La durée de séjour est définie comme le nombre de jours entre l'admission à l'hôpital et la sortie. Il s'agit d'un aspect des soins pouvant engendrer des coûts importants pour la plupart des systèmes de santé si la bonne approche n'est pas adoptée. D'autre part, l'optimisation du flux des patients permet d'instaurer des traitements efficaces, de minimiser le temps d'attente et l'exposition aux risques associés à l'hospitalisation, ainsi que d'utiliser les ressources de façon efficace, notamment les lits, le matériel médical et le personnel clinique disponible.
Associer les données hospitalières historiques et l'auto-apprentissage par la machine pour optimiser le flux des patients et la planification des ressources
Les données des Centres de Santé & Services Medicaid montrent qu'un tiers des dépenses de santé aux Etats-Unis est imputable aux hospitalisations. Il est donc essentiel de maîtriser la durée de séjour hospitalier des patients. Cela s'avère cependant complexe. L'âge, le sexe, les antécédents médicaux et un certain nombre d'autres facteurs sont susceptibles d'influencer le nombre de jours entre l'admission à l'hôpital et la sortie.
Heureusement, les outils d'analyse prédictive comme ceux de Minitab peuvent utiliser un grand nombre de données disponibles pour prévoir les résultats pour un patient donné. L'exemple suivant concerne l'initiative d'un établissement hospitalier visant à optimiser la durée de séjour des patients.
Découvrez notre solution dédiée au secteur de la santé
Exemple : Un hôpital s'appuie sur l'analyse prédictive pour anticiper la durée de séjour d'un patient dès son arrivée
Prenons l'exemple d'un hôpital de taille moyenne dans l'Etat de l'Oregon, aux Etats-Unis, qui a pour objectif d'optimiser sa planification et son utilisation des ressources. Son équipe d'excellence opérationnelle possède un fichier de données contenant des informations au sujet d'environ 8 500 patients s'étant présentés à l'hôpital au cours des deux dernières années. Ce fichier contient 21 prédicteurs ou variables d'intérêt, qui peuvent correspondre à des informations d'ordre général comme l'âge, le sexe et l'état civil ou encore à des données médicales, comme le niveau de douleur, la taille de la tumeur et le nombre de globules rouges et de globules blancs. Voici sa feuille de travail dans Minitab :
Notez que la feuille de travail contient 22 colonnes de données. Chacune des 21 premières colonnes représente un prédicteur ou variable permettant de prévoir la durée de séjour d'un patient, tandis que la colonne 22 représente la durée de séjour.
Analyse des données de durée de séjour par arbre de régression
Un algorithme d'auto-apprentissage par la machine "apprend" à un ordinateur comment reconnaître des schémas à partir de données disponibles. Les arbres de classification et de régression (CART®) sont l'un des outils d'analyse prédictive proposés par Minitab. Un arbre de régression est un algorithme d'arbre de décision qui fonctionne en créant un ensemble de règles de type oui/non qui divisent les données en partitions en fonction des paramètres du prédicteur qui séparent le mieux les données en valeurs de réponse similaires. En utilisant cet outil, l'hôpital sera en mesure :
- d'identifier les variables les plus importantes en ce qui concerne la durée de séjour ;
- de découvrir des associations de paramètres de prédicteur qui sont susceptibles d'entraîner une durée de séjour moyenne plus longue ou plus courte ;
- de visualiser les résultats ;
- de créer des règles opérationnelles faciles à comprendre, à utiliser et à mettre en oeuvre dans leurs processus en temps réel.
Pour créer un arbre de régression, une personne de l'équipe d'excellence opérationnelle clique sur Stat > Analyse prédictive > Régression CART®…
Voici la boîte de dialogue renseignée.
Minitab affiche une arborescence dans le panneau de résultats, comme indiqué ci-dessous. Elle prend deux formes différentes, appelées nœuds. Notez que certains nœuds sont divisés pour former d'autres nœuds, tandis que d'autres ne se divisent pas. Les nœuds qui ne se divisent pas sont appelés nœuds terminaux. Chaque nœud terminal de l'arbre de régression représente une association spécifique de paramètres prédicteurs. Le nombre de nœuds terminaux représente la taille de l'arbre. Dans notre exemple, l'arbre fourni par Minitab comporte 10 nœuds terminaux. Ainsi, l'arbre a une taille de 10.
Les résultats affichent également le graphique d'importance relative des variables ci-dessous. Ce graphique classe le taux d'importance relative de chaque variable de prédicteur pour expliquer la variabilité de la durée de séjour des patients. Dans notre exemple, notez que l'âge est la variable la plus importante pour prévoir la durée de séjour. Le stade de cancer, l'état civil, les antécédents de tabagisme, le nombre de tumeurs et la numération leucocytaire permettent également de prévoir la durée de séjour.
Utilisation du modèle pour prévoir la durée de séjour d'un patient
Il est simple d'émettre des prévisions avec ce modèle en utilisant l'option Prévoir… dans Minitab. Ici, nous émettons une prévision pour un nouveau cas :
Les résultats sont donnés ci-dessous :
Dans les paramètres, les résultats indiquent les valeurs saisies pour chaque variable de prédicteur. Juste en dessous des paramètres, sous Prévision, Minitab donne la valeur d'ajustement, qui correspond à la prévision de la durée de séjour dans notre exemple. Grâce à ces informations, l'hôpital peut effectuer la prévision suivante :
Un homme marié de 53 ans…
- atteint de cancer de stade II
- qui n'a jamais fumé
- ayant déclaré une douleur de niveau 4 à son arrivée
- et qui correspond aux autres informations ci-dessus…
…a une durée de séjour attendue de 5,43 jours.
L'équipe d'excellence opérationnelle est désormais en mesure de prévoir la durée de séjour d'un patient de façon plus précise
Avec la régression CART dans Minitab, l'équipe d'excellence opérationnelle de l'hôpital dispose de toutes les données nécessaires pour prévoir avec précision la durée de séjour d'un patient grâce aux informations connues au moment de son arrivée. Connaître la durée de séjour moyenne de patients atteints de différentes maladies lui permet de mieux planifier les ressources selon le moment où elles sont nécessaires.
Souhaitez-vous obtenir une démonstration ou discuter d'autres applications possibles
des solutions d'analyse dans le domaine de la santé ?
