Les données recueillies dans le DPI présentent un intérêt certain pour l’aide à la décision médicale, sous réserve qu’elles soient exploitables dans le cadre de travaux de recherche. L’objectif de notre étude était d’évaluer la capacité d’exploitation de ces données pour prédire, à un mois, le risque de réhospitalisation des patients insuffisants cardiaques.

L’étude a porté sur les patients adultes hospitalisés dans le service de cardiologie du groupe hospitalier Paris Saint-Joseph (GHPSJ) pour un premier épisode d’insuffisance cardiaque (HIC) entre 2015 et 2017. Les données PMSI locales ont permis d’inclure les patients et de caractériser leur éventuel parcours hospitalier en amont et en aval de l’HIC. Les données du DPI ont permis de caractériser l’HIC : compte rendu d’hospitalisation, observations médicales et soignantes, prescriptions médicamenteuses, résultats d’examens complémentaires (résultats d’analyses de biologie médicale, ECG, échocardiographie, coronarographie). La prédiction du risque de réhospitalisation a été construite avec un modèle classificatoire de Forêt Aléatoire. Ce modèle a été entraîné et testé sur deux cohortes différentes. La performance a été évaluée par l’aire sous la courbe ROC (AUC).

Notre étude a porté sur 905 patients ; 1048 variables ont été extraites par requêtage SQL. Un important travail de nettoyage des données (données manquantes ou incohérentes) et de gestion de problèmes (perdus de vue, accès aux données textuelles, vision tronquée du parcours hospitalier) a été nécessaire. Les données textuelles n’ont pas pu être analysées. Le taux de réhospitalisation des patients était de 11,5 % à un mois. L’AUC était de 0,97 pour la cohorte d’entraînement et de 0,67 pour la cohorte de test.

L’analyse des données du DPI pour des travaux de recherche nécessite une phase préalable de qualification importante. Une normalisation de ces données avec recours à des outils d’interopérabilité sémantique constitue une piste qui faciliterait le développement d’études multicentriques. Les résultats prédictifs issus du modèle IA sont perfectibles. Plusieurs aspects sont à reconsidérer, comme les critères d’inclusion, le sur-ajustement du modèle ou une validation prospective.