Pour les patients diagnostiqués avec un cancer au stade précoce, les décisions de traitement dépendent de l’évaluation du risque de rechute métastatique. Les outils de pronostic actuels sont fondés sur des approches purement statistiques, sans intégrer les connaissances disponibles sur les processus biologiques à l’oeuvre. L’objectif de cette thèse est de développer des modèles prédictifs du processus métastatique en utilisant une approche de modélisation mécaniste et la modélisation à effets mixtes. Dans la première partie, nous étendons un modèle mathématique du processus métastatique pour décrire la croissance de la tumeur primaire et de la masse métastatique totale chez des souris traitées avec le sunitinib (un inhibiteur de tyrosine kinase ayant une action anti-angiogénique) administré comme traitement néoadjuvant (i.e. avant exérèse de la tumeur primaire). Le modèle est utilisé pour tester des hypothèses expliquant les effets différentiels du sunitinib sur la tumeur primaire et les métastases. Des algorithmes d’apprentissage statistique sont utilisés pour évaluer la valeur prédictive des biomarqueurs sur les paramètres du modèle.Dans la deuxième partie de cette thèse, nous développons un modèle mécaniste pour la prédiction du temps de rechute métastatique et le validons sur des données cliniques des patientes atteintes d’un cancer du sein localisé. Ce modèle offre des prédictions personnalisées des métastases invisibles au moment du diagnostic, ainsi que des simulations de la croissance métastatique future, et il pourrait être utilisé comme un outil de prédiction individuelle pour aider à la gestion des patientes atteintes de cancer du sein.