La fragilité est fréquente et constitue un prédicteur important de mortalité et de morbidité dans la population âgée. Elle est également associée à une augmentation de la consommation de soins hospitaliers et ambulatoires. Il apparaît donc primordial de monitorer la population fragile ou à risque de fragilité dans un objectif de planification sanitaire et médico-sociale.

Les données de la cohorte lausannoise des personnes âgées de 65 ans et plus (Lc65+) ont été chaînées aux données médico-administratives du Centre hospitalier universitaire Vaudois (CHUV) pour la période 2004–2015. Ces données ont permis de : (1) construire un score de fragilité (score Lc65+) basé sur les codes diagnostiques des séjours des 12 mois précédant l’évaluation du phénotype de fragilité de Fried (PFF) ; (2) développer et valider un algorithme prédictif de la fragilité (score PFF≥3) par modèles de régression et algorithmes d’apprentissage supervisé (« Supervised machine learning »).

Les 1648 participants à la cohorte ont donné lieu à 3497 mesures de PFF : 55,3 % concernaient des femmes, l’âge moyen était de 71 ans et la prévalence de la fragilité était de 5,5 %. Le score Lc65+variait entre 0 et 9, sa moyenne était de 2,1. Le modèle optimal pour prédire la fragilité était le modèle de régression logistique mixte avec l’âge, le sexe, le nombre d’hospitalisations dans les 12 mois précédents et le score Lc65+comme prédicteurs. Pour ce modèle, l’aire sous la courbe ROC estimé par bootstrap était de 0,71 et la sensibilité et la spécificité étaient maximales (0,54 et 0,79) pour un seuil de probabilité prédite de fragilité de 0,2. Le modèle prédisait significativement la mortalité, le nombre d’hospitalisations à 12 mois, la durée de séjour, et l’institutionnalisation.

Les données médico-administratives hospitalières peuvent être utilisées pour identifier les personnes fragiles et estimer leur prévalence dans la population suisse. Notre modèle prédictif montre cependant des performances limitées et pourrait être amélioré par l’utilisation de données cliniques du dossier patient électronique.