" />
Apports des méthodes de machine learning et de deep learning dans la prédiction des
durées de séjours hospitalières et des ré-hospitalisations - CISMeF
Apports des méthodes de machine learning et de deep learning dans la prédiction des
durées de séjours hospitalières et des ré-hospitalisationsDocument
Titre : Apports des méthodes de machine learning et de deep learning dans la prédiction des
durées de séjours hospitalières et des ré-hospitalisations;
Description : Cette thèse traite de la prédiction des durées de séjours hospitalières et de réhospitalisations
à partir de méthodes de Machine Learning et de Deep Learning appliquées à l’ensemble
des données hospitalières exploitables (structurées et non structurées), largement
sous-utilisées à l’heure actuelle. La prédiction des durées de séjour hospitalières
est un enjeu organisationnel important pour améliorer l’accès, la qualité et l’efficience
des soins. La prévention des réhospitalisations constitue un enjeu important pour
la qualité et la sécurité des prises en charge du patient hospitalisé ; les réhospitalisations
ont un impact négatif sur la qualité de vie des patients et de leurs proches en plus
des risques iatrogènes inhérents à toute hospitalisation, et alourdissent le coût
de la prise en charge. La démarche suivie au cours de cette thèse a consisté à utiliser
des méthodes de Machine Learning et de Deep Learning pour rechercher le meilleur compromis
possible entre performance et interprétabilité. Nous démontrons que les données structurées
bien choisies permettent d’obtenir une très bonne performance (ROC AUC variant de
0.789 à 0.972 sur nos données), avec une interprétabilité satisfaisante mais peu spécifique.
Les données textuelles seules ont une performance plus que satisfaisante (ROC AUC
variant de 0.723 à 0.848), mais avec une interprétabilité beaucoup plus spécifique
et détaillée sur les séjours à risque. Le meilleur compromis entre performance et
interprétabilité est donné par les données mixtes, avec d’un côté une très bonne performance
(ROC AUC variant entre 0.938 et 0.966) et simultanément des descriptions très détaillées
des séjours à risques.;
Pays