{"title":"用机器学习识别住院期间有静脉血栓栓塞风险的患者","authors":"Jean-Luc Bosson , Svetlana Artemova , Jean-Michel Januel , Hadiseh Nowparast Rostami , Daniel Stoessel , Rui Fa , Ursula Schenck","doi":"10.1016/j.jdmv.2023.12.013","DOIUrl":null,"url":null,"abstract":"<div><h3>Introduction</h3><p>La maladie thromboembolique veineuse (MTEV) est un des événements pouvant venir compliquer un séjour hospitalier. La HAS a intégré la MTEV dans la liste des indicateurs de qualité des soins avec le PSI 12 (<em>Patient Safety Indicator</em>) en orthopédie. Des scores de risque ont été développés en épidémiologie avec des performances insuffisantes. Nous proposons une approche basée sur le <em>big dat</em>a et l’IA.</p></div><div><h3>Population</h3><p>Cohorte de 78 702 patients adultes hospitalisés plus de deux jours.</p></div><div><h3>Méthodologie</h3><p>On dispose de données administratives, médicales, biologiques, imagerie et prescriptions. À partir des données initiales saisies dans les 2 premiers jours de l’hospitalisation, on prédit le risque ultérieur de MTEV en <em>machine learning</em> (LASSO). Les cas de MTEV acquises durant l’hospitalisation sont définis comme les patients avec MTEV en diagnostic associé (PMSI), avec mise en route de traitement anticoagulant à doses curatives et imagerie scanner ou écho-doppler, plus de 48<!--> <!-->heures après l’entrée à l’hôpital.</p></div><div><h3>Résultats</h3><p>Quatre cent soixante-dix patients sur 78 702 répondent à la définition de MTEV acquise durant l’hospitalisation (0,6 %). Le modèle prédictif a une AUC de 77 %. Parmi les 50 variables prédictives les plus contributives au modèle, on retrouve le mode d’entrée et de nombreux paramètres biologiques (anémie, atteinte hépatique ou rénale, dénutrition, hyperosmolarité…).</p></div><div><h3>Discussion</h3><p>Notre prévalence de 6 cas pour 1000 hospitalisations est proche de ce qui est observé en orthopédie (6 pour mille prothèses) ou en médecine (10 pour mille chez les patients âgés (Mottier NEJM 2023). Notre définition automatisée permettrait d’étendre à tous les services, un indicateur de qualité des soins limité actuellement à la chirurgie de hanche et de genou. Le modèle prédictif de <em>machine learning</em> sur données de soins courants s’avère au moins aussi bon que les scores prédictifs Ad Hoc (AUC de 0,56 à 0,66 selon Cobben RPTH 2018). Notre modèle ne prend pas en compte de manière satisfaisante les ATCD de MTEV ni la capacité du patient à se mobiliser. Cette approche n’impose pas de saisie supplémentaire pour les soignants. Elle est transversale et intègre les pratiques de thromboprophylaxie. Elle pourrait servir à générer des alertes personnalisées pour les patients, qui après 48<!--> <!-->h d’hospitalisation, seraient estimés à haut risque et n’auraient pas de prescription de thromboprophylaxie. Le <em>machine learning</em> est un outil puissant pour améliorer la qualité des soins en termes de risque de MTEV.</p></div>","PeriodicalId":53149,"journal":{"name":"JMV-Journal de Medecine Vasculaire","volume":"49 1","pages":"Page 35"},"PeriodicalIF":0.0000,"publicationDate":"2024-02-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Machine learning pour identifier les patients à risque de maladie thromboembolique veineuse lors d’une hospitalisation\",\"authors\":\"Jean-Luc Bosson , Svetlana Artemova , Jean-Michel Januel , Hadiseh Nowparast Rostami , Daniel Stoessel , Rui Fa , Ursula Schenck\",\"doi\":\"10.1016/j.jdmv.2023.12.013\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"<div><h3>Introduction</h3><p>La maladie thromboembolique veineuse (MTEV) est un des événements pouvant venir compliquer un séjour hospitalier. La HAS a intégré la MTEV dans la liste des indicateurs de qualité des soins avec le PSI 12 (<em>Patient Safety Indicator</em>) en orthopédie. Des scores de risque ont été développés en épidémiologie avec des performances insuffisantes. Nous proposons une approche basée sur le <em>big dat</em>a et l’IA.</p></div><div><h3>Population</h3><p>Cohorte de 78 702 patients adultes hospitalisés plus de deux jours.</p></div><div><h3>Méthodologie</h3><p>On dispose de données administratives, médicales, biologiques, imagerie et prescriptions. À partir des données initiales saisies dans les 2 premiers jours de l’hospitalisation, on prédit le risque ultérieur de MTEV en <em>machine learning</em> (LASSO). Les cas de MTEV acquises durant l’hospitalisation sont définis comme les patients avec MTEV en diagnostic associé (PMSI), avec mise en route de traitement anticoagulant à doses curatives et imagerie scanner ou écho-doppler, plus de 48<!--> <!-->heures après l’entrée à l’hôpital.</p></div><div><h3>Résultats</h3><p>Quatre cent soixante-dix patients sur 78 702 répondent à la définition de MTEV acquise durant l’hospitalisation (0,6 %). Le modèle prédictif a une AUC de 77 %. Parmi les 50 variables prédictives les plus contributives au modèle, on retrouve le mode d’entrée et de nombreux paramètres biologiques (anémie, atteinte hépatique ou rénale, dénutrition, hyperosmolarité…).