Conclusion
Résumé conclusif
Les établissements de soins sont toujours à la
quête de l'excellence par le canal d'une amélioration de la
qualité des soins et de l'efficacité des services notamment en
terme de gestion hospitalière et humaine. La Durée De
Séjour hospitalier (DDS) savère un indicateur d'évaluation
des performances des hôpitaux. Dans ce mémoire, nous avons
passé en revu des différents modèles de prédiction
des Durées de Séjour Hospitalier qui se basent sur des
données issues de certains hopitaux du Sud-Kivu dans l'unité
médicale de gynécologie. Ces données sont
exploitées pour prédire la DDS au moment de l'admission de la
patiente.
Le grand travail présenté dans ce mémoire
est sans doute celui de la proposition d'un modèle de prédiction
de DDS. Cette dernière était de prédire la DDS depuis lors
que la patiente arrive à l'hopital en se basant à certains
diagnostiques des agents de santé et le traitement administré
à la patiente. Nous nous sommes basé sur des techniques et
méthodes de l'apprentissage automatique et la fouille de
données.
Contributions
La Durée de Sejour hospitalier est un facteur tout
à fait complexe du fait qu'elle est facteur de plusieurs acteurs qui
doivent conjuguer plusieurs efforts pour rendre meilleure la structure
sanitaire. D'abord, nous avons étudié les facteurs pouvant
influencer la durée de séjour hospitalier en
général, en suite nous avons recolté des données
pour les exploiter et en fin faire un algorithme de prédiction de DDS
dans une unité médicale de gynécologie.
62
De ceci, nous avons fait une approche méthodologique de
la sorte :
Définition d'un paramètre d'étude
: dans ce mémoire, nous sommes parti d'une seule unité
médicale qui est celle de gynécologie.
Modélisation générique de la DDS
: une étude minitieuse a été ménée
pour savoir les facteurs qui impactent la DDS dans une unité
médicale. L'ensemble des facteurs démographiques (l'âge, le
sexe, l'adresse) et des facteurs médicaux (motif d'hospitalisation,
diagnostics et traitement réçus). Cette modélisation de la
DDS est la porte d'entrée aux processus de prédiction. Les
processus de prédiction se sont appuyés sur les méthodes
d'apprentissage automatique et de fouille de données (où nous
avons l'encodage, le traitement de données, ...).
Modèle statique de prédiction de DDS
: nous avons présenté un modèle de
prédiction de la DDS dans l'unité de gynécologie en nous
appuyant aux données disponibles lors de l'admission de la patiente
à l'hôpital. Nous avons utilisé des techniques
d'apprentissage supervisé (Neural Network, Decision Tree, ... ). Les
résultats obtenus ont montré que les algorithmes d'apprentissage
automatique sont performants en terme de précision et de taux d'erreurs
dans la prédiction des DDS en milieu hospitalier. L'algorithme qui a
très bien entrainé nos données est le modèle
linéaire généralisé étant donné que
son score est positif et minimise les erreurs (avec un score de 97%).
Perspectives
Le domaine de Machine Learning est encore en plein essort
surtout dans les pays en voie de développement comme notre pays la RDC
où plusieurs entreprises ont encore une gestion manuelle de
données. La prédiction de la DDS s'avère un facteur
clé d'indication de la fiabilité et de la viabilité d'une
structure sanitaire, parvenir à prédire avec moins d'erreur
possible est une réponse à une panoplie de questions que les
gestionnaires de santé se posent du jour au lendemain. La porte de
sortie étant prometeuse par rapport aux différents algorithmes
utilisés dans la construction du modèle, mais quelques
perspectives peuvent être sorties pour des prochaines recherches :
- quant au périmètre d'étude, il serait
plus intéressant de faire part d'autres unités médicales
et ainsi, faire une prédiction de DDS dans plusieurs unités
médicales et
63
pas dans une seule unité médicale ;
- par rapport à la modélisation, associer les
experts médicaux dans le choix des facteurs influançant la DDS
est un atout ;
- Regardant la complexité des données
médicales, l'expert médical doit aussi être impliqué
dans l'analyse des profils atypiques pour les détecter et les distinguer
des données aberrantes.
- Afin d'améliorer les performances des algorithmes
d'apprentissage automatique, une piste serait d'enrichir l'ensemble de
données utilisé dans l'apprentissage et celui utilisé dans
la validation des processus de prédiction [19]. L'ajout des nouvelles
données et qui présentent une richesse dans les informations
permet aux algorithmes d'apprentissage automatique d'apprendre sur plus de cas
et de ce fait, ils aboutissent à des résultats plus précis
[19].
La prédiction de DDS s'avère un axe de recherche
important dans le domaine médical. Les méthodes que nous avons
proposées peuvent avoir des imperfections inhérentes à
notre volonté, c'est ainsi que nous resterons receptifs aux suggestions
et recommendations de la part de nos lecteurs.
64
| 
