Modèles d'apprentissage automatique pour prédire et expliquer la congestion à l'urgence

La congestion des services d’urgence est un problème mondial pressant exacerbé par une demande croissante de soins de santé et des ressources limitées, surtout dans le contexte de la pandémie de COVID-19. Générée par un déséquilibre entre les besoins et les ressources, la congestion accentue à son tour la demande en augmentation la morbidité et la mortalité chez les patients, en plus de dépléter les ressources en épuisant le personnel soignant. C’est dans ce contexte qu’est née la collaboration avec l’équipe du Centre Hospitalier de l’Université de Montréal. Avec l’objectif principal de prédire la congestion 24 heures et 48 heures d’avance, nous introduisons une approche novatrice en utilisant le score EDWIN comme mesure objective de la congestion et comme variable dépendante à prédire. Les approches traditionnelles pour évaluer la congestion se basent souvent sur des proxy, tels que l’achalandage ou le nombre d’admissions, plutôt que d’évaluer directement le phénomène de congestion lui-même. En intégrant les notions de temporalité et de logistique hospitalière, notre étude s’est concentrée sur les délais logistiques pour obtenir les services nécessaires à l’urgence, tels les examens diagnostiques et délais de visite médicales, comme variables indépendantes. Reconnaissant la nature dynamique dans le temps de ces variables, des délais spécifiques à chaque variable ont été ajustés à travers une fonction de corrélation croisée pour prédire la congestion. En exploitant des modèles d’apprentissage automatique et d’optimisation, notamment des arbres de décision, forêts aléatoires, arbres boostés par gradient et arbres de classification optimaux, nous prédisons la congestion dans 24 et 48 heures, atteignant des taux de précision élevés de 90,1 % et 89.9 %, respectivement ainsi que des R2 ajustés de 84.9$. De plus, l’intégration de délais spécifiques aux variables à travers une fonction de corrélation croisée améliore significativement les performances des modèles. Notre analyse révèle le rôle pivot des score de congestion passés dans la prédiction des occurrences futures et met en lumière la nature dynamique des étiologies de la congestion. Grâce aux valeurs SHAP et aux valeurs contrefactuelles, nous montrons une variabilité entre les variables importantes à un niveau global et local ainsi qu’une variabilité dynamique dans le temps. Nous présentons un outil prédictif couplé à des méthodes d’intelligence artificielle explicables, offrant des aperçus sur les causes quotidiennes de congestion et aidant les administrateurs dans l’allocation et la planification des ressources. En comblant un vide critique dans la prédiction directe de la congestion et en fournissant des insights exploitables, notre étude contribue à améliorer les pratiques de gestion des services d’urgence et, ultimement, les soins aux patients.