Nous signalons un intéressant papier de synthèse sur l’état de l’art quant à la modélisation des réadmissions hospitalières.

Quelques informations à retenir :

 A ce jour, pas de modèle unique et fiable pour repérer les patients à haut risque de ré-hospitalisation

 Pathologies où le taux le plus important de réadmissions a été observé : insuffisance cardiaque, les pneumonies, les hépatopathies et l’infarctus du myocarde à sa phase aiguë

 La distinction entre réadmissions programmées et inopinées affecte les résultats des modèles mais le PMSI permet mal de repérer cette distinction.

 Modèles les plus cités dans la littérature pour prédire le risque de réadmission : modèles de régression logistique, modèles de Cox, modèles à hasard proportionnel

 Les tentatives plus récentes de modélisation du risque de réadmission aboutissent à une c statistique de 0.75 à 0.92 pour certaines populations (NB : c statistique = analyse de la discrimination d’un test, c’est-à-dire de sa capacité par rapport au simple hasard à séparer les sujets)

 Principaux facteurs qui influencent les réadmissions : antécédents des patients (ex : plusieurs hospitalisations l’année précédent un séjour, admission par les urgences), durées de séjour, comorbidités

 Les modèles de deep learning (apprentissage profond) sont de plus en plus utilisés et obtiennent généralement de meilleurs résultats que les autres types de modèle de régression classiques

Ce papier est produit par Kaduceo, société spécialisée en analyse de données de santé. Une riche bibliographie l’accompagne.

Source : article « Etat de l’art : Prédiction des réadmissions hospitalières » (Kaduceo – 2019)