LUCIEN – Étude non interventionnelle sur les délais et les coûts des parcours diagnostiques du cancer du poumon primitif : analyse de processus (process mining) - 12/01/25

Les délais jusqu’au premier traitement du cancer du poumon varient entre et au sein des pays. La réduction de ces délais est un enjeu alors que les parcours diagnostiques sont devenus plus complexes avec la médecine personnalisée. L’émergence des plateformes nationales de données multimodales et d’approches par machine learning créent de nouvelles possibilités de génération d’évidence. Dans cet abstract, nous décrivons la méthodologie de l’étude LUCIEN qui vise à décrire les différents groupes de parcours diagnostiques dans le cancer du poumon et à explorer les potentiels facteurs associés aux délais et aux coûts de ces groupes.

Cette étude de cohorte rétrospective cible tous les patients avec un nouveau diagnostic de cancer du poumon traités pour leur cancer (chirurgie, radiothérapie ou traitements médicamenteux) en France entière entre le 01/07/2018 et le 30/06/2019. Les parcours des patients, les consommations de soins et les coûts sont reconstitués depuis le premier scanner thoracique dans les 12 mois avant le début du premier traitement du cancer (considéré comme la date de début du parcours diagnostique) en utilisant les données de la Plateforme de données en cancérologie : la Cohorte Cancer — une extraction du SNDS — appariée aux comptes-rendus de réunion de concertation pluridisciplinaire (RCP) et de génétique moléculaire disponibles. Dans un premier temps, les patients ayant des parcours diagnostiques semblables sont automatiquement regroupés. Puis, un algorithme de process mining est appliqué : il permet de cartographier sans a priori les parcours patient en cherchant à être le plus représentatif des séquences d’événements et de leurs transitions. Ceci permet de modéliser le parcours et les séquences d’événements dans chaque groupe observé (ex : consultations, imageries, biopsies, etc.). Enfin, la variabilité des délais et des coûts associés à chaque groupe est étudiée au regard des caractéristiques patients et de l’offre de soins territoriale par des méthodes de machine learning prédictives. L’impact de chaque facteur est évalué pour apprécier son explicabilité clinique. Dans les analyses de sensibilité, la date de début du parcours diagnostique est remplacée soit par le moment de rupture de la densité de consommations de soins, soit par la date du premier événement clinique rapporté dans les comptes-rendus de RCP.

D’après les données d’incidence, environ 50 000 patients sont ciblés avant l’application des critères d’exclusion. De premiers résultats dont la description de la population d’étude et des parcours seront disponibles pour le congrès.

La méthodologie de cette étude explore le potentiel des plateformes nationales de données multimodales et du machine learning pour générer des évidences et identifier des pistes pour améliorer les parcours diagnostiques des cancers.