Abstract
"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. Ce document de thèse est constitué de 4 parties réparties comme suit. 1-La première partie couvre le cadre théorique de la thèse contenant un rappel du contexte et de la revue de littérature sur la qualité des soins dont la réadmission à 30 jours et la durée de séjour (prolongée) sont des indicateurs importants. Elle enchaîne ensuite sur un rappel conceptuel des différents algorithmes de machine learning utilisés ainsi que l’enjeu autour du compromis entre la performance des modèles et l’interprétabilité des résultats. 2-La deuxième partie traite de la méthodologie explicitant les données et les variables utilisées, ainsi que le choix des métriques. S’en suivent les trois articles qui ont été publiés ou soumis dans le cadre de la thèse, chacun précédé d’une contextualisation avec parfois un rappel des enjeux méthodologiques ou techniques, puis suivi d’une synthèse des conclusions. a.Le premier article prédit la réhospitalisation à 30 jours en utilisant les données structurées provenant de l’Assistance Publique – Hôpitaux de Marseille (APHM) basées sur les données issues du Programme de Médicalisation des Systèmes d’Information (PMSI), et des méthodes classiques de Machine Learning. b.Le deuxième article prédit les séjours prolongés, toujours avec les données de l’APHM, en utilisant également des méthodes classiques de Machine Learning. c.Le troisième article prédit la réadmission à 30 jours en soins intensifs, en utilisant les données publiques MIMIC III du Beth Israel Deaconess Medical Center de Boston. Cette étude a la particularité de réaliser ses prédictions exclusivement avec des données textuelles. 3-La troisième partie cherche à dépasser les limites de ces premières études en prédisant le séjour prolongé en soins intensifs, en fusionnant les données structurées du MIMIC III avec des données textuelles non structurées. Pour ce faire, différentes méthodes de fusion sont expérimentées : a.Utiliser les données tabulaires comme principal support et inclure une représentation tabulaire des données, via une vectorisation (« embedding ») des documents textuels par Transformers b.Utiliser les données tabulaires comme principal support et inclure une représentation tabulaire des données par une vectorisation Bag of Words + LDA (Latent Dirichlet Allocation) ; 4-La quatrième partie discute des résultats dans leur globalité, puis conclut la thèse avec des considérations à la fois techniques, et de santé publique. ", "This thesis is centered on predicting hospital length of stay and readmissions using Machine Learning and Deep Learning methods applied to all usable hospital data (structured and unstructured), still largely underused. Predicting length of stay is an important organizational issue for improving access, quality, and efficiency of care. Preventing readmission is an important step in enhancing the quality and safety of the hospitalized patient’s care. In addition to the iatrogenic risks inherent to any hospitalization, readmissions increase the cost of care, and engender negative impacts on the patients’ quality of life as well as on their relatives. The approach adopted in this thesis is based on using Machine Learning and Deep Learning methods to find the best possible trade-off between performance and interpretability. We demonstrate that with a well-chosen structured data, one can obtain a very good performance (ROC AUC varying from 0.789 to 0.972 on our data), with a satisfactory but not very specific interpretability. Textual data alone provide a somewhat satisfactory performance (ROC AUC varying from 0.723 to 0.848), but with a much more specific and detailed interpretability on risky stays. The best compromise between performance and interpretability is given by mixed data, with on the one hand a very good performance (ROC AUC varying between 0.938 and 0.966) along with a very detailed description of risky stays. This thesis contains 4 main parts distributed as following: 1- The first part covers the theoretical framework of the thesis with a reminder of the context and a literature review on the quality of care, of which 30-days readmission and (prolonged) length of stay are important indicators. It then continues with a conceptual reminder of the different machine learning algorithms used as well as the issue around the trade-off between the performance of the models and the interpretability of the results. 2- The second part deals with the methodology explaining the data and the variables used, as well as the choice of metrics. This is followed by the three articles that were published or submitted as part of the thesis, each preceded by a contextualization with – sometimes – a reminder of the methodological or technical issues, then a summary of the conclusions. a.The first article predicts 30-days readmissions using structured data from the “Assistance Publique – Hôpitaux de Marseille” (APHM) based on the data from the “Programme de Médicalisation des Systèmes d’Information” (PMSI), using classical Machine Learning methods. b.The second article predicts prolonged LOS, again with APHM data, also using classical Machine Learning methods. c.The third article predicts 30-day readmission in intensive care units, using the public MIMIC III data from the Boston Beth Israel Deaconess Medical Center. This study is specifically making its predictions from textual data alone. 3- The third part seeks to go beyond the limits of these first studies by predicting the prolonged stays in intensive care, by merging structured with unstructured textual data of the MIMIC III. To do this, different fusion methods are tested: a.Use tabular data as the main support and include a tabular representation of the data, via an embedding of textual documents by Transformers; b.Use tabular data as the main support and include a tabular representation of the data by vectorization Bag of Words + LDA (Latent Dirichlet Allocation). 4- The fourth part discusses the results in their entirety, then concludes the thesis with both technical and public health considerations."