IDEntifier les signatures évolutives des données longitudinales : machine learning et AnaLyse topologique sur 30 ans de SuivI des patients atteint de diabète de Type 1 De la cohorte DCCT/EDIC

Objectif(s) de la recherche et intérêt pour la santé publique

Finalité de l'étude

Objectifs poursuivis

Domaines médicaux investigués

Bénéfices attendus

La prévalence du diabète progresse de manière alarmante, passant au niveau mondial de 537 millions en 2021 à 784 millions d’ici 2045, représentant un défi majeur pour la santé publique.
Au cours de leur vie, 40 % des patients vivant avec un diabète développeront une maladie rénale chronique (MRC) et 60% une complication cardiovasculaire. Ces complications cardio-rénales, sont responsables d’une morbidité et d’une mortalité élevées chez les patients diabétiques avec MRC faisant porter une charge financière considérable sur le système de santé. L’identification précoce des patients à risque de complications multi-organe est donc essentielle pour améliorer la prise en charge et prévenir ces complications graves.
L’identification précoce des patients à haut risque de complications est un enjeu majeur en diabétologie.
L’objectif principal est d’identifier des signatures de marqueurs longitudinaux (=signatures topologiques) associées au risque d’événements cardiovasculaire, rénal ou cérébral chez les diabétiques de type 1.
Les données utilisées pour cette recherche seront issues des ensembles de données provenant de la plateforme du National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) pour l’étude Diabetes Control and Complications Trial / Epidemiology of Diabetes Interventions and Complications (DCCT/EDIC)