Conférence : Engorgement des Urgences - Comment l'IA change la donne au Centre Hospitalier de Maubeuge
Conférencier : Valentin Gillot
Introduction
Le Centre Hospitalier de Maubeuge fait face à une importante pression dans son Service d’Accueil des Urgences (SAU), avec entre 110 et 140 passages par jour, dont 15 à 20% nécessitent une hospitalisation. Pour répondre à cette demande croissante et améliorer la gestion des patients, le CH de Maubeuge a intégré des solutions basées sur l'intelligence artificielle (IA). L'objectif est de rendre les flux plus prévisibles et d'optimiser l'occupation des lits, tout en soutenant les équipes médicales.
Les Applications de l’IA au SAU
1. Optimisation de la Gestion des Lits : Prédiction sur 5 jours
La première utilisation concrète de l’IA au CH de Maubeuge vise à prédire l’occupation des lits sur 5 jours. Grâce à ce modèle prédictif, le service est réorganisé en fonction du nombre attendu de patients hospitalisés.
- Les prédictions sont mises à jour toutes les 4 heures.
- Le modèle IA détermine également si un patient sera orienté vers une filière longue ou courte, selon la gravité de son état.
- Un focus particulier est porté sur les patients âgés de plus de 75 ans, qui représentent un enjeu majeur en termes de gestion des ressources.
Le modèle s'appuie sur une base de données solide de 300 000 passages enregistrés sur 5 ans. Parmi les 40 variables prises en compte pour affiner la prédiction, on trouve :
- La météo (température),
- Le calendrier (y compris les périodes de vacances scolaires),
- Les épidémies (via Google Trends),
- Les statistiques issues de la médecine de ville.
Les tests d'hypothèses et l'analyse des corrélations permettent de sélectionner les variables les plus pertinentes pour le modèle, améliorant ainsi sa performance. Le modèle utilisé, Prophet, offre l’avantage d’être ajustable en termes de sensibilité, tout en mettant en évidence les facteurs influents.
- Résultats : une moyenne d'erreur de 3,8 patients (en dessous de l’objectif fixé de 5).
- Succès global : 82%, un excellent résultat pour une première phase d’implémentation.
Les prochaines étapes incluent l’automatisation complète et l’intégration d’une interface utilisateur (IHM) pour restituer les résultats en temps réel via l'outil Dash en Python, avec un indice de confiance pour chaque prédiction.
2. Prédiction du Destin des Patients : Hospitalisation ou Retour à Domicile
Le deuxième volet de l’utilisation de l’IA vise à prédire le destin du patient dès son arrivée aux urgences. L’objectif est de savoir si le patient devra être hospitalisé ou pourra rentrer chez lui.
La prédiction s’effectue en trois étapes :
- Accueil : prise en compte des données initiales (âge, motif de consultation, température, antécédents médicaux, etc.).
- Consultation médicale : diagnostic du médecin, prescriptions biologiques et imagerie.
- Résultats d’analyse/scanner.
Deux modèles sont utilisés pour cette prédiction :
-
Un modèle de classification basé sur LightGBM,
-
Un modèle de traitement du langage naturel pour analyser les textes des médecins, avec BERT.
-
Fiabilité des modèles : 80% pour BERT, 78% pour les statistiques.
-
Lors de l’étape 1, la prédiction atteint une précision de 83%, qui grimpe à 85% à l’étape 2, après le diagnostic médical.
Retours d’Expérience et Enjeux
Challenges rencontrés :
- La performance des modèles reste un défi, malgré les bons résultats obtenus.
- L'accès aux données a été un processus long et complexe, nécessitant une année complète de négociations avec la CNIL.
- Les questions éthiques liées à l’utilisation de l’IA en médecine sont omniprésentes et nécessitent une réflexion approfondie.
Enseignements tirés :
- Il est crucial de développer des modèles expliquables pour garantir la confiance des professionnels de santé.
- L’aspect juridique, notamment les contraintes imposées par la CNIL, doit être pris en compte dès le début du projet.
- La collaboration interdisciplinaire (entre médecins, data scientists, et juristes) est essentielle à la réussite de tels projets.