Lenght of stay prediction in hospitals using machine learning
Conception et développement des méthodes de prédiction de la durée de séjour hospitalier centrées sur des techniques de "machine learning"
Résumé
These years, there has been a considerable interest in controlling hospital costs to provide better services. In the context of optimizing health care services and with recent advances in technology, diverse relevant medical information concerning both patient and administrative procedures are available to be exploited in many research areas. These databases are a rich source of information and are extremely interesting. Healthcare institutions, academic researchers and industry organizations in various areas are working in coordination to improve the quality of care and the management of healthcare systems. The Length Of Stay (LOS) is considered as one of the basic indicators to evaluate the performance of care services and care quality which explain the growing interest of predicting the LOS in hospitals. Estimating the LOS at the admission time and during the hospital stay provides an approximation of the patient’s discharge date involving an appropriate planification of care activities. As a result, expecting the acute value of the LOS is useful to highlight a planning strategy for the hospital’s logistics. A review of contemporary literature revealed factors impacting the LOS and a generic model of LOS is proposed. This model includes patient’s demographic information, medical information and administrative information. Moreover, it includes extrainformation related to the period and day of admission and availability of human and material resources. Depending on theses factors, we proposed a model for predicting the LOS based on machine learning process. Thus, two models are presented : the first model predict the LOS on the time of admission and the second model integrate new data available during the hospital stay and so adjust the LOS prediction. The developed models are based on real data from the Program of Medicalization of Information System (PMIS) and can be used for real time LOS prediction in any French healthcare institution.
Au cours des dernières années, les établissements de soins cherchent sans cesse à optimiser le fonctionnement de leurs services tout en assurant la qualité de ces services. La Durée De Séjour hospitalier (DDS) est un indicateur d’évaluation du rendement des établissements de soins et d’efficacité de la performance des services hospitaliers. De ce fait, l’estimation de la DDS au moment de l’admission du patient et durant son séjour hospitalier fait l’objet de plusieurs études. La prédiction des DDS contribue à l’optimisation des ressources des hôpitaux, à l’amélioration de l’organisation des soins et à une meilleure planification des activités. D’abord, une étude bibliographique est réalisée afin de recenser les différents modèles de DDS existants dans un environnement hospitalier. Nous avons ensuite déduit un modèle générique caractérisant la DDS dans plusieurs unités médicales en rajoutant de nouvelles informations définies en se basant sur les besoins quotidiens des hôpitaux. La démarche suivie pour la prédiction de DDS s’appuie principalement sur les techniques d’apprentissage automatique et de fouille de données. Deux différents modèles de prédiction sont proposés. Un modèle statique de prédiction de DDS qui concerne la prédiction de DDS au moment d’admission du patient. Un deuxième modèle ajuste la DDS initialement prédite en intégrant de nouvelles données disponibles au cours du séjour hospitalier. Ce modèle est nommé modèle séquentiel de prédiction de DDS. La complexité des données médicales est une des difficultés principales auxquelles il faut faire face. Les données issues du Programme de Médicalisation des Systèmes d’Informations (PMSI) sont utilisées pour la mise en pratique de nos contributions.
Origine : Version validée par le jury (STAR)