Santé

Diminuer les réadmissions à l'hôpital
grâce à la science des données

RÉSUMÉ

Les réadmissions à l'hôpital augmentent considérablement le coût des soins aux États-Unis, et cela touche en priorité les communautés défavorisées. En utilisant des techniques de data science, nous arrivons à identifier les patients qui présentent de forts risques de réhospitalisation. Finalement, grâce à des interventions proactives, le taux de réadmission à l'hôpital diminue.

NOS PARTENAIRES

DESCRIPTION

Aux États-Unis, les dépenses de santé par personne sont plus élevées que partout ailleurs 1. Malheureusement, on constate toujours d'importantes inégalités concernant la qualité des soins fournis. Les inégalités sont particulièrement criantes lorsqu'on s'intéresse au taux de réadmission, c'est-à-dire le taux de patients qui finissent par revenir à l'hôpital, qui s'établit à 15 % pour les patients du programme national Medicare2. La seule réadmission des patients du Medicare coûte plus de 26 milliards annuels aux contribuables, alors que 17 milliards pourraient être évités 3. Cela devient très problématique pour les patients défavorisés ou pour ceux qui ont besoin de soins médicaux complexes 4. C'est pourquoi Bayes Impact travaille actuellement à l'identification des patients qui risquent le plus de devoir retourner à l'hôpital, afin de pouvoir les orienter vers des soins de suivi appropriés.

Pour réduire les réadmissions à l'hôpital, il faut combiner la pratique fondée sur l'expérience clinique avec les solutions orientées par les données. L'objectif est de comprendre les causes profondes des réadmissions individuelles et d'être en mesure de proposer aux patients des interventions personnalisées de manière proactive. C'est un problème face auquel la data science a fait ses preuves comme levier d'innovation sociale. Depuis plusieurs années, plusieurs universitaires ont essayé de modéliser le risque de réadmission pour un patient mais très peu d'entre eux ont utilisé l'ensemble des techniques d'apprentissage automatique dont nous disposons désormais. D'autre part, les modèles créés ont très rarement été intégrés à l'infrastructure technologique hospitalière (système de dossiers de santé électroniques) ou à leurs outils de gestion des soins (approche holistique, en équipe et centrée sur le patient).

Bayes Impact s'est associé à Sutter Health, l'un des plus importants réseaux d'hôpitaux de Californie, pour relever ce challenge avec comme objectif final de venir en aide à de très nombreux citoyens. Nous réalisons actuellement des études de cohorte et construisons des modèles d'apprentissage automatique pour prédire le risque de réadmission d'un patient. Nous avons pour objectif de construire un logiciel de pointe de prédiction du risque qui s'intègre parfaitement au dossier de santé électronique et aux outils de gestion des soins de nos partenaires hospitaliers. Soutenus par la Robert Wood Johnson Foundation, nous nous engageons à proposer notre produit final en open source. A terme, nous voulons fournir aux hôpitaux de toutes tailles un outil de gestion des soins pointu, adaptable et facile d'intégration qui améliorera la qualité des soins pour des millions d'américains.