S'abonner

Prédiction du coût hospitalier annuel pour des patients vivant avec le VIH : comparaison de 10 algorithmes de « Machine Learning » sur une cohorte identifiée dans les données PMSI - 07/03/18

Doi : 10.1016/j.respe.2018.01.057 
H. De Oliveira a, b, , M. Prodel a, A. Vainchtock a
a HEVA, Lyon, France 
b Mines Saint-Étienne, center for biomedical and healthcare engineering, UMR CNRS 6158 LIMOS, Saint-Étienne, France 

Auteur correspondant.

Résumé

Introduction

Le PMSI regroupe l’ensemble des données d’activité hospitalières en France. Son exhaustivité permet le développement de méthodes d’analyses innovantes, notamment des modèles prédictifs. Le but de l’étude est d’utiliser ces données afin de comparer les performances de plusieurs modèles d’apprentissage statistique (« Machine Learning ») pour la prédiction de valeurs continues (régression). Cette comparaison est mise en œuvre sur une cohorte de patients vivant avec le VIH, dans le but de prédire leur coût annuel en fonction de leurs caractéristiques.

Méthodes

L’inclusion des patients dans la cohorte est définie par une hospitalisation en lien avec le VIH en 2013. Chaque patient est suivi pendant un an pour évaluer les coûts de prise en charge de tous ses séjours. Dix groupes de comorbidités et cinq types d’infections opportunistes liées au VIH ont été sélectionnés. Avec l’âge et le sexe du patient, ces informations constituent les données d’entrées utilisées pour l’entraînement de 10 modèles prédictifs. Elles permettent de prédire le coût annuel des patients. Chaque algorithme a été optimisé pour minimiser la moyenne des erreurs absolues.

Résultats

La cohorte rassemble 30 169 patients. Le coût total est de 180 millions d’euros, soit un coût moyen de 5981€ par patient. Après optimisation, « Gradient Boosting Descent » apparait comme l’algorithme le plus performant, avec une erreur absolue moyenne de 3506€ (soit une réduction de 45 % par rapport à une prédiction simpliste et systématique du coût moyen). En regardant ce critère, mais aussi la moyenne des erreurs au carré et le coefficient de détermination, le réseau de neurones obtient les performances les plus équilibrées.

Discussion/Conclusion

Dans une optique de prédiction des coûts en fonction d’informations sur les patients, cette étude identifie l’algorithme le plus performant parmi les 10 modèles étudiés. Les meilleurs algorithmes identifiés dans cette étude peuvent être utilisés pour la prédiction de coûts dans d’autres aires thérapeutiques.

Le texte complet de cet article est disponible en PDF.

Mots clés : Machine Learning, Comparaison, PMSI, VIH, Coûts de prise en charge


Plan


© 2018  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 66 - N° S1

P. S27 - mars 2018 Retour au numéro
Article précédent Article précédent
  • Évaluation de l’intérêt de l’utilisation d’outils de fouille de données textuelles pour le codage du PMSI
  • C. Dunoyer, M. Morell, D. Pellecuer
| Article suivant Article suivant
  • Géographie et incidence de la chirurgie de cataracte primaire en France
  • C. de Peretti, P. Oberlin, M. Villain, V. Daien

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.