IntroductionLors de l’épidémie COVID-19 les centres hospitaliers (CH) ont eu 2 problématiques :– prévision de nombre de lits d’hospitalisation ;– prévision du risque d’aggravation d’un patient COVID-19 pour permettre une prise en charge optimale.ObjectifIntérêt des bases de données médico-administratives pour l’aide à la gestion d’une épidémie tant en termes de prédiction des besoins d’hospitalisations que pour l’élaboration de scores prédictifs d’aggravation et de mortalité.MéthodesModèle de prédiction des besoins de lits d’hospitalisation : utilisation des données d’un CH du Grand Est, ayant subi l’épidémie avant le reste de la France, puis du niveau de croissance de l’épidémie en Île-de-France et les caractéristiques propres du CH (modèle de régression exponentielle puis régression de type logistique lorsque l’épidémie s’est ralentie, enfin fonction de type gamma pour la phase de décroissance ; les prédictions ont été effectuées de manière quotidienne, à cinq jours). Modèle de risque d’aggravation (décès, ou nécessité de ventilation assisté ou survenue de SDRA) : modèle de type forêt d’arbres de décision pondérés, établi sur les caractéristiques des patients Covid prouvé vus aux urgences, utilisant les bases de données des urgences, du PMSI, des laboratoires, du dossier médical informatisé, avec un codage au fil de l’eau.RésultatsLa comparaison entre besoins prédits et situation réelle en lits lors des phases croissance, stabilité, décroissance montre une bonne prédiction pour les phases croissance et décroissance, et une surestimation des besoins pour la phase stabilisation : l’erreur moyenne absolue en pourcentage de respectivement 3,9 %, 8,0 % et 14,5 % et de 7,5 % pour toute la période. Prédiction de l’aggravation : entre le 20/03/2020 et 09/05/2020, 619 patients inclus ; 416 (67,1 %) admis, 176 (43 %) ont eu une aggravation 67 (16,1 %) décédés, (respectivement 16,1 %, 16,3 % chez les non admis et admis en réanimation). La sensibilité, spécificité et aire sous la courbe ROC est de respectivement 68 %, 73 % et 0,78. L’âge, la sévérité du scanner, la CRP, et les éosinophiles sont les facteurs les plus importants. Pour l’analyse restreint au risque de décès, la sensibilité, spécificité et aire sous la courbe ROC est de respectivement 63,2 %, 80,9 % et 0,82.ConclusionCes résultats montrent la pertinence des outils de l’intelligence artificielle pour une utilisation médicalisée pertinente des données médico-administratives hospitalières en cas d’épidémie.