</p></div><div><h3>Discussion</h3><p>Notre prévalence de 6 cas pour 1000 hospitalisations est proche de ce qui est observé en orthopédie (6 pour mille prothèses) ou en médecine (10 pour mille chez les patients âgés (Mottier NEJM 2023). Notre définition automatisée permettrait d’étendre à tous les services, un indicateur de qualité des soins limité actuellement à la chirurgie de hanche et de genou. Le modèle prédictif de <em>machine learning</em> sur données de soins courants s’avère au moins aussi bon que les scores prédictifs Ad Hoc (AUC de 0,56 à 0,66 selon Cobben RPTH 2018). Notre modèle ne prend pas en compte de manière satisfaisante les ATCD de MTEV ni la capacité du patient à se mobiliser. Cette approche n’impose pas de saisie supplémentaire pour les soignants. Elle est transversale et intègre les pratiques de thromboprophylaxie. Elle pourrait servir à générer des alertes personnalisées pour les patients, qui après 48<!--> <!-->h d’hospitalisation, seraient estimés à haut risque et n’auraient pas de prescription de thromboprophylaxie. Le <em>machine learning</em> est un outil puissant pour améliorer la qualité des soins en termes de risque de MTEV.</p></div>\",\"PeriodicalId\":53149,\"journal\":{\"name\":\"JMV-Journal de Medecine Vasculaire\",\"volume\":\"49 1\",\"pages\":\"Page 35\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2024-02-22\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"JMV-Journal de Medecine Vasculaire\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://www.sciencedirect.com/science/article/pii/S2542451323001475\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q3\",\"JCRName\":\"Medicine\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"JMV-Journal de Medecine Vasculaire","FirstCategoryId":"1085","ListUrlMain":"https://www.sciencedirect.com/science/article/pii/S2542451323001475","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"Medicine","Score":null,"Total":0}
Machine learning pour identifier les patients à risque de maladie thromboembolique veineuse lors d’une hospitalisation
Introduction
La maladie thromboembolique veineuse (MTEV) est un des événements pouvant venir compliquer un séjour hospitalier. La HAS a intégré la MTEV dans la liste des indicateurs de qualité des soins avec le PSI 12 (Patient Safety Indicator) en orthopédie. Des scores de risque ont été développés en épidémiologie avec des performances insuffisantes. Nous proposons une approche basée sur le big data et l’IA.
Population
Cohorte de 78 702 patients adultes hospitalisés plus de deux jours.
Méthodologie
On dispose de données administratives, médicales, biologiques, imagerie et prescriptions. À partir des données initiales saisies dans les 2 premiers jours de l’hospitalisation, on prédit le risque ultérieur de MTEV en machine learning (LASSO). Les cas de MTEV acquises durant l’hospitalisation sont définis comme les patients avec MTEV en diagnostic associé (PMSI), avec mise en route de traitement anticoagulant à doses curatives et imagerie scanner ou écho-doppler, plus de 48 heures après l’entrée à l’hôpital.
Résultats
Quatre cent soixante-dix patients sur 78 702 répondent à la définition de MTEV acquise durant l’hospitalisation (0,6 %). Le modèle prédictif a une AUC de 77 %. Parmi les 50 variables prédictives les plus contributives au modèle, on retrouve le mode d’entrée et de nombreux paramètres biologiques (anémie, atteinte hépatique ou rénale, dénutrition, hyperosmolarité…).
Discussion
Notre prévalence de 6 cas pour 1000 hospitalisations est proche de ce qui est observé en orthopédie (6 pour mille prothèses) ou en médecine (10 pour mille chez les patients âgés (Mottier NEJM 2023). Notre définition automatisée permettrait d’étendre à tous les services, un indicateur de qualité des soins limité actuellement à la chirurgie de hanche et de genou. Le modèle prédictif de machine learning sur données de soins courants s’avère au moins aussi bon que les scores prédictifs Ad Hoc (AUC de 0,56 à 0,66 selon Cobben RPTH 2018). Notre modèle ne prend pas en compte de manière satisfaisante les ATCD de MTEV ni la capacité du patient à se mobiliser. Cette approche n’impose pas de saisie supplémentaire pour les soignants. Elle est transversale et intègre les pratiques de thromboprophylaxie. Elle pourrait servir à générer des alertes personnalisées pour les patients, qui après 48 h d’hospitalisation, seraient estimés à haut risque et n’auraient pas de prescription de thromboprophylaxie. Le machine learning est un outil puissant pour améliorer la qualité des soins en termes de risque de MTEV.
期刊介绍:
The JMV- Journal de Médecine Vasculaire publishes peer-reviewed clinical and research articles, epidemiological studies, review articles, editorials, guidelines. The journal also publishes abstracts of papers presented at the annual sessions of the national congress of French College of Vascular Pathology.