Emmanuel Chazard 1 Pierre-Henry Miquel 2 Matthieu Genty 3 Régis Beuscart 1

1. Planifadmission,outil open source d’aide à la planification des admissions programméesbasé sur une prédiction statistiquedes durées de séjour Emmanuel Chazard 1 Pierre-Henry Miquel 2 Matthieu Genty 3 Régis Beuscart1 1 CHRU Lille; Univ Lille Nord de France; EA 2694 2 groupe Hôpital Privé Métropole; Lille 3 SARL CEFIMIS; Lille

2. Conflits d’intérêts / autorisations • Conflits d’intérêt : • Les auteurs sont salariés par leurs employeurs respectifs : • E Chazard et R Beuscart : Université Lille 2, CHRU de Lille • P-H Miquel : Hôpital Privé Métropole, auparavant Générale de Santé • M Genty : SARL CEFIMIS, auparavant CHRU de Lille • Produit diffusé en licence Open Source • Sites personnels des auteurs • Site CEFIMIS • Données utilisées : • Base nationale des séjours PMSI (autorisation CNIL, licence ATIH) • Base de séjours anonyme d’un groupe de cliniques (autorisation du groupe) Prédire les durées de séjour pour planifier les admissions programmées

3. Prédire les durées de séjour pour mieux planifier les admissions programmées Introduction Matériel et Méthodes Résultats Discussion

4. Souhait unanime de contrôler les durées de séjour (DS) Contrôle rétrospectif : identifier les déterminants de la DS Contrôle prospectif : diminuer la DS Chaque journée supplémentaire coûte à l’établissement Les itinéraires cliniques : Un problème scientifique assez clair Un problème humain et organisationnel très complexe, et finalement onéreux Portée par définition très limitée : Pathologies bien ciblées Prises en charge standard dans ces pathologies ciblées(séjours les plus courts, nombreux) Or la simple prédiction de la DS permettrait de la réduire… En complément ou remplacement des itinéraires cliniques En particulier pour les prises en charge non standard des pathologies ciblées (séjours les plus longs, moins nombreux mais coûteux) Et pour les pathologies non ciblées Contrôler les durées de séjour :pourquoi et comment ? Prédire les durées de séjour pour planifier les admissions programmées

5. La simple prédiction de la DS avant l’admission pourrait diminuer celle-là et faire économiser des ressources de personnel : A défaut, si patient déjà présent, organisationd’un mutation le WE. Prédire les durées de séjour peut-il permettre de les diminuer ? Mme Dupont DS=2j DS=3j+2j=5j Mr Martin • DS=3jBénéfices : • Economie de 2 jours • Pas de mutation en HC • Moins de personnel requis le WE Mr Martin Mr Martin Prédire les durées de séjour pour planifier les admissions programmées

6. Objectifs de ce travail • Principaux : • Identifier des facteurs connus avant l’hospitalisation permettant de prédire la DS dans certaines pathologies fréquentes • Développer une application d’aide à la planification des admissions programmées, pour éviter que la date idéale de sortie tombe le week-end • Secondaire : • Prédire le jour de sortie d’un patient déjà hospitalisé, par exemple en urgence Prédire les durées de séjour pour planifier les admissions programmées

7. Matériel et Méthodes • Itérations réalisées : • Base nationale PMSI 2010 : • Hernies crurales et inguinales • Prothèses totales de hanche • Base d’un groupe de cliniques 2010+ données complémentaires (lieu, médecin) • Hernies crurales et inguinales • Principes : • Data mining : modèles de Cox,probabilités conditionnelles • => ce point sera développé plus tard (didactique) • Développement d’une application pour planifier les séjours (cf. démo) Base de séjours du PMSI Données complé-mentaires Data-Management Procédures stat, data mining Réorganisation experte Règles de prédiction des DS Evaluation métriques statistiques Prédire les durées de séjour pour planifier les admissions programmées

