Prédiction de durée de séjour hospitalier en gynécologie basée sur le machine learning: cas de quelques hôpitaux au sud-Kivu

Bibliographie

[1] https://blent.ai/blog/a/apprentissage-supervise-definition.

[2] https://scikit-learn.org/stable/index.html.

[3] https://www.maxicours.com/se/cours/comprendre-et-utiliser-l-algorithme-des-k-plu

[4] https://www.vocabulaire-medical.fr/encyclopedie/264-seance-sejour#:~: text=Lorsqu'un%20patient%20est%20hospitalis%C3%A9,actuellement%20des% 20%%AB%20unit%C3%A9s%20m%C3%A9dicales%20%%BB.

[5] https://www.yzr.ai/articles/comment-standardiser-des-donnees/.

[6] https://zestedesavoir.com/tutoriels/962/les-arbres-de-decisions/.

[7] A. K. Alahmari. actors Associated with Length of Hospital Stay among COVID-19 Patients in Saudi Arabia : A Retrospective Study during the First Pandemic Wave. Healthcare, 2022.

[8] J. A.LOUGHANI. Algorithme des k-plus proches voisins.

Acadéie Lille, Paris, Disponible sur https://www.google.
com/url?q= http://www.planeteisn.fr/k-voisins.pdf&sa= U&ved=2ahUKEwiAlPjh4Y2AAxUBjZUCHdS6DB4QFnoECAAQAg&usg= AOvVaw0PvUZRG8qzODxZGwin7T8W.

[9] M. Cavalier. La propriété des données de santé. Thèse de doctorat, Université Jean Moulin (Lyon 3), Lyon, 2016.

[10] F. CHOLLET. L'apprentissage profond avec Python. Collection Les Essentiels de

l'IA, 37540 Saint-Cyr sur Loire France, 2020.

[11] P. Degoulet. Systèmes d'Information Hospitaliers. HEGP,Faculté de Médecine Broussais-Hôtel-Dieu, Ecole d'été Corte, juillet 2001.

[12]

65

M. L. Erick Biernat. Data Science fondamentaux et étude des cas Machine Learning avec Python et R. Edition EYROLLES, Paris, 2015.

[13] S. B. et All. Design d'un algorithme d'IA en grande dimension pour prédire la réadmission à l'hôpital. IA & Santé, 2018.

[14] M. S.-M. B. G. F. B. S. T. G. Dreyfus, J.-M. Martinez. Apprentissage statistique. Edition EYROLLES, Paris, 2008.

[15] J. Grus. Data Science par la pratique. Edition EYROLLES, Paris, 2017.

[16] S. Hull. Machine Learning for Economics and Finance in TensorFlow 2 Deep Learning Models for Research and Industry. Apress Media LLC : Welmoed Spahr, California, 2021.

[17] F. J.-J. Joseph. Liste nationale des médicaments essentiels. Direction de la Pharmacie, du Médicament et de la Médecine Traditionnelle, République d'HAITI, 1^e édition, Mai 2012.

[18] M. R. Naila. Apprentissage automatique dans la prédiction des durées de séjour hospitalier. ResearchGate, 2020.

[19] M. R. Naila. Conception et développement des méthodes de prédiction de la durée de séjour hospitalier centrées sur des techniques de machine learning. Thèse de Doctorat, Polytechnique Hauts-de-France, Valencienne, 27 janvier 2022.

[20] F. nationale des observatoires régionaux de la santé. Les données de santé. Conférence nationale de santé, Paris, Octobre 2009.

[21] OMS. Liste des médicaments essentiels par classe thérapeutique. Direction de la Pharmacie, du Médicament, Programme de Médicaments Essentiels, 2021.

[22] G. S. Peter Kunt Dunn. Generalized Linear Models With Examples in R. Springer, New-York, 2018.

[23] M. M. J.-L. R. Pirmin Lemberger, Marc Batty. Big Data et Machine Learning Manuel du Data scientist. Dunod, Paris, 2015.

[24] F. Rossi. Réseaux de neurones le perceptron multi-couches. Universit'e Paris-IX Dauphine, sur http://apiacoa.org/contact.html.

[25] G. Saint-Cirgue. Apprendre les Machines Learning en une semaine. 2019.

[26]

66

M. TAFFAR. Initiation à l'apprentissage automatique. Université de Jijel.

[27] C. Touzet. Les réseaux de neurones artificiels, introduction au connexionnisme : cours, exercices et travaux pratiques. E, Collection de l'EERIE, N. Giambiasi, 1992.

