Development and Evaluation of Explainable Machine-Learning Models for Predicting 30-Day Unplanned Hospital Readmission

Les hôpitaux sont des lieux où les gens vont pour aller mieux, mais parfois, peu de temps après leur départ, ils se retrouvent contraints d'y revenir. Ce retour, connu sous le nom de réadmission, est souvent imprévu et peut signaler que la convalescence d'un patient était incomplète, que sa transition vers le domicile a été difficile ou que sa santé sous-jacente est plus complexe qu'on ne l'avait initialement pensé. Pour les systèmes de santé, ces retours sont coûteux et stressants pour toutes les personnes impliquées. Pour les patients, ils représentent une interruption dans leur rétablissement et une menace potentielle pour leur bien-être. C'est pourquoi les médecins et les administrateurs cherchent constamment des moyens d'identifier quels patients sont les plus susceptibles de revenir avant même qu'ils ne quittent l'hôpital. S'ils peuvent repérer ces risques tôt, ils peuvent offrir un soutien supplémentaire, une meilleure gestion des médicaments ou un suivi plus étroit pour maintenir les gens en bonne santé à domicile.

Pendant des années, des chercheurs ont tenté de construire des programmes informatiques capables de prédire ces retours. Ces programmes examinent l'historique d'un patient — son âge, ses visites hospitalières passées, le nombre de médicaments qu'il prend et ses problèmes de santé actuels — pour calculer un score de risque. Cependant, les outils utilisés pour construire ces programmes ont évolué. Par le passé, les scientifiques s'appuyaient sur des méthodes statistiques simples, faciles à comprendre, mais qui manquaient parfois des schémas complexes dans les données. Aujourd'hui, des techniques informatiques plus puissantes, souvent appelées apprentissage automatique (machine learning), peuvent passer au crible de vastes quantités d'informations et trouver des connexions subtiles que des méthodes plus simples pourraient ignorer. Mais il y a un bémol : ces outils puissants peuvent être comme une boîte noire, faisant une prédiction sans expliquer pourquoi. Pour qu'un médecin puisse faire confiance aux conseils d'un ordinateur, il doit comprendre le raisonnement qui sous-tend la décision.

Une étude récente menée par les chercheurs Sharare Taheri Moghadam et Md Shafiqur Rahman Jabin a abordé ce défi en construisant et en testant deux types différents de modèles de prédiction pour voir lequel fonctionnait le mieux et lequel pouvait expliquer sa pensée plus clairement. Ils se sont concentrés sur le problème spécifique de la prédiction de savoir si un patient adulte serait réadmis à l'hôpital dans les trente jours suivant sa sortie. Pour ce faire, ils ont créé un cadre de démonstration utilisant un ensemble de données synthétiques — une collection de dossiers de patients générée par ordinateur conçue pour imiter les données hospitalières réelles sans utiliser d'informations privées réelles. Cela leur a permis de tester leurs méthodes de manière sûre et reproductible avant de les appliquer à des dossiers du monde réel.

Les chercheurs ont mis en place une comparaison directe entre deux approches. La première était un modèle statistique traditionnel, qu'ils ont utilisé comme une base de référence fiable. La seconde était un modèle d'apprentissage automatique plus avancé appelé Forêt Aléatoire (Random Forest). Vous pouvez imaginer une Forêt Aléatoire comme une équipe de nombreux décideurs travaillant ensemble ; au lieu de s'appuyer sur une seule règle, elle combine les opinions de centaines de petits arbres de décision pour parvenir à une conclusion finale. Cette approche est reconnue pour être très efficace pour repérer les relations complexes et non linéaires dans les données, comme la façon dont l'âge d'un patient peut interagir avec le nombre de médicaments qu'il prend pour augmenter le risque. L'équipe a entraîné les deux modèles sur les données synthétiques, puis leur a demandé de prédire les résultats pour un nouvel ensemble de patients qu'ils n'avaient pas encore vus.