8. Résultat Site web http://planifadmis-sion.cefimis.com Serveur propre • Application Open Source de planification des séjours, PHP • Règles disponibles à ce jour : • BN PMSI Hernies • BN PMSI Prothèses de hanche • Base groupe de cliniques, hernies • Utilisable de 3 manières : • En ligne sans inscription • Serveur propre (code open source + 3 jeux de règles fournis) • Serveur propre, avec jeux de règles personnalisés Règles de prédiction des DS Règles de prédiction des DS Règles maison Logiciel choix de dates Logiciel choix de dates Secrétariat médical Secrétariat médical Prédire les durées de séjour pour planifier les admissions programmées

9. Scenario (le 25 avril) : Médecin :Merci de contacter les patients de mai, voici leurs fiches de renseignements médicaux. Secrétaire :Pas de problème, je m’en occupe. Médecin :Au fait, vous ferez bien attention : le mercredi, vous ne me mettez que des patients qui pourront sortir jeudi ou vendredi, ou au pire qui devront rester au moins jusqu’au lundi : il n’y aura aucune sortie le WE. Secrétaire :Pour chacun je rechercherai la meilleure date sur le site web. Je commence par Monsieur Dupont, 62 ans. [elle se connecte sur le site web] Résultat : Scenario illustratif Prédire les durées de séjour pour planifier les admissions programmées

10. Etape 1 : choisir la base de données (sautée si une seule base disponible) Prédire les durées de séjour pour planifier les admissions programmées Décembre 2011

11. Etape 2 : choisir le type de prise en charge Prédire les durées de séjour pour planifier les admissions programmées Décembre 2011

12. Etape 3 : remplir un formulaire très simple /!\ Cette page est contextualisée : les questions sont limitées au strict minimum, et varient en fonction des choix précédents et des données disponibles. Formulaire dynamique : s’adapte automatiquement aux jeux de règles utilisés. Prédire les durées de séjour pour planifier les admissions programmées Décembre 2011

13. Etape 3 : remplir un formulaire très simple /!\ Cette page est contextualisée : les questions sont limitées au strict minimum, et varient en fonction des choix précédents et des données disponibles. Formulaire dynamique : s’adapte automatiquement aux jeux de règles utilisés. Prédire les durées de séjour pour planifier les admissions programmées Décembre 2011

14. Résultat : une prédiction de la DS, et du nombre de jours potentiellement perdu en fonction de la date de l’admission. Simplement choisir les dates en vert ! Prédire les durées de séjour pour planifier les admissions programmées Décembre 2011

15. Cette prédiction tient également compte de jours fériés. Ici : dangereux mois de mai 2013… Prédire les durées de séjour pour planifier les admissions programmées Décembre 2011

16. Pour chaque règle, on peut obtenir plus de détails Courbes de survie Détails sur la prédiction Prédire les durées de séjour pour planifier les admissions programmées Décembre 2011

17. Ce patient a été planifié le vendredi 10 mai 2013. Mais, le lundi 6 mai 2013 : Médecin :Vous vous rappelez Monsieur Dupont ? On a eu un problème...il a été admis ce matin pour une occlusion. Je l’ai opéré en urgence ce matin. Pouvez-vous préparer sa sortie ? Secrétaire :Pas de problème, j’utilise le site web. Comme cela, s’il doit rester le week-end, nous préparerons sa mutation en hospitalisation de semaine. [elle se connecte sur le site web] Résultat : Scenario illustratif, suite Prédire les durées de séjour pour planifier les admissions programmées

18. On utilise le même formulaire, rempli différemment dans ce cas

19. Le résultat diffère. Mais, surtout, le patient est déjà hospitalisé. Suivons le lien pour changer de page.

20. Les jours de sortie probables sont indiqués. En rouge : les samedi et dimanche. En orange : les vendredis (chargés). En vert : les jours de semaine. => peut-être faudra-t-il anticiper une mutation de ce patient.

21. Le calendrier en bas de page permet de partir d’un autre jour d’admission, si le patient est arrivé plus tôt par exemple.