67

Liste des tableaux

3.1 Exemple de la base de données 45

3.2 Description des variables quantitatives non continues 49

4.1 Résumé du modèle linéaire généralisé avec la distribution de poisson . . . 56

4.2 Résumé du modèle linéaire généralisé avec la distribution binomiale négative 59

4.3 Évaluation du modèle statique de prédiction de DDS : régression . . . . 60

68

Table des figures

1.1 Composantes des Systèmes d'Informations Hospitaliers [11] 7

1.2 Données médicales : sources et propriétés [19] 11

1.3 Évaluation des systèmes de santé : DDS [19] 15

1.4 Techniques de l'Intelligence Artificielle et leurs applications [19] 17

2.1 Les relations entre l'intelligence artificielle, l'apprentissage automatique et

l'apprentissage profond [10] 20

2.2 Modèle de traitement de données en apprentissage supervisé [1] 25

2.3 Modèle de traitement de données en apprentissage non supervisé [1] . . 26

2.4 Modèle de traitement de données en apprentissage par renforcement . 27

2.5 Exemple d'un arbre avec ses differentes parties [16] 32

2.6 Généralisation du modèle prédictif Forêt aléatoire [16] 34

2.7 Réseau de neurones [25] 37

2.8 Réseau de neurones à plusieurs neurones [25] 38

3.1 Diagramme circulaire des données utilisées 44

3.2 Importance de chaque variable 47

3.3 Histogramme de la Durée de Séjour Hospitalier 48

3.4 Corrélation de spearman entre variables quantitatives 49

4.1 Valeurs actuelles contre les valeurs prédites en utilisant le réseau de neurone 54 4.2 Valeurs actuelles contre les valeurs prédites en utilisant les arbres de décision 55 4.3 Valeurs actuelles contre les valeurs prédites en utilisant le modèle linéaire

généralisé avec la distribution de poisson 57

69

4.4 Valeurs actuelles contre les valeurs prédites en utilisant le k Plus proches

voisins 58

70

Table des matières

Epigraphe I

Dédicace II

Remerciements III

Introduction générale 1

1 Les systèmes d'informations hospitaliers et la gestion hospitalière 5

1.1 Introduction 5

1.2 Les systèmes d'informations hospitaliers 6

1.2.1 Terminologie 6

1.2.2 Type d'informations 7

1.3 Sources des données des SIH 9

1.3.1 Dossier médical du patient 9

1.3.2 Les données administratives 9

1.3.3 Les données issues des enquêtes et de la recherche clinique . . . 10

1.4 Propriétés des données médicales 10

1.4.1 Confidentialité 11

1.4.2 Données incrémentales 12

1.4.3 Hétérogénéité 13

1.4.4 Complexité 14

1.5 Durée De Séjour hospitalier 14

1.6 Facteurs influençant la DDS 16

1.7 Que vient faire l'intelligence artificielle dans tous ça ? 16

71

2

	Modèles de prédiction en Machine Learning				19
	2.1		Introduction		19
	2.2		Intelligence Artificielle, Machine Learning et
			Apprentissage Profond		19
			2.2.1 Intelligence Artificielle : Artificial Intelligent (AI)		20
			2.2.2 Apprentissage automatique : Machine Learning		21
			2.2.3 Apprentissage des représentations à partir de données		22
	2.3		Les apprentissages en Machine Learning		24
			2.3.1 Introduction		24
			2.3.2 Apprentissage supervisé		24
			2.3.3 Apprentissage non supervisé		25
			2.3.4 Apprentissage semi-supervisé		26
			2.3.5 Apprentissage par renforcement		26
	2.4		Algorithmes de l'apprentissage automatique		27
			2.4.1 Régression linéaire		28
			2.4.2 Les k plus proches voisins		30
			2.4.3 Les arbres de décision		31
			2.4.4 Les forêts aléatoires		34
			2.4.5 Les réseaux de neurones artificiels		36
	2.5		Pertinence d'un modèle de prédiction		40
			2.5.1 Score R^2, coefficient de détermination		41
			2.5.2 Erreur absolue moyenne		41
			2.5.3 Erreur quadratique moyenne		42
3	Cadre méthodologique				43
	3.1		Introduction		43
	3.2		Type d'informations récuillies		43
	3.3		Récolte et Pré-traitement des données		44
			3.3.1 Récolte de données		45
			3.3.2 Pré-traitement des données		45
			3.3.3 Normalisation et Standardisation des données		48

72

		3.3.4 Descripition des données 3.3.5 Corrélation entre les données quantitatives	49 49
4	Modélisation de la prédiction de la Durée de Séjour Hospitalier en
	Gynécologie		51
	4.1	Introduction	51
	4.2	Méthode de prédiction de Durée de Séjour
		Hospitalier	52
		4.2.1 Périmètre d'étude	52
		4.2.2 Modélisation et processus de prédiction de la Durée de Séjour . .	53
	4.3	Évaluation des modèles de prédiction de DDS	54

4.3.1 Le réseau de neurone dans la prédiction de Durée de Séjour Hospitalier 54 4.3.2 Les arbres de décision dans la prédiction de Durée de Séjour Hospitalier 54

4.3.3 Le modèle linéaire généralisé 55

4.3.4 Le k Plus proches voisins 58

4.3.5 Tableau synthètique 60

Conclusion 61

Résumé conclusif 61

Contributions 61

Perspectives 62

Bibliographie 64

Liste des tableaux 67

Table des figures 68

Table des matières 70

Annexe I

Annexe I : Base de données I

Annexe II : Subdivision de la base de données II

Annexe III : Entrainement des modèles III

I