Logibec se lance dans l'analyse prédictive et l'apprentissage automatique pour aider à prévenir les réadmissions hospitalières

Cet article est le premier d'une série portant sur les progrès de la Collaboration de recherche sur les réadmissions de Logibec.

____ 

Logibec travaille en partenariat avec trois établissements de soins de santé du Québec, au Canada, afin de développer et valider un modèle de prédiction du risque de réadmission hospitalière qui identifiera la probabilité qu’un patient soit réadmis dans les 45 jours suivants son congé de l’hôpital. 

Reconnues pour être coûteuses, les réadmissions non planifiées sont un enjeu important pour les établissements de soins de santé qui travaillent à offrir les meilleurs soins à leurs patients. Dans le but de réduire le nombre de réadmissions non planifiées, un grand nombre de pratiques exemplaires et d’interventions innovatrices à déployer au moment de la sortie de l’hôpital du patient et portant sur la transition de soins ont vu le jour dans diverses juridictions. Il existe cependant encore peu de données probantes sur l’efficacité de ces interventions à réduire le nombre de réadmissions non planifiées. Il faut aussi souligner que le retour sur investissement des interventions visant à réduire les réadmissions repose en partie sur la capacité de l'hôpital à repérer avec précision les patients à risque d’être admis de nouveau, pour ainsi cibler leurs efforts vers ces derniers et obtenir un réel impact à la baisse sur le nombre de réadmissions.

Au cours des dernières années, les modèles de prédiction du risque de réadmission hospitalière ont pris de l'ampleur. Cette tendance s'explique par la puissance accrue des technologies informatiques et un meilleur accès aux données électroniques des patients qui ont permis de rendre disponible l’utilisation de modèles de prédiction et d’outiller les hôpitaux dans la gestion préventive des personnes à risque élevé de réadmission. C’est particulièrement le cas aux États-Unis depuis l’entrée en vigueur du Programme de réduction des réadmissions à l’hôpital de Medicare (Medicare's Hospital Readmissions Reduction Program) établi dans la Loi sur les soins abordables (Affordable Care Act) qui impose une pénalité financière aux hôpitaux qui ont un taux de réadmission excessif.

Le Collaboration de recherche sur les réadmissions de la phase I à la phase II

Avec nos partenaires, le Centre hospitalier de l'Université de Montréal (CHUM), le CIUSSS du Nord-de-l'Île-de-Montréal et le CISSS de Laval, les deux premiers objectifs de la Collaboration de recherche consistaient à passer en revue la littérature disponible sur la performance des modèles de prédiction des réadmissions et à effectuer une validation externe de la performance de l'indice LACE. Nos premiers résultats ont été présentés à Boston lors du Congrès 2017 de l’Association internationale d’économie en santé (2017 International Health Economics Association Congress).

 L'indice LACE utilise quatre variables pour prédire le risque de décès ou de réadmission en 30 jours d’un patient suivant sa sortie de l’hôpital. Il a été développé en Ontario en 2010 par van Walraven et coll. à partir de données clinico-administratives provenant de 11 hôpitaux. Nous avons validé la performance de l'indice LACE à prédire adéquatement le décès ou la réadmission en 30 jours sur l’ensemble des patients adultes hospitalisés (à l'exception des admissions en soins psychiatriques, obstétricaux ou palliatifs) en appliquant l'indice LACE aux données historiques de nos trois partenaires (trois études distinctes).

Pour les patients qui en sont à leur première hospitalisation, c'est-à-dire sans historique de soins de courte durée, nos résultats révèlent que l'indice LACE est un faible indicateur de prédiction du risque de décès ou de réadmission. En effet, les trois études ont obtenu une statistique C inférieure à 0,7. La statistique C est une mesure de performance globale commune pour évaluer le pouvoir discriminant d’un modèle de prédiction, c’est-à-dire la capacité du modèle à discriminer (catégoriser) les patients qui seront réadmis et ceux non réadmis. Une valeur de 0,5 de la statistique C indique que le modèle n’est pas mieux que le hasard pour faire une prédiction. Les modèles de prévisions sont généralement considérés comme raisonnables lorsque la capacité discriminatoire (statistique C) est supérieure à 0,7, et fiable lorsque la statistique C est supérieure à 0,8.

Pour les patients avec multiples hospitalisations et en sélectionnant de façon aléatoire l’une d’entre elles, la statistique C de l'indice LACE a atteint 0,72 pour deux des trois organismes. Par contre, d’autres tests sur la qualité de l’adéquation (calibration) de l’indice LACE n’ont pas été satisfaisants. Les résultats irréguliers de l'indice LACE témoignent de l'importance de procéder à des tests de validation avant d'adopter en milieu hospitalier un modèle de prédiction existant. 

La Collaboration de recherche a entamé la phase II. L’équipe BI de Logibec, composée d'experts en modélisation et en technologie d’apprentissage automatique, développe actuellement un nouveau modèle de prédiction du risque de réadmission qui répond à notre contexte local. Nous construisons le modèle en utilisant des méthodes statistiques traditionnelles et des méthodes d'apprentissage automatique, et comparons les résultats de performance globale et de calibration afin de déployer un prototype offrant le plus haut niveau de précision. 

La rigueur et l’attention portées aux données sélectionnées à l’élaboration du modèle de prédiction sont garantes de sa fiabilité dans le monde réel!

____

Si vous désirez en savoir plus sur notre approche et nos méthodes de recherche, veuillez communiquer avec Alexandra Constant - Économiste de la santé à l’adresse courriel suivante : alexandra.constant@logibec.com.