Les résultats ont montré que le modèle d'apprentissage automatique, plus complexe, était effectivement plus précis. Le modèle de Forêt Aléatoire a correctement identifié les patients qui reviendraient dans 75,8 % des cas, contre 71,2 % pour le modèle traditionnel. Il a également commis moins d'erreurs au total, classant correctement 86,5 % de tous les cas, tandis que le modèle traditionnel en a réussi 83,5 %. Plus important encore, le modèle avancé a fait moins d'erreurs dans les deux sens : il a manqué moins de patients à haut risque qui sont réellement revenus, et il a moins signalé de patients à faible risque qui auraient été en sécurité à domicile. Dans le langage de l'étude, le modèle d'apprentissage automatique a obtenu un score de 0,84 sur une échelle de discrimination, ce qui signifie qu'il était meilleur pour séparer ceux qui reviendraient de ceux qui ne reviendraient pas, comparativement à un score de 0,72 pour le modèle traditionnel.

Cependant, l'étude ne s'est pas arrêtée à la simple mesure de la précision. Les chercheurs savaient qu'un modèle n'est pas utile dans un hôpital si les médecins ne peuvent pas comprendre pourquoi il a fait une prédiction spécifique. Pour résoudre cela, ils ont utilisé une technique appelée SHAP, qui agit comme un projecteur pour montrer exactement quels facteurs ont poussé la prédiction vers le haut ou vers le bas pour chaque patient individuel. Lorsqu'ils ont examiné les résultats, un tableau clair est apparu. Le facteur le plus important pour prédire un retour à l'hôpital était simplement le fait que le patient avait déjà été hospitalisé auparavant. C'était le signal le plus fort dans les deux modèles. D'autres facteurs significatifs comprenaient la durée du séjour hospitalier lors de la visite actuelle, le nombre de médicaments différents pris, le nombre de pathologies médicales, l'âge et la présence de problèmes rénaux.

L'étude a également révélé que certains facteurs réduisaient en fait le risque de retour. Les patients qui étaient renvoyés chez eux avec un rendez-on de suivi programmé, ceux dont les médicaments avaient été soigneusement vérifiés et réconciliés avant la sortie, et ceux qui étaient renvoyés à leur propre domicile plutôt que dans un établissement de soins infirmiers étaient moins susceptibles de revenir. Le modèle d'apprentissage automatique a été capable de peser tous ces facteurs ensemble, montrant comment un patient avec un long séjour hospitalier et de nombreux médicaments pourrait être à haut risque, même si son âge est jeune. Pour un exemple de patient spécifique dans l'étude, l'ordinateur a expliqué que son risque élevé était principalement dicté par son historique d'admissions précédentes, suivi par le nombre de médicaments pris et sa fonction rénale.

Il est crucial de noter que cette étude était une démonstration d'une méthode, et non un outil médical final prêt à être utilisé dans chaque hôpital. Les chercheurs ont utilisé des données synthétiques pour prouver que leur flux de travail fonctionnait, mais ils ont explicitement déclaré que ces résultats doivent être testés sur de vastes ensembles de données réelles provenant d'hôpitaux réels avant de pouvoir être fiables pour des décisions cliniques. L'étude n'a pas encore vérifié si les prédictions du modèle étaient parfaitement calibrées par rapport aux probabilités du monde réel, ni n'a testé la performance du modèle à travers différents groupes démographiques ou dans différents systèmes de santé. Ce sont des étapes essentielles suivantes. Les chercheurs ont également souligné que, bien que le modèle puisse expliquer quels facteurs ont contribué à un score de risque, cela ne signifie pas que ces facteurs sont la cause directe de la réadmission. Par exemple, un long séjour hospitalier peut être un signe de maladie grave plutôt que la cause même du retour.

Malgré ces limites, ce travail constitue un schéma directeur précieux pour l'avenir des soins hospitaliers. Il montre qu'il est possible d'utiliser des modèles informatiques puissants et complexes pour prédire les résultats des patients tout en gardant le raisonnement transparent et compréhensible pour les médecins humains. En combinant la haute précision de l'apprentissage automatique avec des explications claires sur les raisons pour lesquelles un patient est à risque, les prestataires de soins pourraient éventuellement disposer d'un outil les aidant à concentrer leurs ressources sur les patients qui en ont le plus besoin. L'étude conclut que, bien que le modèle d'apprentissage automatique ait surpassé le modèle traditionnel dans cette simulation, la véritable valeur réside dans la capacité à combiner une prédiction forte avec une explication claire, ouvrant la voie à des systèmes de support à la décision clinique plus intelligents et plus dignes de confiance.