Cette étude présente une nouvelle méthode pour construire une stratification du risque basée sur des ML et des explications locales. Ces méthodes pourraient aider les praticiens à ajuster et à construire des protocoles pour d’améliorer les prestations de soins qui reflètent mieux le niveau de risque et le profil du patient.
[…] plusieurs groupes de recherches ont construit des modèles d’aide à la procréation [12] fournissant aux médecins des indications sur les chances de succès et la durée probable de parcours pour un couple donné […]
Afin de réduire les erreurs et de mieux comprendre les prédictions faites par l’IA, l’explicabilité des modèles d’IA est apparu comme champ de recherche. L’explicabilité est défini comme “la mesure par laquelle un être humain peut comprendre la cause d’une décision”
L’analyse automatique d’images a vu ses performances fortement se développer ces dernières années. Ces récentes avancées améliorent la construction de modèles prédictifs en imagerie, en augmentant leur fiabilité et la confiance qu’il est possible de leur accorder…
A partir d’exemples où chaque image est associée à une catégorie, les modèles dits de Machine Learning apprennent à identifier des motifs spécifiques aux observations d’une même catégorie, ce dans l’objectif de distinguer au mieux les différents groupes.
Notre conception du parcours débute au premier enregistrement d’un patient pour un motif dans un établissement de santé jusqu’au dernier événement de sa prise en charge : Enchaînement dans le temps de tous les événements de soins survenant dans le cadre d’une prise en charge médicale.
Suite à une première hospitalisation, les réadmissions pour des pathologies pulmonaires font parties des affections qui génèrent le plus de réadmissions et en conséquence engendrent des dépenses supplémentaires pour la sécurité sociale.
Les parcours de soins des patients s’appuient, en théorie, sur la description d’une prise en charge optimale à partir de recommandations professionnelles. Ces recommandations peuvent être modélisées grâce à différents outils pour la représentation des processus.
L’étude de la réadmission hospitalière pourrait concourir à l’amélioration des parcours de soins mais le sujet est assez complexe. Les différents modèles présents dans la littérature sont difficilement comparables entre eux. Pour prédire le risque de réadmission, une certaine population est souvent ciblée.
L’enjeu principal est de pouvoir fournir des prévisions suffisamment fiables pour pouvoir alerter les hôpitaux dans le cas où un pic d’activité est prévu.
Nous cherchons à proposer un outil capable de donner de la visibilité sur l’activité et permettre ainsi de prévoir les ressources nécessaires.
