État de l'art : Prédiction des réadmissions hospitalières

Kaduceo - 2019

En France, selon les rapports de l’ATIH (Agence Technique de l’Information sur l’Hospitalisation), 12% des patients hospitalisées en 2017 ont été réadmis dans un délais de 30 jours. La prédiction des réadmissions pourrait aider les professionnels de santé à identifier des groupes de patients à risque et ainsi mettre en place des dispositifs afin d’améliorer la qualité des soins. 

Les données médico-administratives, issues du Programme de Médicalisation du Système d’information (PMSI), qui contiennent des informations diverses sur les patients (sexe, âge, lieu de résidence), le séjour (établissement de santé, durée de séjour, mode d’entrée et de sortie, diagnostics, actes réalisés pendant le séjour) ainsi que des informations de valorisation économique (groupe homogène de malade – GHM, suppléments), constituent une base de données importante pour fouiller les facteurs qui influenceraient potentiellement ces réadmissions. Ces données ont déjà servi pour prédire le risque de réadmission dans le contexte français (7, 11, ..).

Le sujet de la prédiction des réadmissions est donc un sujet qui présente un intérêt réel et qui est abordé par plusieurs acteurs globalement. A ce jour et à notre connaissance il n’y a pas de modèle unique et fiable pour repérer les patients à haut risque de ré-hospitalisation.

0 %
Réadmission à 30 jours

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. Par exemple, les pathologies où le taux le plus important de réadmissions a été observé sont l’insuffisance cardiaque, les pneumonies, les hépatopathies et l’infarctus du myocarde à sa phase aiguë. Les personnes âgées présentent également un fort risque de réadmission (6, 13, 14, ..). Les investigateurs ciblent souvent l’une de ces populations ou plusieurs à la fois ou encore d’autres populations qui présentent un intérêt particulier à un moment donné. Les données employées pour l’élaboration des modèles sont essentiellement des données médico-administratives, mais qui sont souvent incomplètes ou mal renseignées et difficilement comparables entre hôpitaux, régions et pays. De plus, certaines limitations pourraient empêcher l’obtention d’une qualité optimale de modèle: il a été démontré que la distinction entre réadmissions programmées et inopinées affecte les résultats de ces modèles (12, 17) or il est difficile de faire cette distinction au sein des données du PMSI. Par ailleurs il est également difficile de démontrer un lien clair entre le premier séjour du patient et celui de sa réadmission (7, 11). 

En prenant en compte ces limitations, le machine learning, ou apprentissage automatique, pourrait contribuer à l’extraction d’un maximum d’informations des données disponibles et nous apporter d’importantes indications concernant les patients à risque de réadmission et ainsi aider les hôpitaux et les professionnels de santé à mieux y faire face.

Le sujet de la réadmission des patients à l’hôpital est un sujet qui intéresse les professionnels de santé depuis le début des années 80 et ces réadmissions ont rapidement commencé à être prises en compte en tant qu’indicateurs de la qualité des soins aux États-Unis et ailleurs (1, 2, 3, 5). Les modèles les plus cités dans la littérature pour prédire le risque de réadmission sont des modèles de régression logistique ainsi que des modèles de Cox ou des hasards proportionnels. Ces derniers prennent en compte le temps de survenue d’un éventement (p. ex. la réadmission) ainsi que les patients qui n’ont pas été réadmis à un certain délais choisi (p.ex. 30 jours) en tant que données «censurées». Ces types de modèles présentent l’avantage d’être facilement interprétables car ils permettent d’inférer non seulement sur le risque de réadmission mais aussi sur l’effet des différents facteurs analysés (6, …, 13, 17, 42) . Les premières tentatives de modélisation du risque de réadmission jusqu’aux années 2011 environ donnaient des résultats très modestes en ce qui concerne la qualité discriminante des modèles élaborés (c statistique en dessous de 0.70 pour la majorité des modèles) (6, 12, 39) mais les tentatives plus récentes de modélisation aboutissent à une c statistique de 0.75 à 0.92 pour certaines populations (17, 42).

