Identification des patients admis avec des exacerbations de MPOC et prédiction du risque de réadmission à l'aide de l'apprentissage automatique

Un cinquième des patients qui sortent de l'hôpital pour des exacerbations de MPOC sont réadmis dans les 30 jours.(1, 3, 4) Bien que les thérapies et les directives de soins se soient améliorées, la mise en œuvre des directives reste médiocre.(5) La mise en œuvre de normes appropriées par le biais du flux de travail hospitalier habituel présente des défis importants. L'un des principaux défis consiste à s'assurer que tous les patients éligibles présentant des exacerbations de MPOC sont identifiés en temps opportun.(6) Un autre défi majeur est que le personnel est souvent trop occupé et n'a pas le temps d'exécuter des pratiques fondées sur des preuves qui réduisent les réadmissions.(6) De plus, la gestion intensive des cas ne peut être offerte à tous en raison des ressources limitées. Par conséquent, il est important que nous soyons en mesure d'identifier à la fois les personnes admises avec une MPOC à un stade précoce ainsi que celles qui présentent un risque élevé de réadmission.

Les exacerbations de la MPOC peuvent parfois ne pas être facilement reconnues au début et mettre des jours à se manifester. Les symptômes d'exacerbations tels que l'essoufflement ne sont pas spécifiques et des signes tels que des infiltrats radiographiques thoraciques peuvent être dus à un ou plusieurs diagnostics. De plus, les exacerbations de la MPOC peuvent déclencher ou être déclenchées par d'autres maladies. Par conséquent, il n'est pas rare que les médecins traitants admettent des patients avec plusieurs diagnostics provisoires d'insuffisance cardiaque, de pneumonie, d'exacerbation de la MPOC, etc. La distinction des personnes atteintes d'exacerbations de MPOC est encore plus compliquée par les dossiers de santé électroniques (DSE) qui n'ont pas de diagnostics répertoriés comme éléments codés. Le résultat final est qu'il est difficile pour le reste de l'équipe interprofessionnelle de trouver des patients MPOC au début de l'admission. Ce problème a été résolu dans certains hôpitaux américains en demandant à des prestataires non médicaux d'examiner les dossiers pour identifier les patients admis pour MPOC.(7) Une approche alternative a été l'apprentissage automatique et le traitement du langage naturel. Cela a été mis en œuvre avec un certain succès pour les patients souffrant d'insuffisance cardiaque, mais peu a été fait pour les personnes atteintes de MPOC.(13) Dans un programme pilote, le traitement du langage naturel a aidé à identifier les patients admis avec une MPOC.(7)

Pour cibler les ressources rares sur ceux qui en ont le plus besoin, il serait utile d'identifier davantage les patients à haut risque de réadmission. Ce serait la première étape pour déterminer comment mettre en œuvre des stratégies efficaces pour réduire les taux de réadmission. Il existe des modèles de prédiction de réadmission développés pour les patients médicaux et chirurgicaux, notamment le score LACE et le score HOSPITAL.(8, 9) Malheureusement, ceux qui ont été étudiés ne semblent pas bien performer dans la population BPCO.(10) Bien que des facteurs permettant de prédire la réadmission pour MPOC aient été identifiés, les modèles n'ont pas été entièrement validés.(11, 12) La performance pourrait être améliorée grâce à l'utilisation de données non structurées telles que les notes d'évolution des cliniciens et les résumés de sortie.

L'identification précoce des personnes atteintes de MPOC et la connaissance de celles qui sont à risque de réadmission peuvent améliorer les résultats de santé. Zafar et al. ont démontré qu'un ensemble complet de soins pour la MPOC comprenant 1. une évaluation de l'inhalateur, 2. un régime d'inhalation approprié, 3. un suivi précoce du congé et 4. des instructions de congé axées sur le patient réduisait les réadmissions.(14) L'identification des personnes à haut risque de réadmission pourrait faciliter l'inscription à la gestion de cas intensive. Par conséquent, nous mènerons l'étude actuelle pour identifier les patients admis avec des exacerbations aiguës de la MPOC et stratifier les patients en fonction du risque de réadmission

Méthodes :

À l'aide des données rétrospectives du Réseau universitaire de santé (RUS), nous créerons un ensemble de données sur les admissions en médecine interne générale au cours des 5 dernières années. Nous estimons que cela comprendra environ 40 000 admissions dont 2 000 auront un diagnostic le plus responsable d'une exacerbation de la MPOC. L'ensemble de données contiendra à la fois des données codées structurées et des données textuelles non structurées. Les données codées comprendront l'âge, le sexe, les médicaments prescrits, les comorbidités, les valeurs de laboratoire et les tests de la fonction pulmonaire. Les données textuelles non structurées incluront des notes dans le DSE : notes cliniques du médecin, résumés de sortie, diagnostics d'admission, notes d'évolution et notes de notre système de signature.

Analyse : Nous utiliserons plusieurs méthodes différentes pour développer le modèle, notamment la régression logistique, les réseaux de neurones profonds et les réseaux de neurones convolutionnels. Plus précisément, nous utiliserons également des algorithmes d'apprentissage automatique statistique pour la détection d'événements à l'aide de réseaux de neurones bidirectionnels à mémoire à long et à court terme sur une variété de types d'entrées (par exemple, des bancs de filtres de Fourier, des coefficients cepstraux à fréquence Mel, des ondelettes et de l'audio brut). Nous utiliserons également des méthodes traditionnelles telles que les réseaux bayésiens dynamiques et les champs aléatoires conditionnels. Du côté de l'analyse de texte, nous identifierons les phrases clés qui prédisent la réadmission. Une approche consistera à utiliser l'analyse du discours pour isoler les phrases "noyaux" du texte de fond. Nous construirons également des modèles prédictifs « conjoints » qui combinent les caractéristiques du texte non structuré et les caractéristiques des données codées structurées. Nous utiliserons la zone standard sous la courbe ROC pour évaluer les performances du modèle et utiliserons la validation croisée pour minimiser l'impact du surajustement. Enfin, nous validerons ensuite nos modèles à l'aide d'un ensemble de données provenant de différents centres afin de déterminer si ces résultats sont valides et généralisables.

Résultats attendus : Le développement de deux modèles validés basés sur les données du DSE : l'un pour identifier avec précision les patients atteints d'EABPCO et le second pour identifier avec précision les patients à haut risque de réadmission dans les 30 jours.