L’administration de l’hôpital doit pendant la planification d’un séjour stationnaire d’un patient se poser la question suivante : Combien de temps la chambre sera-t-elle occupée ? Le but est de ne pas avoir à transférer un patient pendant son séjour tout en assurant l’utilisation la plus effective de la capacité en lits.
Le procédé classique pour résoudre le problème est de pré-coder le cas du patient. Ce pré-codage correspond à un DRG provisoire qui présente la durée moyenne de séjour. Bien que cette approche (la Baseline) offre des résultats acceptables, on ne peut pas tirer le maximum théorique des données disponibles. D’ailleurs des distorsions systématiques résultent de l’utilisation du catalogue des forfaits par cas du Swiss DRG puisque les moyennes ne sont calculées que par rapport aux inliers. Ce sont les raisons pour lesquelles nous avons développé une approche basée sur le Deep Learning qui utilise la connaissance tacite de nos vastes stocks de données afin d’optimiser les prévisions de la durée de séjour.
Le modèle développé à ces fins est un réseau neuronal récurrent. De tels réseaux sont utilisés pour l’analyse de données séquentielles, par exemple pour le traitement vocal. Vous trouverez des informations complémentaires pour ce modèle ici. Le modèle attend comme entrée des données qui sont rapidement à disposition au moment de l’admission du patient et qui sont contenues dans le pré-codage. Cela comprend des données démographiques comme l’âge ou le sexe, des diagnostics avec POA-flag (present on admission) ou des interventions planifiées (CHOP). Le modèle fournit comme sortie la durée de séjour prévue du patient. Un modèle défini de telle sorte est d’abord testé puis évalué à l’aide de données de test indépendantes avec des durées de séjour connues. Ainsi, la qualité pronostic du modèle est simulé sous des conditions réelles.
Les valeurs pronostic de la Baseline ont été calculées sur la base des données individuelles au lieu du procédé habituel : avec les valeurs du catalogue des forfaits par cas. En conséquence, la Baseline est déjà plus précise et moins faussée que l’approche habituelle. Sont exclus les DRGs commandés par la durée de séjour et qui ne pouvant pas être regroupés à l’admission, comme, par exemple, les DRG d’une journée.
La performance globale en aperçu :
Notre modèle est en moyenne presque plus précis d’un jour. Quand on répartit ceci encore en DRGs, on obtient de grandes différences de qualité de pronostic. Pour certains groupes de patients, il est plus difficile, par nature, de faire un pronostic. Par conséquence, une planification des capacités se justifie surtout auprès de patients ayant une durée de séjour facilement prévisible.
Les DRGs qui sont les plus faciles à prévoir sont listé en suivant. Pour ces collectifs le pronostic se justifie le mieux. Seuls des DRGs ayant été testés par 25 cas minimum sont listés.
Le modèle d’eonum permet par son investissement constant pour l’administration hospitalière une planification plus précise des capacités des chambres. Cela devrait être appréciée aussi bien par le personnel hospitalier que par les patients.
Nous intégrerons le modèle dans notre logiciel Casematch et l’accueillerons dans l’interface pour les applications tierces. Ainsi, plus rien ne peut entraver une intégration dans les logiciels pour le pré-codage.