Les travaux effectués sur le sujet ont permis de mettre en évidence des facteurs pertinents qui influenceraient les réadmissions. Parmi eux, ceux qui sont le plus cités : les antécédents des patients (par exemple plusieurs hospitalisations l’année précédent un séjour), la durée du séjour ainsi que les comorbidités du patient. A partir de ces travaux, des indicateurs de risque de réadmission ont pu été développés. Notamment l’index  PARR  développé  au  Royaume-Uni comprend 7 facteurs explorant l’âge, les antécédents d’hospitalisation, les comorbidités et la précarité, mais sa sensibilité est très faible pour identifier les réadmissions à 30 jours (22, 17, 43). L’index LACE développé  au  Canada   comprend  4  facteurs  explorant  la  durée  de  l’hospitalisation, l’admission en urgence, le nombre de comorbidités et le nombre de recours aux urgences depuis 6 mois. Il a été validé pour repérer les risques de ré-hospitalisation à 30 et 90 jours chez les insuffisants cardiaques et en population générale, mais peine encore à faire des prédictions précises pour toutes les pathologies et populations (34, 35, 36, 37, 38, 17, 43). Ces indicateurs utilisent les estimations des coefficients liés à chaque facteur et obtenues via modélisation logistique pour calculer un score de risque pour chaque patient. 

Outre les modèles logistiques, d’autres techniques d’apprentissage automatique ont été exploitées ou améliorées dans le but de prédire le risque de réadmission précoce des patients. Pour en citer quelques unes, les Support Vector, Machines souvent traduits par l’appellation de Séparateurs à Vaste Marge (SVM), ou encore les arbres de décision (AD) qui emploient une représentation hiérarchique de la structure des données sous forme des séquences de décisions (tests) en vue de la prédiction d’un résultat ou d’une classe (9, 18, 20, 21, 42). Ces modèles-là ne sont pas encore largement utilisés mais pourraient donner des résultats intéressants.

L’intelligence artificielle pourrait faire avancer la recherche sur le sujet de la prédiction des réadmissions hospitalières. Les modèles de deep learning, ou apprentissage profond, sont de plus en plus utilisés dans ce but et obtiennent généralement de meilleurs résultats que les autres types de modèle (23,.., 30). Leurs structures sont complexes mais un effort d’interprétation des résultats qu’ils fournissent commence à se faire activement. Ces efforts d’interprétation sont inspirés de la reconnaissance d’image, domaine qui profite déjà énormément de l’apprentissage profond. Des méthodes d’évaluation de l’importance des variables explicatives (ou facteurs) sont en train d’être élaborés : les facteurs sont comparés à des pixels d’une image. Le modèle est construit de façon itérative, en enlevant les facteurs un par un et ainsi l’importance de l’information que chaque facteur est estimée (31, 32).

Les études comparatives récentes indiquent que les résultats obtenus avec les différents modèles présentent encore une trop grande variabilité (c statistique qui peut varier de 0.21 à 0.92 selon les études). La majorité des modèles utilisés sont des modèles statistiques classiques (régression logistique); dans l’avenir il est attendu de voir de plus en plus de modèles d’apprentissage automatique pour traiter ce sujet. Certains modèles plus récents atteignent un très fort pouvoir discriminant (17, 40, 41, 42). Or ces modèles manquent parfois de validation (interne et/ou externe). Ils sont alors difficilement généralisables à des populations autres que celles étudiées. Les deux modèles qui arrivent à obtenir une c-statistique supérieure à 0.80 (40, 41) tentent de distinguer entre réadmissions programmées et inopinées et se concentrent sur les réadmissions qu’ils considèrent comme programmées. Cependant cette distinction est très difficile à faire (17, 42, 44, 45), notamment avec les données du PMSI.  Une autre raison de l’amélioration de la qualité des modèles au fur et à mesure des années est potentiellement liée au fait que le délais d’une réadmission dans les 30 jours a été ciblé comme plus pertinent, les études précédentes prenant en compte des délais qui variaient entre 7 jours et 2 ans et ainsi négligeant souvent l’évolution des patients dans le temps. Néanmoins les résultats restent globalement assez modestes (17, 39, 42). Les dernières revues comparatives qui considèrent des études publiées après 2011 mettent en évidence seulement 10 modèles sur 73 dont la c-statistique dépasse 0.70 (17) et 19% des modèles  environ dont la c-statistique dépasse 0.75 pour une revue plus récente (42).

