1.
I.
ActuRx
Predic/ng
Effects
of
Drugs
using
actuarial
sciences
1
ed@ActuRx
–2015

2.
Why « Actuarial Sciences »
• Insurers have a longstanding know-how in estimating
risks in order to effectively price and manage risk
• Actuaries are those who perform the data analysis
and derive propositions for improved solutions
• The use of actuarial sciences for Health is possible
via healthcare activity and diagnostic data.
• The inside of the body is complex. No biology here:
people are considered as a black boxes
ed@ActuRx – 2015 2
Healthy
Disabled
(cause)
Dead
qx q’x
ix
rx
Analysis by age, gender,
distribution channel, area,
cause of disability…
Best estimate values, security
margins…
Semi-parametric duration
models, left truncature, right
censorship…
Insured
Data
Health
Data!
People!
Metabolism

3.
Example: metformin versus cancer
All other things being equal, compared to non diabetic populations
people who have diabetes type II and take:
– sulphonylurea seem then to have lower survival
è Increased risk from treatment? Or simply diabetic patients?
– metformin seem then to have higher survival
è Reduced risk from metformin? Or diabetic patients taking care?
– Does metformin reduce cancer risks? Cardiovascular risks?
– How does the effect vary with dosage? Frequency?
– How much time does it take for the effect to happen?
– Does the effect disappear over-time?
– If metformin is stopped then does cancer risk suddenly increase?
ed@ActuRx –2015 3
Bannister CA, Holden SE, Jenkins-Jones S, Morgan CL, Halcox JP, Schernthaner
G, Mukherjee J, Currie CJ (2014): Can people with type 2 diabetes live longer than
those without? A comparison of mortality in people initiated with metformin or
sulphonylurea monotherapy and matched, non-diabetic controls. Diabetes Obes
Metab. 16
Patients with type 2 diabetes initiated with metformin monotherapy had longer
survival than did matched, non-diabetic controls. Those treated with
sulphonylurea had markedly reduced survival actuarial
methods
can
predict
such
ques/ons
meHormin
sulphonylurea
controls

4.
Applications
Predictions for commercialized drugs
• Real life suggestions to repurpose drugs
• Real life signals of efficiency and of side-effects
• Combination Analysis
– Drug A x Drug B è negative health effect
Predictions for R&D phases
Application to one drug …or to a panel of drugs
è Analysis of your company’s pipeline
è Comparative analysis with the market
ed@ActuRx – 2015 4
ANTICIPATION
Prediction of side effects
Potentiality of later repurposing
….
SELECTION
Type of molecules that empirically
seem to address a disease
R&D
shortcut!
Or
public
informa/on
Weak
signals
for
Pharmacovigilance!
How
you
posi/on
Where
you
are
REPURPOSING
>1 bn$
>10 year R&D

5.
Predic/ng
Effects
of
Drugs
using
diverse
approaches
ed@actuRx.com
5
ed@ActuRx–
2015
BoPom
up
approach:
omics
data
LeS
field
approach:
health
care
data
Top
down
approach:
literature
data
Off
the
ground
data

6.
II.
Epidemium>Cancer
Baseline
Facteurs
de
risque
et
de
préven/on
du
cancer
à
par/r
d’open
data
6
Cancer
Baseline–2015

7.
Epidemium:
hackathon
de
6
mois
lancé
par
Roche
et
La
Paillasse:
open
data
contre
le
cancer
7
Cancer
Baseline–2015

8.
Projet
Cancer
Baseline:
y=f(x)
8
Cancer
Baseline–2015
âge
Y:
Risque
de
cancer
(incidence,
mortalité,
type
de
cancer)
X:
Variables
explica/ves
(CSP/éduca/on/richesse,
alcool/tabac,
pollu/on
et
météo,
accès
aux
soins…
consomma/on
de
légumes?)
hommes
femmes
1. Construire
la
baseline
A
par/r
de
données
X
et
Y
agrégées!?!
(toutes
ayant
en
commun
âge,
sexe,
zone
géographique)
2. Comparer
à
la
baseline
Suivi
de
cancer
dans
des
groupes
de
personnes
3. Valider
par
e-­‐Cohort?
Ques/onnaire
et
analyse
prospec/ve

