S'abonner

Comparaison de méthodes de modélisation des parcours de soins et de classification (clustering) de patients atteints de diabète sur les données du SNDS - 09/06/21

Doi : 10.1016/j.respe.2021.05.006 
Jules Chassetuillier , Charlotte Cancalon, Anaïs Havet, Françoise Bugnard, Stève Benard
 Stève consultants, 30, rue Narcisse Bertholey, 69600 Oullins 

Auteur correspondant.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Résumé

Introduction

La modélisation des parcours de soins est utile pour identifier des profils de patients diabétiques selon leurs consommations de soins afin d’optimiser leur prise en charge.

Objectif

Présenter et comparer différentes méthodes de modélisation des parcours de soins chez des patients diabétiques identifiés dans l’EGB et évaluer l’apport du clustering dans l’analyse des parcours de soins.

Méthodes

Deux méthodes de modélisation ont été comparées :

– « MultiChannel Sequence Analysis » (MCSA) qui étudie l’évolution des consommations de soins quantitativement sur une période d’étude divisée en pas de temps réguliers (trimestres) ;

– modélisation en « séquences de visites » (MSV) qui étudie qualitativement l’évolution des différentes consommations de soins des patients au cours de la période d’étude.

Chaque modélisation permet d’obtenir une matrice de distances (ou dissimilarités), qui indique la proximité entre les différents parcours de soins des patients étudiés. Pour chacune de ces modélisations, une méthode de clustering par Classification Ascendante Hiérarchique (CAH) a été appliquée pour classer les parcours de soins. Ces différentes méthodes ont été appliquées sur une cohorte de patients diabétiques identifiés dans l’Échantillon Généraliste des Bénéficiaires (EGB).

Résultats

Les parcours de soins de1964 patients insulino requérants et insulino dépendants (DTi) ont été modélisés par les méthodes MCSA et MSV et clustérisés par CAH. Quelle que soit la méthode utilisée, trois clusters de parcours de soins sont identifiés avec des résultats comparables pour un des clusters, et variables pour les deux autres. Les deux modélisations des parcours de soins (MCSA et MSV) présentent chacune des avantages et inconvénients notables :

– la modélisation MCSA permet de visualiser facilement l’évolution quantitative des différentes consommations de soins au sein de chaque cluster par trimestre. Elle est rapide d’exécution mais manque cependant de précision sur la succession des différentes consommations de soins ;

– la modélisation MSV considère l’enchaînement des différentes consommations de soins sans prendre en compte le délai entre chacune d’elles.

Elle apporte une précision plus importante sur la succession des consommations de soins étudiées, et permet de mieux visualiser leur évolution dans le temps. Elle nécessite cependant un travail préalable important de catégorisation des consommations de soins (étude qualitative), et demande des temps d’exécution longs. Le clustering des parcours de soins permet ensuite d’obtenir des partitions dont l’interprétation est possible par la mise en œuvre d’outils de visualisation de type Sunburst, chronogrammes ou tapis de séquences.

Conclusion

Les deux méthodes de modélisation génèrent des matrices de dissimilarités qui permettent d’appliquer des algorithmes de clustering. En raison de sa pertinence clinique et de son interprétabilité plus aisée, la méthode MSCA semble la plus adaptée dans le cadre de l’analyse des parcours de soins des patients diabétiques. Les analyses de clustering permettent ensuite, en les catégorisant, de mieux caractériser les parcours de soins, et d’optimiser la prise en charge des patients.

Le texte complet de cet article est disponible en PDF.

Plan


© 2021  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 69 - N° S2

P. S84-S85 - juin 2021 Retour au numéro
Article précédent Article précédent
  • Apport de l’analyse de clustering pour optimiser un algorithme défini à priori – Retour d’expérience et application en diabétologie sur une cohorte de patients issus de l’Échantillon Généraliste des Bénéficiaires (EGB)
  • Jules Chassetuillier, Charlotte Cancalon, Anaïs Havet, Françoise Bugnard, Stève Benard
| Article suivant Article suivant
  • Emulation d’essai clinique randomisé chez des patients atteints d’une sclérose en plaques pour estimer le bénéfice d’un changement de traitement précoce vers un traitement de seconde ligne : approche par scores de propensions dépendant du temps
  • Camille Sabathé, Romain Casey, Sandra Vukusic, Emmanuelle Leray, David-Axel Laplaud, Yohann Foucher

Bienvenue sur EM-consulte, la référence des professionnels de santé.

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.