Explainable Machine Learning for 30-Day Hospital Readmission Risk Prediction in Patients with Diabetes: A Comparative Analysis of Model Performance and Algorithmic Fairness

Chaque année aux États-Unis, des millions de personnes quittent l'hôpital pour n'y revenir que dans un mois. Pour les patients diabétiques, ce cycle est particulièrement courant, avec près d'un sur quatre qui revient pour un nouveau séjour hospitalier. Ces retours ne sont pas seulement une épreuve personnelle ; ils représentent un fardeau financier massif pour le système de santé, coûtant des milliards de dollars chaque année. Pour décourager ce schéma, les programmes fédéraux peuvent réduire les paiements aux hôpitaux qui ne parviennent pas à maintenir des taux de réadmission bas. Pourtant, malgré des enjeux élevés, les hôpitaux manquent souvent d'un moyen fiable de savoir quels patients spécifiques sont les plus susceptibles de revenir avant leur sortie. Les médecins doivent rendre ces jugements en se basant sur l'expérience et l'intuition, en pesant simultanément des dizaines de facteurs tels que l'âge du patient, les antécédents médicaux et les médicaments actuels.

C'est ici que l'apprentissage automatique intervient, non pas comme un remplacement du jugement humain, mais comme un outil pour aider à trier le bruit. L'apprentissage automatique est une méthode par laquelle les ordinateurs apprennent à reconnaître des modèles dans de grandes quantités de données sans être explicitement programmés avec un ensemble de règles. Dans ce contexte, l'objectif est de construire un système capable d'examiner le dossier médical d'un patient et d'estimer la probabilité d'une visite de retour. Le défi réside dans le volume considérable d'informations disponibles ; un seul dossier de patient peut contenir des centaines de points de données différents, allant des résultats de tests de laboratoire au type d'assurance qu'il détient. De plus, les données sont souvent désordonnées, avec des valeurs manquantes et des relations complexes entre les variables qui sont difficiles à suivre manuellement pour les humains. La question que les chercheurs se sont posée était de savoir si un ordinateur pouvait apprendre à repérer les signaux subtils de risque cachés dans cette complexité mieux qu'une simple liste de contrôle.

Un chercheur de l'Université de Pennsylvanie, Zisheng Liang, a abordé ce problème en construisant et en testant plusieurs modèles informatiques différents pour prédire les réadmissions à 30 jours pour les patients diabétiques. L'étude s'est appuyée sur une collection massive de dossiers médicaux réels provenant de plus de 100 000 visites hospitalières dans 130 hôpitaux aux États-Unis, s'étendant sur près d'une décennie. Après avoir soigneusement nettoyé les données — en supprimant les dossiers incomplets ou non pertinents et en organisant l'information dans un format compréhensible pour les ordinateurs — le chercheur s'est retrouvé avec un ensemble de données où seulement environ 11 % des patients avaient réellement été réadmis. Ce déséquilibre signifiait qu'un ordinateur pourrait simplement deviner « pas de retour » pour chaque patient et avoir raison la plupart du temps, mais il échouerait complètement dans sa mission réelle consistant à trouver les personnes qui avaient besoin d'aide.

Pour résoudre cela, le chercheur a entraîné quatre types différents d'algorithmes, chacun ayant sa propre façon de réfléchir aux données. Un type, appelé régression logistique, fonctionne comme une balance pondérée, additionnant des facteurs pour parvenir à une décision. Un autre, un arbre de décision, pose une série de questions par oui ou par non pour restreindre la réponse. Un troisième, une forêt aléatoire (random forest), combine la logique de nombreux arbres de décision pour créer une prédiction plus robuste. Le chercheur a également créé de nouvelles caractéristiques pour aider les modèles, comme le comptage du nombre total de médicaments qu'un patient prenait ou le regroupement de codes médicaux complexes en catégories plus larges telles que les problèmes « circulatoires » ou « respiratoires ». Crucialement, les données ont été divisées de manière à imiter la vie réelle : le modèle apprenait à partir de visites passées et était testé sur des visites futures, garantissant qu'il puisse prédire ce qui allait se passer plutôt que de simplement mémoriser ce qui s'était déjà produit.

Lorsque les modèles ont été mis à l'épreuve, les résultats se sont révélés révélateurs. Aucun des algorithmes n'a atteint une précision parfaite, ce que le chercheur a noté comme étant attendu compte tenu de la difficulté de prédire le comportement humain et les résultats de santé. Cependant, le modèle de forêt aléatoire est apparu comme l'outil le plus efficace pour l'objectif spécifique de l'étude. Il a réussi à identifier environ 71 % des patients qui ont réellement été réadmis, un taux nettement supérieur aux autres modèles. Bien que les autres modèles aient été légèrement meilleurs pour éviter les fausses alertes, la capacité de la forêt aléatoire à capturer la majorité des patients à haut risque en faisait l'outil le plus précieux pour un hôpital cherchant à prévenir les retours. L'analyse a montré que les facteurs les plus importants dictant ces prédictions n'étaient pas surprenants pour les professionnels de la médecine : le nombre de séjours hospitaliers précédents, le nombre total de visites antérieures et le lieu où le patient a été renvoyé étaient les indicateurs de risque les plus forts.

L'étude a également examiné de près si ces modèles traitaient différentes populations de manière équitable, vérifiant si les prédictions variaient en fonction de la race, du sexe ou de l'âge. Les résultats ont montré qu'aucun modèle n'était parfaitement équitable pour tous les groupes. Le modèle de forêt aléatoire, bien qu'étant le meilleur pour capturer les patients à haut risque dans l'ensemble, présentait un écart de performance plus important entre les différents groupes raciaux par rapport aux modèles plus simples. Le chercheur a reconnu ce compromis, notant que bien que le modèle ne soit pas aussi précis pour chaque groupe démographique, sa capacité supérieure à identifier les patients qui avaient réellement besoin d'une intervention en faisait le meilleur choix pour un déploiement, à condition que les médecins restent conscients de ces limites.

En conclusion, l'étude affirme que bien que l'apprentissage automatique ne puisse pas prédire parfaitement l'avenir, il peut servir d'assistant puissant. Le système proposé ne prendrait pas de décisions à la place des médecins, mais fournirait plutôt une liste classée de patients, mettant en évidence ceux qui sont les plus susceptibles de revenir afin que les équipes de soins puissent les prioriser pour un soutien supplémentaire, tel que des rendez-vous de suivi ou des révisions de médication. Le chercheur a souligné que cet outil est encore un travail en cours ; les données utilisées datent de la fin des années 1990 et du début des années 2000, ce qui signifie qu'elles ne reflètent pas les pratiques médicales actuelles ou les conditions sociales comme la stabilité du logement. Avant qu'un tel système ne puisse être utilisé dans un véritable hôpital, il devrait être testé sur des données modernes et validé pour s'assurer qu'il fonctionne comme prévu. Pour l'instant, ce travail démontre que les ordinateurs peuvent apprendre à reconnaître les modèles complexes de risque dans les soins liés au diabète, offrant une voie potentielle pour réduire le cycle des retours à l'hôpital, même si le chemin n'est pas encore totalement pavé.