Etudier et valider les facteurs pronostiques chez les patients en début de prise en charge pour un cancer métastatique et hospitalisés d’emblée. Il s’agit donc de patients porteurs de maladies particulièrement graves, pour lesquels le traitement spécifique est à la fois la seule chance possible, mais régulièrement toxique et inefficace. Il existe des facteurs pronostiques validés dans la littérature à différents stades de la maladie, mais leur pertinence au diagnostic initial dans ce contexte est à valider, et les études existantes ont pour la plupart eu lieu avant l’aire des bio-marqueurs et des thérapies ciblées. L’intégration de ces derniers points dans la modélisation en augmentera la pertinence clinique et l’originalité scientifique.

Objectif principal :

Le projet a pour but de déterminer la valeur pronostic et prédictive de CTGF et L1CAM dans la résistance au sunitinib des patients atteints de mRCC.

Objectifs secondaires :

Identifier de nouveaux biomarqueurs de résistance au sunitinib afin de proposer une meilleure prise en charge des patients et des solutions thérapeutiques personnalisées

Objectif principal :

Valider rétrospectivement le caractère prédictif de réponse et de survie à la gemcitabine dans une cohorte de patient avec un cancer du pancréas métastatique et traité d’emblée par gemcitabine.

L’objectif de l’étude est de décrire les infections fongiques invasives survenues dans l’année post-allogreffe de CSH, d’en déterminer les facteurs de risques et l’impact d’une prophylaxie

Données traitées pour évaluer les facteurs de risque des complications cicatricielles après chirurgie de résection de sarcome des membres qui ont eu une radiothérapie néo adjvutante.

L’objectif du projet RUBY THYRO est de développer, des algorithmes d’intelligence artificielle (deep learning) capables de structurer les données des comptes rendus médicaux des patients atteints d’une pathologie de la thyroïde et de les intégrer automatiquement dans une base de données structurées.

L’objectif du projet RUBY est de développer, en collaboration avec IBM, des algorithmes d’intelligence artificielle (deep learning) capables de structurer les données des comptes rendus médicaux des patientes atteintes d’un cancer du sein et de les intégrer automatiquement dans une base de données structurées.

L’objectif de ce projet collaboratif entre le COL & le CHU est de rendre les images obtenues sur l’une ou l’autre des machines totalement interchangeables. Ceci permettra à terme de réduire les examens doublons (patients passant des examens IRMs sur les différentes machines d’IRM) afin de libérer des créneaux au profit d’autres patients. Le critère de réussite du projet sera la réduction de la variabilité intra et inter machine, c’est à dire qu’une mesure quantitative prise sur une machine devra être similaire (à la marge d’erreur près) à la mesure prise sur une autre machine.

- Court terme : meilleure connaissance technique avec l’approche différent et complémentaire des deux équipes

- Moyen terme : meilleure harmonisation des biomarqueurs quantitatives IRM issues des différentes machines et donc amélioration de sensibilité pour des études bi-centrique

- Long terme : simplification du flux de patient, libération de créneau IRM & résultats cliniques de suivi des biomarqueurs

- Evaluation des artéfacts

- Evaluation qualitatif

Dans l’objectif futur d’assister le chirurgien dans les marges chirurgicales (détection de résidu tumoral), le projet vise à évaluer la faisabilité d’utilisation de la spectrométrie de masse via l’outil SpiderMass pour identifier les cancers de l’ovaire, de l’endomètre, du péritoine et/ou des trompes de Fallope.