Au sein de KADUCEO nous nous intéressons à la modélisation du risque de réadmission. Nous travaillons sur plusieurs techniques que nous appliquons aux données issues du PMSI tout en intégrant des données extérieures afin d’enrichir au maximum nos modèles. Par exemple nous avons intégré, avec les données médico-administratives, des données météorologiques (température, vent, visibilité, etc). Nous pensons que les nouvelles méthodes d’apprentissage automatique pourraient être appliquées pour répondre à cette problématique, en combinaison avec les modèles classiques, de façon à obtenir une bonne qualité de prédiction tout en gardant une bonne interprétabilité.

 

Facteurs pertinents

  • Antécédents du patient
  • Durée du séjour
  • Comorbidités
  • Âge

Bibliographie

1. Jencks SF, Williams M, Coleman MV.Rehospitalizations among patients in the medicare fee-for service program. N EnglJ Med 2009;360:10.2 – Centers for Medicare and Medicaid Services.

2. Community-based care transitions program. http://innovation.cms.gov /initiatives / CCTP /, visité 2019.

3. Blanc, Anne-Laure & Fumeaux, Thierry & Stirneman, Jérôme & Bonnabry, Pascal & Schaad, Nicolas. (2017). Hospital readmissions : Current problems & perspectives. Revue Medicale Suisse. 13. 117-120.

4. Bahrami, S., Holstein, J., Chatellier, G., Le, Y. R., & Dormont, B. (2008). Using administrative data to assess the impact of length of stay on readmissions: study of two procedures in surgery and obstetrics. Revue d’epidemiologie et de sante publique, 56(2), 79-85. 

5. OR, Z., & RENAUD, T. (2009). Quel lien entre volume d’activité des hôpitaux et qualité des soins en France?. Questions d’économie de la santé, (149), 1-6. 

6. Kansagara D, Englander H, Salanitro A, et al. Risk prediction models for hospital readmission: a systematic review. JAMA. 2011;306(15):1688-98. 

7. Yilmaz, E., & Vuagnat, A. (2015). Tarification à l’activité et réadmission. Économie et Statistique, 475(1), 71-87. 

8. Fisher SR, Graham JE, Krishnan S, Ottenbacher KJ. Predictors of 30-Day Readmission Following Inpatient Rehabilitation for Patients at High Risk for Hospital Readmission. Phys Ther. 2015;96(1):62-70. 

9. Frizzell JD, Liang L, Schulte PJ, et al. Prediction of 30-Day All-Cause Readmissions in Patients Hospitalized for Heart Failure: Comparison of Machine Learning and Other Statistical Approaches. JAMA Cardiol. 2017;2(2):204–209. doi:10.1001/jamacardio.2016.3956 

10. Zhao P, Yoo I (2017) A Systematic Review of Highly Generalizable Risk Factors for Unplanned 30-Day All-Cause Hospital Readmissions. J Health Med Informat 8:283. doi: 10.4172/2157-7420.1000283 

11. Mercier, G., Spence, J., Ferreira, C., Delay, J. M., Meunier, C., Millat, B., … & Seguret, F. (2018). Postoperative Rehabilitation May Reduce the Risk of Readmission After Groin Hernia Repair. Scientific reports, 8. 

12. Hansen LO et al. Interventions to reduce 30-day rehospitalization: a systematic re-view. Ann Intern Med 2011;155(8):520-8. 

13 .Franchi C et al. Risk factors for hospital readmission of elderly patients. Eur J In-tern Med 2013;24(1):45-51. 54. 