9.
Epidémiologie
sur
données
agrégées?!?!?
9
Cancer
Baseline–2015
Test:
fort
risque
de
cancer
de
la
prostate
chez
les
afro-­‐américains.
Données:
CDC
hPp://www.cdc.gov/cancer/prostate/sta/s/cs/race.htm
D’autres
tests
sont
à
effectuer

10.
S’il
n’y
a
pas
d’autres
variables
importantes,
ce
sont
celles-­‐ci
la
cause
des
varia/ons
de
cancer
Quid
des
Corréla/ons?
De
la
causalité?
10
Cancer
Baseline–2015
1.
Corréla8ons
OK:
le
Paradoxe
de
Simpson…
succès
CSP+
CSP-­‐
tous
Traitement
A
93%
(81/87)
73%
(192/263)
78%
(273/350)
Traitement
B
87%
(234/270)
69%
(55/80)
83%
(289/350)
conclusion
A
>
B
A
>
B
B
>
A
!?!
…
n’est
pas
un
problème
lors
d’une
analyse
mul/variée
Théorie
Pra8que
2.
Causalité
OK:
le
principe
de
l’exhausivité
Educa/on?
Emploi?
Pollu/ons
Xi
Cours
de
l’or
Beaucoup
de
variables
pour
l’exhaus/vité
+
Beaucoup
de
départements
pour
éviter
des
corréla/ons
fortuites
=
Beaucoup
de
pays
et
beaucoup
de
(mêmes)
variables
par
pays
=
TRAVAIL
DE
TITAN!
hPp://data.epidemium.cc

11.
Un
travail
de
/tan
pour
un
résultat
incertain?
11
Cancer
Baseline–2015
1. Construire
la
baseline
A
par/r
de
données
X
et
Y
agrégées!?!
(toutes
ayant
en
commun
âge,
sexe,
zone
géographique)
2. Comparer
à
la
baseline
Suivi
de
cancer
dans
des
groupes
de
personnes
3. Valider
par
e-­‐Cohort
Ques/onnaire
et
analyse
prospec/ve
Près
de
50
volontaires
dont
la
moi/é
étudiants
en
maths
appliquées
et
actuariat
encadrés
par
des
professeurs
(ISFA
surtout,
ENSAE,
Centrale
Paris)
Un
assemblage
open
data
ouvert
à
tous
et
réu8lisable
par
la
suite.
Un
échange
communautaire.
Des
modèles
variés,
interdisciplinarité:
transformer
ces
données
en
éléments
pour
la
santé
…préven/on
des
cancers
par
savon
de
Marseille
!?
Automa/sa/on
de
l’extrac/on

12.
III.
Predic/on
des
effets
sur
la
santé
par
les
données
&
médecine
préven/ve
12
ed@ActuRx
–2015

13.
Des petites bestioles que l’on fait vivre
vraiment plus longtemps, en bonne santé
ed@ActuaRx– 2015 13
Aurait-­‐on
de
tels
résultats
si
ces
animaux
étaient
traités
comme
nous?
«
tordre
le
corps
dans
l’autre
sens
que
le
vieillissement
.
+70%
+50%

14.
Des traitements pharmacologiques
préventifs chez la souris …et chez l’homme!
ed@ActuaRx– 2015 14

15.
Pour cette médecine préventive, de quelles
hypothèses partir?
ed@ActuaRx– 2015 15
Souris
?
Modèles
mathéma/ques
?
Litérature?
Mécanismes
cellulaires?
Et/ou…
des
gens?

16.
Merci
pour
votre
aPen/on!
16
Edouard
Debonneuil,
ed@ActuRx
–2015