Prédiction des hospitalisations à partir des données patients dans un réseau de structures d’hébergement médico-sociales belges

Details

Supervisors

Creemers, Stefan

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

frContexte : La prédiction dans le milieu hospitalier est encore à un stade expérimental dans beaucoup de domaines de la médecine et très peu de documentations existent dans les milieux médico-sociaux. Pourtant, l’hospitalisation des patients placés dans des foyers pour personnes atteintes de troubles mentaux ou psychologiques constitue un problème organisationnel pour les établissements. En effet, ces résidences manquent d’outils de prévention axés sur les risques des patients. Objectif : Ce mémoire propose une comparaison de 3 modèles prédictifs différents, capables de prédire les hospitalisations futures dans les 30 jours sur base de données quotidiennes des résidents. L’étape finale du pipeline est la création automatique d’une liste de patients considérés comme « à risque » par établissement. Cette liste pourra être utilisée par le personnel soignant pour prévenir une hospitalisation. Méthodologie : L’étude s’appuie sur des données réelles de 1 356 patients répartis dans 43 foyers belges. Ces données comprennent 73 416 observations longitudinales (mesure de l’indice de masse corporelle) ainsi que 18 variables prédictives. Trois architectures sont comparées : une Forêt Aléatoire (Random Forest), un Gradient Boosté Extrême (Extreme Gradient Boosting) avec une optimisation bayésienne des hyperparamètres via l’ajout du cadre Optuna (Akiba et al., 2019), et un réseau de neurones artificiel de type Perceptron Multicouche (Multylayer Perceptron). Les performances sont présentées via le cadre SHAP (SHappley Additive exPlanations), via la courbe Précision-Rappel, via la courbe AUC-ROC (Area Under the Receiver Operating Characteristic curve), et le coefficient Kappa est calculé au point de Youden comme référence neutre. Résultats : le modèle Gradient Boosté Extrême avec Optuna obtient les meilleurs résultats sur tous les critères. L’AUC-ROC atteint 0,736 et témoigne d’une bonne capacité de discrimination. À titre de comparaison, un modèle aléatoire obtient 0,5 et les études menées sur des populations similaires obtiennent des valeurs comprises entre 0,71 et 0,83. La précision moyenne s’élève à 0,088 contre 0,024 pour une référence aléatoire, ce qui signifie que le modèle est environ 3,7 fois plus performant qu’un tirage au hasard dans un contexte où les hospitalisations restent rares (2,6% des cas). Le premier décile des scores concentre 36,8% des hospitalisations réelle et les 2 premiers déciles en capturent 52,7%. En ciblant seulement 20% des patients les plus à risque, il est donc possible d’anticiper plus de la moitié des hospitalisations. Le coefficient Kappa obtient 0,062, cette valeur assez faible est liée au fort déséquilibre des données (36,8 cas négatifs pour un cas positif). Elle doit être comparée entre modèles plutôt qu’en valeur absolue. En conclusion : Dans un contexte parmi les plus difficiles de la prédiction médicale (population vulnérable, grand déséquilibre, variables limitées), le pipeline produit des résultats proches de la littérature et crée une liste de patients à surveiller au format tableur pour permettre au personnel soignant de prioriser leur attention.