14. Dharmarajan  K et  al. Diagnoses  and Timing  of  30-Day  Readmissions  After Hospitalization  for  Heart  Failure,  Acute Myocardial Infarction, or Pneumonia.JAMA 2013;309(4):355-363.

15 . Robinson, R., & Hudali, T. (2017). The HOSPITAL score and LACE index as predictors of 30 day readmission in a retrospective study at a university-affiliated community hospital. PeerJ, 5, e3137. 

16 .Garrison GM, Robelia PM, Pecina JL, Dawson NL. Comparing performance of 30-day readmission risk classifiers among hospitalized primary care patients. Journal of Evaluation in Clinical Practice. 2016 doi: 10.1111/jep.12656. 

17.  Zhou H, Della PR, Roberts P, Goh L, Dhaliwal SS. Utility of models to predict 28-day or 30-day unplanned hospital readmissions: an updated systematic review. BMJ Open. 2016;6(6):e011060. doi: 10.1136/bmjopen-2016-011060

18. Cui, S., Wang, D., Wang, Y., Yu, P. W., & Jin, Y. (2018). An improved support vector machine-based diabetic readmission prediction. Computer methods and programs in biomedicine, 166, 123-135. 

19. Fuhrman, C., Moutengou, E., Roche, N., & Delmas, M. C. (2017). Prognostic factors after hospitalization for COPD exacerbation. Revue des maladies respiratoires, 34(1), 1-18. 

20 . Lee, E. W. (2012). Selecting the best prediction model for readmission. Journal of Preventive Medicine and Public Health, 45(4), 259. 

21 . Natale, J., & Wang, S. (2013). A decision tree model for predicting heart failure patient readmissions. In IIE Annual Conference. Proceedings (p. 3518). Institute of Industrial and Systems Engineers (IISE).  

22.Billings, J., Blunt, I., Steventon, A., Georghiou, T., Lewis, G., & Bardsley, M. (2012). 

Development of a predictive model to identify inpatients at risk of re-admission within 30 days of discharge (PARR-30). BMJ open, 2(4), e001667. 

23. Berry, J. G., Gay, J. C., Maddox, K. J., Coleman, E. A., Bucholz, E. M., O’Neill, M. R., … & Hall, M. (2018). Age trends in 30 day hospital readmissions: US national retrospective analysis. bmj, 360, k497.

24. Maali Y, Perez-Concha O, Coiera E, Roffe D, Day RO, Gallego B. Predicting 7-day, 30-day and 60-day all-cause unplanned readmission: a case study of a Sydney hospital. BMC Med Inform Decis Mak. 2018;18(1):1. Published 2018 Jan 4. doi:10.1186/s12911-017-0580-8 

25. Donzé J, Aujesky D, Williams D, Schnipper JL. Potentially avoidable 30-day hospital readmissions in medical patients: derivation and validation of a prediction model. JAMA Intern Med. 2013;173(8):632–638. doi: 10.1001/jamainternmed.2013.3023.

26. Donzé JD, Williams MV, Robinson EJ, Zimlichman E, Aujesky D, Vasilevskis EE, Kripalani S, Metlay JP, Wallington T, Fletcher GS, Auerbach AD, Schnipper JL. International validity of the HOSPITAL score to predict 30-day potentially avoidable hospital readmissions. JAMA Internal Medicine. 2016;176(4):496–502. doi: 10.1001/jamainternmed.2015.8462.

27. Nguyen, P., Tran, T., Wickramasinghe, N., & Venkatesh, S. (2017). $\mathtt {Deepr} $: A Convolutional Net for Medical Records. IEEE journal of biomedical and health informatics, 21(1), 22-30. (https://arxiv.org/pdf/1607.07519.pdf) 

28. Rajkomar, A., Oren, E., Chen, K., Dai, A. M., Hajaj, N., Hardt, M., … & Sundberg, P. (2018). Scalable and accurate deep learning with electronic health records. npj Digital Medicine, 1(1), 18. 

