Résumé court:

Nous développons et testons une méthode pouvant être appliquée de façon générale par les hôpitaux pour améliorer la prédiction de réadmission. À l’aide d’algorithmes d’apprentissage-machine de pointe et de données administratives portant sur 1 633 099 séjours hospitaliers au Québec entre 1995 et 2012, nous prédisons lors de l’admission initiale et au moment du congé la probabilité d’une réadmission dans les 30 jours. L’apprentissage profond produit d’excellentes prédictions de réadmission à la grandeur de la province; les forêts d’arbres décisionnels atteignent des niveaux similaires. L’aire sous la courbe sensibilité / spécificité pour ces deux algorithmes atteint plus de 78% au moment de l’admission, et plus de 87% au moment du congé de l’hôpital. Les codes diagnostiques sont parmi les variables les plus prédictives. La facilité de mise en œuvre d’algorithmes d’apprentissage-machine, combinée à une fiabilité validée objectivement, amènent de nouvelles avenues de réduction des coûts dans le système de santé.

Auteurs publication: Damien Échevin, Qing Li et Marc-André Morin
Numéro: 17-05
Année: 2017