Machine Learning pour les DSS

Le projet a été réalisé dans le cadre de la thèse de doctorat de Mme Racda Naïla MEKHALDI. Il est le fruit d’un travail  de recherche menée au LAMIH d’Octobre 2018 à Janvier 2022. Cette recherche s’appuie sur un savoir de terrain apporté par la société ALICANTE spécialisée dans le développement d’outils dédiés au milieu hospitalier.

Au cours des dernières années, les établissements de soins cherchent constamment à optimiser le fonctionnement de leurs services tout en assurant la qualité de ces services. La Durée De Séjour hospitalier (DDS) est un indicateur d’évaluation du rendement des établissements de soins et d’efficacité de la performance des services hospitaliers. De ce fait, l’estimation de la DDS d’un patient non seulement lors de son admission dans un service mais également tout au long de son parcours de soins a fait l’objet de plusieurs études.

La prédiction des DDS contribue à optimiser l’exploitation des ressources des hôpitaux, à améliorer l’organisation des soins grâce à une meilleure planification des activités.

Une étude bibliographique a été réalisée afin de recenser les différents modèles de DDS existants dans un environnement hospitalier. Nous avons ensuite déduit un modèle générique caractérisant la DDS dans plusieurs unités médicales en rajoutant de nouvelles informations définies en se basant sur les besoins quotidiens des hôpitaux. La démarche suivie pour la prédiction de DDS s’appuie principalement sur les techniques d’apprentissage automatique et de fouille de données. Deux modèles de prédiction ont été proposés.

Le premier modèle est statique. Il vise à déterminer la DDS dès l’admission d’un patient à l’hôpital. Pour cela, les données disponibles sur les admissions antérieures et des outils de « machine learning » ont été exploitées. Le travail s’est focalisé, en partie, sur la mise en forme des données, leur « nettoyage », leur complétion, leur normalisation etc.

Le deuxième modèle est de nature dynamique. Il vise à enrichir le premier modèle avec les données qui sont acquises pendant la durée de séjour du patient. La dynamicité du modèle est séquentielle. L’historique des DDS est vu comme une série de données ou d’événements datés qu’il faut lier de manière cohérente.

L’apport de ce projet ne porte pas sur la définition de nouveaux algorithmes d’apprentissage automatique  mais surtout à leur exploitation dans le domaine hospitalier. En effet, la complexité des données médicales est une difficulté importante à laquelle il faut faire face. Cette complexité vient de la grande variabilité de l’origine des données et de leur faible niveau de formalisme (enregistrements manuscrits libres). Les données issues du Programme de Médicalisation des Systèmes d’Informations (PMSI) ont également été utilisées pour l mise en pratique de nos contributions.