Comparaison de modèles de prédiction de réadmission non planifiée à 30 jours, à partir des entrepôts de données cliniques et des données démographiques

Introduction Maitriser la proportion de rehospitalisations inattendues est a la fois un enjeu pour la securite, le confort des patients, et un enjeu medico-economique. Methode Nous avons compare des methodes statistiques (regression logistique, Cox) et des algorithmes d’apprentissage automatique (amplification de gradient, forets aleatoires et reseaux de neurones) pour predire le risque de readmission hospitaliere a 30 jours, toutes causes confondues. Les donnees proviennent de l’entrepot de donnees cliniques de Rennes et les donnees sociodemographiques de l’Insee a l’echelle des quartiers de la ville (IRIS). Les sejours inclus sont les sejours hospitaliers de l’annee 2015 correspondant aux criteres d’inclusion de la methodologie nationale pour le calcul du taux de readmission a 30 jours (ATIH-RH30 [1] ), c’est-a-dire de patients âges de 18 ans ou plus, ayant un domicile localise en France metropolitaine, avec exclusion des sejours iteratifs et des hospitalisations en soins palliatifs. Le pretraitement est similaire pour tous les algorithmes. Nous avons compares les modeles de predictions binaires avec aire sous la courbe ROC et les modeles a donnees censurees avec le c-index. Resultats Au total, nous avons inclus 30 051 sejours a l’hopital, avec un taux de readmission de 9,3 %. L’aire sous la courbe ROC etait de 0,64 pour la regression logistique, de 0,71 pour l’amplification de gradient, de 0,71 pour les forets aleatoires et 0,65 pour les reseaux de neurones. Pour les modeles a donnees censurees, le c-index est a 0,64 pour le modele de Cox et a 0,69 pour le modele de forets aleatoires. Conclusion Nous avons obtenu les meilleures performances et la meilleure robustesse pour predire les readmissions avec les forets aleatoires, par ailleurs, les algorithmes mobilisent des donnees provenant de sources differentes.