Lorsque la demande est variable et que l’information est incomplète, la capacité à prévoir ce qui va se passer est essentielle pour prendre des décisions en temps voulu, allouer les ressources de manière efficace et réduire les risques opérationnels.
Ceci est particulièrement important dans les salles d’urgence, où les accès sont hétérogènes et fluctuent rapidement. Dans ce cas, des décisions telles que l’admission ou la sortie doivent être prises sous la pression du temps (congestion, disponibilité des ressources, contraintes liées aux lits). En l’absence d’outils prédictifs solides, ces choix peuvent s’avérer hâtifs ou incohérents, avec des effets tels que des séjours prolongés et des « embarquements », des retards ou des erreurs dans le parcours diagnostique, un risque clinique-opératoire accru, une utilisation sous-optimale des ressources (admissions évitables ou sorties « fragiles » conduisant à de nouvelles admissions).
Cela nécessite une approche fondée sur les données qui permette de prévoir le risque d’admission ou de réadmission après un retour au service de santé publique, afin d’améliorer à la fois la qualité des soins et l’efficacité opérationnelle.
La mise en œuvre a été développée dans une grande salle d’urgence avec des accès quotidiens à près de 200 patients.
Approche méthodologique
Étape 1 – Analyse multivariée avec modèles interprétables
Utilisation de modèles interprétables pour comprendre quels sont les facteurs qui influencent le plus les nouvelles admissions après un retour aux urgences.
Étape 2 – Sélection des modèles prédictifs les plus précis
Mise en œuvre et comparaison d’un portefeuille de modèles d’apprentissage automatique (par exemple Random Forest et Gradient Boosting) pour estimer la probabilité d’admission à la suite d’une nouvelle visite au SP.
Résultats
Principaux enseignements
Probabilité plus élevée de ré-hospitalisation après une nouvelle admission au SP pour les personnes souffrant de maladies chroniques, d’un âge plus jeune et d’une nationalité étrangère. Certains signes cliniques (paramètres vitaux) et l’arrivée des véhicules d’urgence sont associés à une probabilité plus faible d’hospitalisation ultérieure
Performance des prévisions
Les modèles d’apprentissage automatique, en particulier le Gradient Boosting, ont été plus performants que les approches traditionnelles (modèle logit), atteignant environ 80 % de rappel et de précision, d’où des prévisions plus fiables.
Des décisions plus proactives, une meilleure efficacité
L’intégration des données historiques et des informations en temps réel aide les responsables des SP à prendre des décisions plus éclairées et plus opportunes, améliorant ainsi la qualité des soins et l’efficacité opérationnelle.