22. Retour aux matériel et méthodes • Matériel : • Base de données du PMSI (fichier *.out.zip) • En option des données supplémentairesEx : service, identité du médecin, etc. • Méthode • Data management, agrégation des données (très important) • Data mining supervisé (régressions) : • lancé de manière itérative, en sous-groupes (probabilités conditionnelles) • analyse experte : retrait des variables de confusion, élimination des individus aberrents • Réorganisation experte en règles • Calcul empirique des statistiques associées à chaque règle Prédire les durées de séjour pour planifier les admissions programmées

23. Retour aux résultats • Notion de contextualisation : • Règles différentes selon le contexte {établissement ; pathologie} • Variables pertinentes différentes • Adaptation automatique du formulaire présenté en fonction du jeu de règles • Pour une même règle, statistiques différentes selon le contexte • Le programme ne « connait » ni les champs ni les statistiques : fichier de données uniquement • Les règles identifient des sous-groupes de patients : • Durées de séjour différentes entre les groupes • Durées de séjour similaires au sein des groupes • Critères discriminants tous connus avant l’hospitalisation Prédire les durées de séjour pour planifier les admissions programmées

24. Variables utilisées : exemple des hernies • 22 variables présélectionnées parmi les variables construites Modèle final base nationale Modèle final groupe de cliniques Prédire les durées de séjour pour planifier les admissions programmées

25. Formulaire Hernies des cliniques Formulaire Hernies Base Nationale Formulaire PTH Base Nationale Prédire les durées de séjour pour planifier les admissions programmées Décembre 2011

26. 6 groupes de patients identifiés sur des critères connus avant l’hospitalisation Groupes de patients identifiés : exemple des hernies dans le groupe de cliniques Courbes de survie des 6 groupes(courbe décalée à droite = durée élevée) Boxplot de la durée de séjour dans les 6 groupes(durée de séjour en abscisses) Prédire les durées de séjour pour planifier les admissions programmées

27. Résultats : exemple du groupe 6 (DS maximales) Effectif : 181 patients (sur les 1845 initiaux) Durée de séjour obtenue : 5.4 jours (contre 2.5 jours sur l’ensemble) Critères de sélection : Opération un autre jour que le jour d’entrée ET praticien sur une liste restreinte de cinq (sur les 26 de la région) Groupes de patients identifiés : exemple des hernies dans le groupe de cliniques Courbes de survie (groupe identifié en rouge, tous les patients en noir) Durées de séjour observées(abscisse : durée, ordonnée : probabilité) Prédire les durées de séjour pour planifier les admissions programmées

28. Résultats : exemple du groupe 1 (DS minimales) Effectif : 977 patients (sur les 1845 initiaux) Durée de séjour obtenue : 1.26 jours (contre 2.5 jours sur l’ensemble) Critères de sélection : Opération le jour de l’admission ET hernie sans occlusion ni gangrène ET praticien sur une liste restreinte de neuf (sur les 26 de la région) ET pas de pose de prothèse Groupes de patients identifiés : exemple des hernies dans le groupe de cliniques Courbes de survie (groupe identifié en rouge, tous les patients en noir) Durées de séjour observées(abscisse : durée, ordonnée : probabilité) Prédire les durées de séjour pour planifier les admissions programmées

29. Discussion • Enseignement : • Certains déterminants des DS sont connus avant même l’admission, incluant des facteurs organisationnels au moins autant que médicaux • Utilisables : • Pour limiter les sorties le WE • Pour mieux anticiper les mutations le WE • Démarche assez minimaliste mais probablement efficace à moindre coût • Outil de prédiction : • Disponible en ligne sur bases nationales • Utilisable localement car open source • Générer de préférence un jeu de règles local • Evaluation à faire • Idéalement prospective (interventionnelle) • Au moins par simulation de données Prédire les durées de séjour pour planifier les admissions programmées

30. Merci de votre attention Code source et test en ligne : http://planifadmission.cefimis.com Prédire les durées de séjour pour planifier les admissions programmées