Optimiser la prise en charge l’épidémie de Covid au sein d’un établissement hospitalier grâce aux outils de l’intelligence artificielle : une expérience en vie réelle

Introduction Lors de l’epidemie COVID-19 les centres hospitaliers (CH) ont eu 2 problematiques : – prevision de nombre de lits d’hospitalisation ; – prevision du risque d’aggravation d’un patient COVID-19 pour permettre une prise en charge optimale. Objectif Interet des bases de donnees medico-administratives pour l’aide a la gestion d’une epidemie tant en termes de prediction des besoins d’hospitalisations que pour l’elaboration de scores predictifs d’aggravation et de mortalite. Methodes Modele de prediction des besoins de lits d’hospitalisation : utilisation des donnees d’un CH du Grand Est, ayant subi l’epidemie avant le reste de la France, puis du niveau de croissance de l’epidemie en Ile-de-France et les caracteristiques propres du CH (modele de regression exponentielle puis regression de type logistique lorsque l’epidemie s’est ralentie, enfin fonction de type gamma pour la phase de decroissance ; les predictions ont ete effectuees de maniere quotidienne, a cinq jours). Modele de risque d’aggravation (deces, ou necessite de ventilation assiste ou survenue de SDRA) : modele de type foret d’arbres de decision ponderes, etabli sur les caracteristiques des patients Covid prouve vus aux urgences, utilisant les bases de donnees des urgences, du PMSI, des laboratoires, du dossier medical informatise, avec un codage au fil de l’eau. Resultats La comparaison entre besoins predits et situation reelle en lits lors des phases croissance, stabilite, decroissance montre une bonne prediction pour les phases croissance et decroissance, et une surestimation des besoins pour la phase stabilisation : l’erreur moyenne absolue en pourcentage de respectivement 3,9 %, 8,0 % et 14,5 % et de 7,5 % pour toute la periode. Prediction de l’aggravation : entre le 20/03/2020 et 09/05/2020, 619 patients inclus ; 416 (67,1 %) admis, 176 (43 %) ont eu une aggravation 67 (16,1 %) decedes, (respectivement 16,1 %, 16,3 % chez les non admis et admis en reanimation). La sensibilite, specificite et aire sous la courbe ROC est de respectivement 68 %, 73 % et 0,78. L’âge, la severite du scanner, la CRP, et les eosinophiles sont les facteurs les plus importants. Pour l’analyse restreint au risque de deces, la sensibilite, specificite et aire sous la courbe ROC est de respectivement 63,2 %, 80,9 % et 0,82. Conclusion Ces resultats montrent la pertinence des outils de l’intelligence artificielle pour une utilisation medicalisee pertinente des donnees medico-administratives hospitalieres en cas d’epidemie.