of the ML-based models in HTA decision-making fields.