slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
PowerPoint Presentation
Download Presentation

Loading in 2 Seconds...

play fullscreen
1 / 30

- PowerPoint PPT Presentation


  • 192 Views
  • Uploaded on

Planifadmission , outil open source d’aide à la planification des admissions programmées basé sur une prédiction statistique des durées de séjour. Emmanuel Chazard 1 Pierre-Henry Miquel 2 Matthieu Genty 3 Régis Beuscart 1 1 CHRU Lille; Univ Lille Nord de France; EA 2694

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about '' - ginger


Download Now An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

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

conflits d int r ts autorisations
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

pr dire les dur es de s jour pour mieux planifier les admissions programm es

Prédire les durées de séjour pour mieux planifier les admissions programmées

Introduction

Matériel et Méthodes

Résultats

Discussion

contr ler les dur es de s jour pourquoi et comment
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

pr dire les dur es de s jour peut il permettre de les diminuer
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

objectifs de ce travail
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

mat riel et m thodes
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

r sultat
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

r sultat scenario illustratif
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

slide10

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

slide11

Etape 2 : choisir le type de prise en charge

Prédire les durées de séjour pour planifier les admissions programmées

Décembre 2011

slide12

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

slide13

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

slide14

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

slide15

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

slide16

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

r sultat scenario illustratif suite
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

slide19

Le résultat diffère.

Mais, surtout, le patient est déjà hospitalisé. Suivons le lien pour changer de page.

slide20

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.

slide21

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

retour aux mat riel et m thodes
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

retour aux r sultats
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

variables utilis es exemple des hernies
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

slide25

Formulaire Hernies des cliniques

Formulaire Hernies Base Nationale

Formulaire PTH Base Nationale

Prédire les durées de séjour pour planifier les admissions programmées

Décembre 2011

groupes de patients identifi s exemple des hernies dans le groupe de cliniques
6 groupes de patients identifiés sur des critères connus avant l’hospitalisationGroupes 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

groupes de patients identifi s exemple des hernies dans le groupe de cliniques1
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

groupes de patients identifi s exemple des hernies dans le groupe de cliniques2
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

discussion
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

merci de votre attention

Merci de votre attention

Code source et test en ligne :

http://planifadmission.cefimis.com

Prédire les durées de séjour pour planifier les admissions programmées