29. Golas, S. B., Shibahara, T., Agboola, S., Otaki, H., Sato, J., Nakae, T., … & Kvedar, J. (2018). A machine learning model to predict the risk of 30-day readmissions in patients with heart failure: a retrospective analysis of electronic medical records data. BMC medical informatics and decision making, 18(1), 44. 

30. Wang, H., Cui, Z., Chen, Y., Avidan, M., Abdallah, A. B., & Kronzer, A. (2018). Predicting hospital readmission via cost-sensitive deep learning. IEEE/ACM Transactions on Computational Biology and Bioinformatics (TCBB), 15(6), 1968-1978. 

31. Xiao, C., Ma, T., Dieng, A. B., Blei, D. M., & Wang, F. (2018). Readmission prediction via deep contextual embedding of clinical concepts. PloS one, 13(4), e0195024. 

32. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5890980/

32. Suresh, H., Hunt, N., Johnson, A., Celi, L. A., Szolovits, P., & Ghassemi, M. (2017). Clinical Intervention Prediction and Understanding using Deep Networks. arXiv preprint arXiv:1705.08498. 

33. Avati, A., Jung, K., Harman, S., Downing, L., Ng, A., & Shah, N. H. (2018). Improving palliative care with deep learning. BMC medical informatics and decision making, 18(4), 122. 

34 . Cotter, P. E., Bhalla, V. K., Wallis, S. J., & Biram, R. W. (2012). Predicting readmissions: poor performance of the LACE index in an older UK population. Age and ageing, 41(6), 784-789. 

35 . Robinson, R., & Hudali, T. (2017). The HOSPITAL score and LACE index as predictors of 30 day readmission in a retrospective study at a university-affiliated community hospital. PeerJ, 5, e3137. 

36 . van Walraven, C., Wong, J., & Forster, A. J. (2012). LACE+ index: extension of a validated index to predict early death or urgent readmission after hospital discharge using administrative data. Open Medicine, 6(3), e80. 

37 . van Walraven, C., Dhalla, I. A., Bell, C., Etchells, E., Stiell, I. G., Zarnke, K., … & Forster, A. J. (2010). Derivation and validation of an index to predict early death or unplanned readmission after discharge from hospital to the community. Cmaj, 182(6), 551-557. 

38 . Aubert, C. E., Folly, A., Mancinetti, M., Hayoz, D., & Donzé, J. (2016). Prospective validation and adaptation of the HOSPITAL score to predict high risk of unplanned readmission of medical patients. Swiss medical weekly, 146, w14335.

39 . Ross, J. S., Mulvey, G. K., Stauffer, B., Patlolla, V., Bernheim, S. M., Keenan, P. S., & Krumholz, H. M. (2008). Statistical models and patient predictors of readmission for heart failure: a systematic review. Archives of internal medicine, 168(13), 1371-1386. 

40. Donzé, J., Lipsitz, S., & Schnipper, J. L. (2014). Risk factors for potentially avoidable readmissions due to end‐of‐life care issues. Journal of hospital medicine, 9(5), 310-314. 

41. Shams, I., Ajorlou, S., & Yang, K. (2015). A predictive analytics approach to reducing 30-day avoidable readmissions among patients with heart failure, acute myocardial infarction, pneumonia, or COPD. Health care management science, 18(1), 19-34.

42. Artetxe, A., Beristain, A., & Grana, M. (2018). Predictive models for hospital readmission risk: A systematic review of methods. Computer methods and programs in biomedicine.

43. Baig, M., Zhang, E., Robinson, R., Ullah, E., & Whitakker, R. (2018). Evaluation of Patients at Risk of Hospital Readmission (PARR) and LACE Risk Score for New Zealand Context. Studies in health technology and informatics, 252, 21-26. 

44. Van Walraven, C., Bennett, C., Jennings, A., Austin, P. C., & Forster, A. J. (2011). Proportion of hospital readmissions deemed avoidable: a systematic review. Cmaj, 183(7), E391-E402. 

45. Benoit Besse. Réadmissions à 30 jours par le service des urgences : fréquence, pertinence et déterminants de la prise en charge à l’aide de deux grilles d’évaluation. Médecine humaine et pathologie.2014