Utvikling av en prediktiv algoritme for risikoen for rehospitalisering av pasienter med hjertesvikt

Hjertesvikt er en kronisk sykdom hvis utbredelse, på grunn av befolkningens aldring, øker. I Frankrike er forekomsten av denne patologien 2,3 % (den når 10 % i løpet av over 75 år) og påvirker nesten en million pasienter.

Rehospitaliseringen av pasienter med hjertesvikt rammer 25 % av pasientene innen 1-3 måneder etter utskrivning, og 66 % etter 1 år mens 75 % av innleggelsene kan forebygges. Disse reinnleggelsene resulterer i redusert livskvalitet og økt dødelighet; fra et økonomisk synspunkt utgjør sykehusinnleggelse 70 % av utgiftene knyttet til behandling av hjertesvikt. Å unngå rehospitalisering er derfor et stort folkehelseproblem. De nåværende prediktive skårene forblir perfekte, selv om risikofaktorer for reinnleggelse allerede har vært gjenstand for en rekke studier. Identifisering av pasienter med risiko for rehospitalisering er fortsatt et problem, spesielt for pasienter med bevart venstre ventrikkel ejeksjonsfraksjon. Målretting mot pasienter som trenger passende omsorg er fortsatt et problem.

Fremveksten av innovative statistiske teknikker rundt Big Data i helse åpner nye perspektiver for vitenskapelig utnyttelse av data tilgjengelig i elektroniske medisinske journaler, for eksempel innen prediksjonsfeltet. Denne studien tar sikte på å utforske risikoen for rehospitalisering hos hjertesviktpasienter ved å analysere rutinedata samlet inn i medisinske journaler og ved å mobilisere kunstig intelligens-algoritmer. En gjennomgang av litteraturen bekrefter den innovative karakteren til en slik tilnærming: flertallet av studiene som ble identifisert implementerte en prospektiv innsamling av data; bare 20 % av studiene mobiliserte den medisinske filen; ingen fransk studie brukte de nye maskinlæringsalgoritmene.