Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

Les hôpitaux sont des lieux où la complexité de la maladie humaine se cache souvent derrière des étiquettes simples. Un patient arrive avec un diagnostic, mais ce terme médical unique raconte rarement toute l'histoire de ce dont il a besoin. Deux personnes peuvent avoir la même maladie, pourtant l'une est assez forte pour marcher et manger de manière indépendante, tandis que l'autre est frêle, confuse et présente un risque élevé de chute ou de développement d'escarres. Pendant des décades, les dossiers hospitaliers se sont concentrés lourdement sur les diagnostics médicaux et les codes administratifs, qui sont utiles pour la facturation et le suivi des maladies, mais qui passent souvent à côté de la réalité quotidienne de l'état physique et des besoins de sécurité d'un patient. Les infirmiers, cependant, sont formés pour percevoir cette image manquante. Chaque jour, ils évaluent la capacité d'un patient à se déplacer, sa probabilité de glisser et si sa peau risque de se dégrader. Ces observations créent une carte riche et détaillée de la vulnérabilité d'un patient que les dossiers médicaux standards négligent souvent.

Le défi a toujours été de savoir comment transformer ces observations humaines détaillées en un système capable d'aider les médecins et les infirmiers à prendre des décisions plus rapides et meilleures pour des milliers de patients. Si une infirmière peut repérer un schéma de risque chez un patient, un ordinateur peut-il apprendre à repérer ce même schéma chez le suivant ? C'est à cette question qu'une équipe de chercheurs en Espagne a décidé de répondre. Ils voulaient voir s'ils pouvaient utiliser les notes spécifiques et structurées que les infirmiers rédigent lors de l'arrivée d'un patient pour regrouper les patients en catégories de risque claires. Leur objectif n'était pas seulement de trier les patients, mais de construire un outil numérique capable d'assigner automatiquement un nouveau patient au bon groupe de risque sur la base d'un contrôle infirmier court et de routine, garantissant ainsi que les personnes les plus vulnérables reçoivent l'attention nécessaire sans délai.

Les chercheurs ont travaillé avec les données d'un hôpital en Espagne, en examinant des milliers de séjours hospitaliers. Ils ont commencé par rassembler une collection massive de dossiers provenant de plus de 2 600 patients. Pour chacun de ces patients, ils avaient accès aux évaluations infirmières complètes et détaillées effectuées lors de leur admission. Ces évaluations comprenaient des scores sur la capacité d'un patient à effectuer des tâches quotidiennes comme manger et marcher, sa probabilité de développer des escarres et son risque de chute. Elles incluaient également l'âge du patient, son sexe et un score comptant ses autres problèmes de santé. En utilisant une méthode informatique qui recherche des modèles cachés sans être guidée par des instructions explicites, l'équipe a laissé les données parler d'elles-mêmes. Ils ont demandé à l'ordinateur de trouver des groupes naturels parmi les patients en se basant sur ces facteurs combinés.

L'ordinateur a trouvé cinq groupes distincts, ou profils, qui faisaient sens pour les experts humains. Le premier groupe était composé de patients jeunes, très sains et indépendants, présentant presque aucun risque de chute ou d'escarres. Le deuxième groupe était similaire en termes d'indépendance physique, mais composé de patients plus âgés avec plus de problèmes de santé chroniques. Le troisième groupe représentait des patients ayant des difficultés modérées ; ils pouvaient encore faire certaines choses par eux-mêmes, mais étaient clairement en difficulté. Le quatrième groupe comprenait des patients nettement dépendants des autres pour les soins et faisant face à des risques élevés. Enfin, le cinquième groupe était le plus vulnérable : des patients très âgés avec de nombreux problèmes de santé, totalement dépendants des autres pour leurs mouvements et présentant les risques les plus élevés de chutes et de lésions cutanées. Ces cinq catégories créaient une échelle de risque claire, allant de ceux qui avaient peu d'aide à ceux qui nécessitaient des soins constants et intensifs.

