Comparaison de modèles de prédiction de réadmission non planifiée à 30 jours, à partir des entrepôts de données cliniques et des données démographiques - 18/09/20
, A. Bannay c, P. Lemordant b, E. Sylvestre b, E. Chazard d, M. Cuggia b, G. Bouzille b
Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.
Connectez-vous pour en bénéficier!
Résumé |
Introduction |
Maîtriser la proportion de réhospitalisations inattendues est à la fois un enjeu pour la sécurité, le confort des patients, et un enjeu médico-économique.
Méthode |
Nous avons comparé des méthodes statistiques (régression logistique, Cox) et des algorithmes d’apprentissage automatique (amplification de gradient, forêts aléatoires et réseaux de neurones) pour prédire le risque de réadmission hospitalière à 30jours, toutes causes confondues. Les données proviennent de l’entrepôt de données cliniques de Rennes et les données sociodémographiques de l’Insee à l’échelle des quartiers de la ville (IRIS). Les séjours inclus sont les séjours hospitaliers de l’année 2015 correspondant aux critères d’inclusion de la méthodologie nationale pour le calcul du taux de réadmission à 30jours (ATIH-RH30 [1]), c’est-à-dire de patients âgés de 18 ans ou plus, ayant un domicile localisé en France métropolitaine, avec exclusion des séjours itératifs et des hospitalisations en soins palliatifs. Le prétraitement est similaire pour tous les algorithmes. Nous avons comparés les modèles de prédictions binaires avec aire sous la courbe ROC et les modèles à données censurées avec le c-index.
Résultats |
Au total, nous avons inclus 30 051 séjours à l’hôpital, avec un taux de réadmission de 9,3 %. L’aire sous la courbe ROC était de 0,64 pour la régression logistique, de 0,71 pour l’amplification de gradient, de 0,71 pour les forêts aléatoires et 0,65 pour les réseaux de neurones. Pour les modèles à données censurées, le c-index est à 0,64 pour le modèle de Cox et à 0,69 pour le modèle de forêts aléatoires.
Conclusion |
Nous avons obtenu les meilleures performances et la meilleure robustesse pour prédire les réadmissions avec les forêts aléatoires, par ailleurs, les algorithmes mobilisent des données provenant de sources différentes.
Le texte complet de cet article est disponible en PDF.Mots clés : Patient readmission/statistics and numerical data, Machine learning, Data warehousing, Survival analysis, Biomedical informatics
Plan
Vol 68 - N° S3
P. S122 - septembre 2020 Retour au numéro
Article précédent
- Création d’un outil électronique d’évaluation de la réponse thérapeutique par l’imagerie en oncologie : le projet EVA®
- Y. Chateau, R. Schiappa, O. Humbert, D. Chauviere, F. Jacquinot, S. Patriti, G. Baudin, E. Chamorey
- Prédiction individualisée du risque de lymphome folliculaire à l’aide d’une combinaison de la fréquence t(14;18) mesurée dans le sang des années avant le diagnostic et d’un score de risque polygénique (PRS)
- Y. Drouet, S. Roulland, V. Paolo, G. Salles, B. Nadel, H. Ghesquières
Bienvenue sur EM-consulte, la référence des professionnels de santé.