INFARCTUS DU MYOCARDE : QUELLES SONT LES TRAJECTOIRES DE SOINS PRONOSTIQUES DU DÉCÈS À L'HÔPITAL?

Dimension: px

Commencer à balayer dès la page:

Download "INFARCTUS DU MYOCARDE : QUELLES SONT LES TRAJECTOIRES DE SOINS PRONOSTIQUES DU DÉCÈS À L'HÔPITAL?"

Sévérine Fortier
il y a 6 ans
Total affichages :

1 INFARCTUS DU MYOCARDE : QUELLES SONT LES TRAJECTOIRES DE SOINS PRONOSTIQUES DU DÉCÈS À L'HÔPITAL? J. Pinaire, J. Azé, S. Bringay, P. Landais LIRMM, EA 2415 Université de Montpellier & CHU de Nîmes Ingénierie des Connaissances 2017 Caen 05 juillet 2017

2 Sommaire 2 Contexte et objectifs Méthode Résultats Conclusion et perspectives

3 Contexte personnes par an décèdent lors de la 1 ère crise décèdent un an après 3

4 Objectifs 4 Prédire le décès à partir des parcours de soins : Déterminer le meilleur modèle Identifier les parcours pronostiques du décès

5 Méthode 5 Phase 1 Extraction de motifs séquentiels contextuels Phase 2 Prédiction

6 Méthode : Phase 1 6 Base nationale PMSI Sélection des patients avec séjours IM

7 Méthode : Phase 1 7 Base nationale PMSI Sélection des patients avec séjours IM Critères IM De 20 à 99 ans France métropolitaine Du 1 er mars 2009 au 31 décembre 2014 = patients

8 Méthode : Phase 1 8 Base nationale PMSI Sélection des patients avec séjours IM Création de contextes Sexe : H - F Age : - 45; 45 65; + 65 ans. Nb Hospit : 2-5; 5-60;+ 60.

9 Méthode : Phase 1 9 Base nationale PMSI Sélection des patients avec séjours IM Création de contextes Sexe : H - F Age : - 45; 45 65; + 65 ans. Nb Hospit : 2-5; 5-60;+ 60. Reconstitution des trajectoires

10 Méthode : Phase 1 10 Reconstitution des trajectoires Légende des différentes catégories de séjours Séjour lié à la cardiopathologie Autre type de séjours I. Reconstitution des séquences des évènements hospitaliers Patient 1 Infarctus du myocarde Diabète Obésité Fracture du poignet Angine de poitrine Patient 2 Infarctus du myocarde Cataracte Insuffisance rénale Infarctus aigu avec décès Tri des évènements II. Constitution des trajectoires de patients Patient 1 Infarctus du myocarde Diabète Obésité Angine de poitrine Patient 2 Infarctus du myocarde Insuffisance rénale Infarctus aigu avec décès

11 Méthode : Phase 1 11 Base nationale PMSI Sélection des patients avec séjours IM Création de contextes Sexe : H - F Age : - 45; 45 65; + 65 ans. Nb Hospit : 2-5; 5-60;+ 60. Reconstitution des trajectoires Recherche de motifs séquentiels contextuels fréquents (Rabatel, 2011)

12 Méthode : Phase 1 12 Recherche de motifs séquentiels contextuels fréquents Séquence Généralement fréquent : 4/5 Fréquent chez les

13 Méthode : Phase 1 13 Base nationale PMSI Sélection des patients avec séjours IM Création de contextes Sexe : H - F Age : - 45; 45 65; + 65 ans. Nb Hospit : 2-5; 5-60;+ 60. Reconstitution des trajectoires Recherche de motifs séquentiels contextuels fréquents (Rabatel, 2011) Sélection des motifs maximaux (Gouda & Zaki, 2005) A-B-C A-B A-B-C

14 Méthode : Phase 2 14 Sélection des données

Méthode : Phase 2 15 Sélection des données Trajectoires ayant au moins 4 évènements (5 199 patients) Echantillons équilibrés selon l état final du patient à la fin de la période

15 Méthode : Phase 2 15 Sélection des données Trajectoires ayant au moins 4 évènements (5 199 patients) Echantillons équilibrés selon l état final du patient à la fin de la période d observation : autant de patients décédés que vivants Données pour la validation externe : échantillon validation Données pour la prédiction : échantillons apprentissage et test

16 Méthode : Phase 2 16 Sélection des données Calcul des scores similarité

17 Méthode : Phase 2 17 Calcul des scores similarité Dans un contexte donné, pour chaque patient on calcule la similarité entre chacun des motifs et la trajectoire du patient. TrajPat 1 TrajPat 2 TrajPat 3 TrajPat n Motif 1 Motif 2 Motif k score Cette similarité est mesurée par : Distances d édition : LCS, OSA, Levenshtein, Damerau-Levenshtein Distances q-gramme, Jaccard, cosinus Distances de Jaro et Jaro-Winckler

18 Méthode : Phase 2 18 Sélection des données Calcul des scores similarité Prédiction : apprentissage & test

Méthode : Phase 2 19 Prédiction : apprentissage & test Prédiction : Naïve Bayes Régression logistique Arbre de régression KNN SVM Modèles Échantillon

19 Méthode : Phase 2 19 Prédiction : apprentissage & test Prédiction : Naïve Bayes Régression logistique Arbre de régression KNN SVM Modèles Échantillon apprentissage Test et mesures de performances : Accuracy, taux d erreur, précision, F-mesure, aire sous la courbe ROC Échantillon Test Choix du modèle

20 Méthode : Phase 2 20 Sélection des données Calcul des scores similarité Prédiction : apprentissage & test (Collins, 2015) Validation externe

21 Méthode : Phase 2 21 Validation externe Modèle sélectionné Échantillon validation Validation et mesures de performances : aire sous la courbe ROC et score de Brier

22 Méthode : Phase 2 22 Sélection des données Calcul des scores similarité Prédiction : apprentissage & test Validation externe Identification des parcours pronostiques du décès

23 Résultats 23 Choix des modèles : Régression logistique couplée avec une distance d édition SVM couplée avec une distance q-gramme

24 Résultats 24 Identification des parcours pronostiques du décès : Contexte 5-60 séjours : IM aigu pose de stent Actes diagnostics par voie vasculaire Facteurs de risque Pose de stent pose de stent pose de stent Actes thérapeutiques par voie vasculaire Facteurs protecteurs Contexte 3-5 séjours : IM aigu Actes diagnostics par voie vasculaire Actes thérapeutiques par voie vasculaire

25 Conclusions 25 Modélisation du décès : Données : trajectoires des patients Méthode en 2 étapes : extraction de motifs fréquents et prédiction Identification de parcours à risque : Evolution de la pathologie Suivi du patient Limites de l étude : Différence de longueur des séquences Qualité des données PMSI

26 Perspectives 26 Amélioration de l approche proposée : Pondération sur la longueur des séquences Utilisation d autres mesures (émergence, confiance, ) D autres approches sont possibles : Autres contextes + Classifieur Analyse de concept formelle + Event Calculus Système de surveillance à partir des bases PMSI

27 Références 27 Collins G. S., Reitsma J. B., Altman D. G. & Moons K. G. (2015). Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD) : the TRIPOD statement. BioMed Central Medicine, 13(1), g7594. Gouda K. & Zaki M. J. (2005). GenMax : An Efficient Algorithm for Mining Maximal Frequent Itemsets. Data Mining and Knowledge Discovery, 11(3), Rabatel J. (2011). Extraction de motifs contextuels : Enjeux et applications dans les données séquentielles. PhD thesis, Université Montpellier II.