Exploration et comparaison d'outils statistiques pour la prédiction du temps de guérison d'une plaie

Présentement, dans la province de Québec, près de 40% du budget total du gouvernement est alloué au secteur de la santé. Avec le phénomène du constant vieillissement de la population, on suppose que ce chiffre ne cessera de s'accroître dans les prochaines années. En effet, nous constatons qu'actuellement près de 18% de la population est âgée de plus de 65 ans et les experts prévoient encore une augmentation de cette population pour toute la décennie à venir. Il est donc d'une importance cruciale de développer des outils ainsi que des méthodes efficaces pour diminuer les coûts en santé tout en conservant des soins optimaux pour les patients. Une option intéressante pour diminuer ces coûts est l'utilisation du service de soins à domicile. Les patients reçoivent des soins à domicile pour diverses raisons comme par exemple, la préparation des médicaments ou encore les soins des plaies. Donc, une problématique importante touchant cette population spécifique des personnes âgées, concerne les plaies. Nous avons travaillé en collaboration avec une agence d'infirmières de soins à domicile provenant de l'Ontario. Sur l'ensemble de leurs patients, près de 40% reçoivent des soins en lien avec une problématique de plaies. L'objectif de ce projet est de prédire le temps de guérison d'une plaie. Pour ce faire, nous avons utilisé des algorithmes d'intelligence machine. Ainsi, en ayant la possibilité de prédire correctement la durée de soins à donner pour un nouveau patient, le gestionnaire en charge pourra utiliser de façon plus judicieuse et efficiente les ressources infirmières de son équipe. Pour réaliser ce projet, nous avons utilisé les données qu'a récoltées notre partenaire, la compagnie AlayaCare. L'agence d'infirmières emploie le logiciel qu'a créé AlayaCare pour inscrire les informations des patients. Après avoir anonymisées les données, il a été possible de les utiliser pour notre recherche. Nous avons donc tenté, en analysant les observations présentes dans la base de données obtenue, de prédire correctement le temps de guérison d'une nouvelle plaie chez un patient. Deux types de modèles de prédiction sont utilisés pour ce faire soit de régression, pour trouver un nombre de jours exact pour la variable cible ou encore la classification pour déterminer dans quel intervalle se trouve notre variable cible. Les méthodes appliquées sont la régression linéaire, la régression logistique, les arbres de décision et les forêts aléatoires. De nombreuses modifications et analyses des bases de données pour ce projet furent réalisées pour rendre les données utilisables avec les algorithmes choisis. Par exemple, les valeurs manquantes ainsi qu'extrêmes et aberrantes ont été imputées ou encore supprimées. Nous avons aussi fait des analyses des variables disponibles. Concernant nos résultats pour les modèles de classification, le taux de bonne classification se situe entre plus de 52% et plus de 86%. L'importante différence ici, existe pour plusieurs raisons. Entre autres, parce que nous avons ajouté des classes dépendant des essais effectués. Ainsi, il est plus difficile pour un modèle de prédire correctement lorsqu'il y a un plus grand nombre de classes. Pour les résultats des modèles de régression, le nombre de jours d'erreurs moyens se situe entre 20 et 33 jours. À ce stade, il est impossible d'affirmer ou d'infirmer si nos résultats sont satisfaisants. Or, nous avons été en mesure de répondre à notre objectif qui était de prédire le temps de guérison d'une plaie. De nombreux essais ont été réalisés pour déterminer quel modèle présentait les meilleurs résultats. À chaque essai, nous avons modifié les paramètres de nos modèles pour trouver les meilleurs résultats. On remarque cependant que la base de données utilisée n'est pas optimale et que beaucoup d'erreurs semblent s'y être glissées, c'est une des principales limites de nos résultats. À plusieurs reprises, les données sont manquantes ou même erronées à certains endroits. Par exemple, dans plus de 10% des cas, il y a une valeur manquante pour la variable longueur de la plaie. De plus, de nombreux facteurs qui influencent la guérison d'une plaie ne sont pas présents dans la base de données telle que la présence de tabagisme ou encore d'alcoolisme. Une base de données plus complète c'est-à-dire avec un nombre moindre de valeurs manquantes et avec l'ensemble de variables explicatives nécessaires pour prédire la cible aurait pu nous donner de meilleurs résultats. Cependant, certaines lacunes peuvent aussi s'être glissées dans notre méthodologie. Par exemple, nous aurions pu modifier davantage de paramètres dans nos modèles ainsi il aurait peut-être été possible d'obtenir des résultats plus concluants. Malgré tout, force est de constater que nos résultats peuvent quand même apporter une certaine amélioration dans le fonctionnement de la compagnie d'infirmières à domicile. En effet, en obtenant des informations plus complètes au sujet des patients, le gestionnaire pourra améliorer sa gestion pour les horaires des infirmières.