Une fois ces cinq groupes établis, les chercheurs ont été confrontés à une nouvelle tâche. Ils devaient trouver un moyen d'assigner les nouveaux patients à ces groupes sans avoir à effectuer l'évaluation détaillée et chronophage à chaque fois. Ils se sont tournés vers un outil plus court appelé l'instrument VALENF, une liste de contrôle de sept items utilisée de routine par les infirmiers. Cette liste pose des questions simples qui estiment les mêmes risques que les tests plus longs et plus détaillés. L'équipe a entraîné un programme informatique pour examiner les réponses à ces sept questions et prédire à quel groupe de risque le patient appartenait. Ils ont testé plusieurs types d'algorithmes d'apprentissage informatique, cherchant celui qui était le plus précis et, surtout, celui qui faisait les erreurs les plus sûres.

Dans le monde de l'évaluation des risques, une erreur peut prendre deux formes : l'ordinateur peut penser qu'un patient est en sécurité alors qu'il est en danger, ou il peut penser qu'un patient est à risque alors qu'il est en sécurité. Les chercheurs ont découvert qu'un type spécifique d'algorithme, connu sous le nom de forêt aléatoire (random forest), était le meilleur choix. Bien qu'une autre méthode soit légèrement plus précise globalement, la forêt aléatoire était meilleure pour être prudente. Elle était plus susceptible d'assigner un patient à un groupe de risque plus élevé en cas de doute, plutôt que de placer accidentellement une personne vulnérable dans une catégorie de faible risque. Cette approche de « la sécurité d'abord » est vitale dans un cadre hospitalier, où ignorer un risque peut avoir de graves conséquences. Le modèle informatique choisi a correctement assigné les patients à leurs groupes de risque environ 82 % du temps lors des tests, un niveau de performance que les chercheurs ont jugé suffisant pour aller de l'avant.

Pour voir si ce système fonctionnerait dans le monde réel, l'équipe l'a testé sur un tout nouvel ensemble de patients, impliquant plus de 8 000 séjours hospitaliers enregistrés quelques années plus tard. Ils n'ont pas modifié le programme informatique du tout ; ils ont simplement injecté les nouvelles données pour voir ce qui se passerait. Les résultats ont été encourageants. Le système a réussi à trier les nouveaux patients dans les cinq groupes de risque, et le schéma général de risque est resté cohérent. Les patients dans les groupes à haut risque étaient effectivement plus âgés, avaient plus de problèmes de santé et étaient moins mobiles que ceux des groupes à faible risque. Les assignations de l'ordinateur correspondaient à la réalité clinique de l'état des patients dans la grande majorité des cas.

Cependant, l'étude a également révélé des nuances importantes. Le système fonctionnait mieux pour les patients des catégories de risque moyen et élevé. Pour les deux groupes de patients généralement sains, l'ordinateur les déplaçait parfois entre les catégories « faible risque » et « faible risque avec problèmes de santé ». Cela se produisait parce que le nouveau groupe de patients était légèrement plus âgé et présentait légèrement plus de problèmes de santé chroniques que le groupe initial sur lequel l'ordinateur avait été entraîné. Bien que l'ordinateur ait géré les cas complexes et à haut risque avec une grande stabilité, les subtiles différences au sein de la population plus saine ont montré que le système est sensible aux changements dans le mélange de patients. Les chercheurs ont noté que, bien que l'outil soit techniquement solide et cliniquement logique, il n'est pas encore un produit fini prêt pour tous les hôpitaux.

L'étude conclut qu'il est possible de traduire la vision complexe et multidimensionnelle de la santé d'un patient en un profil de risque simple et automatisé en utilisant les données infirmières de routine. Les cinq groupes identifiés offrent un moyen clair et ordonné de comprendre la vulnérabilité des patients, allant au-delà du simple diagnostic médical pour capturer la réalité de la fonction quotidienne et de la sécurité. L'outil informatique développé pour assigner ces profils fonctionne bien, particulièrement pour identifier ceux qui ont besoin de plus de soins. Pourtant, les chercheurs précisent avec prudence qu'il s'agit d'un point de départ, et non d'une solution finale. Avant qu'un tel système puisse être utilisé pour prendre des décisions concernant les soins des patients dans les hôpitaux, il doit être testé dans de nombreux hôpitaux différents et surveillé au fil du temps pour garantir qu'il améliore les résultats et ne crée pas de nouveaux problèmes. Le travail prouve que l'idée est réalisable et que les données sont là, mais le passage d'une expérience informatique réussie à une partie de confiance des soins infirmiers quotidiens nécessite de nouvelles preuves et une planification rigoureuse.