Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

Imaginez que vous entrez dans une gare animée et chaotique. Des gens se précipitent de toutes parts, certains avec une cheville tordue, d'autres se tenant la poitrine, et d'autres encore l'air complètement perdus. Le travail du chef de gare est de déterminer qui a besoin d'une aide immédiate et qui peut attendre, tout en essayant de prédire qui pourrait ne pas survivre à sa sortie de la gare. C'est exactement ce qui se passe dans le service des urgences d'un hôpital. C'est la porte d'entrée des soins de santé, un lieu où la vie et la mort ne tiennent souvent qu'à un fil.

Pendant longtemps, les médecins ont essayé de deviner quels patients étaient les plus en danger. Ils utilisent des outils comme des listes de contrôle ou leur propre expérience, un peu comme un prévisionniste météo qui observe les nuages pour prédire une tempête. Mais parfois, les nuages sont trompeurs, et la tempête frappe quand on s'y attend le moins. C'est là qu'intervient l'« apprentissage statistique ». Considérez cela comme le fait de donner au prévisionniste météo un cerveau d'ordinateur super intelligent. Au lieu de simplement regarder quelques nuages, ce cerveau d'ordinateur examine des milliers de tempêtes passées, apprend les schémas et comprend quelles combinaisons spécifiques de conditions météorologiques mènent généralement à une catastrophe. Dans le monde de la médecine, cela signifie nourrir un ordinateur avec des données sur les patients passés — ce dont ils souffraient, quel âge ils avaient et ce qui leur est arrivé — pour voir si l'ordinateur peut repérer les schémas cachés qui mènent à la mort, des schémas qu'un humain pourrait manquer.

---

La Grande Expérience de l'Hôpital Saint Joseph

En République Démocratique du Congo, dans un établissement appelé l'Hôpital Saint Joseph à Kinshasa, une équipe de chercheurs a décidé de laisser ce « cerveau d'ordinateur super intelligent » jeter un coup d'œil à leurs urgences. Ils voulaient savoir : parmi toutes les différentes maladies que les gens apportent, lesquelles sont les plus grands signaux d'alarme de la mort ?

Ils n'ont pas seulement deviné ; ils sont remontés le temps. Ils ont fouillé dans les dossiers papier de 5 172 patients qui se sont présentés aux urgences entre le 1er janvier 2018 et le 31 décembre 2019. C'était comme regarder un immense album photo de plus de 5 000 histoires. Ils ont noté l'âge du patient, son sexe, le nombre de problèmes de santé qu'il présentait et, surtout, s'il a survécu ou s'il est décédé. Dans ce groupe, environ 7,5 % des personnes n'ont pas survécu à leur visite.

Enseigner à l'ordinateur à voir

Les chercheurs ont été confrontés à un problème : les médecins avaient écrit de plus de mille façons différentes pour décrire les maladies ! Un médecin pourrait écrire « mal au ventre », tandis qu'un autre écrit « abdomen chirurgical ». Pour donner un sens à tout cela, l'équipe a agi comme un bibliothécaire organisant une étagère de livres en désordre. Ils ont regroupé tous ces milliers de descriptions désordonnées en 19 catégories nettes, comme « Cancers », « Malaria », « Choc » ou « Lésions cérébrales ».

Ensuite, ils ont divisé leurs données en deux tas. Ils ont donné 70 % des histoires à l'ordinateur pour qu'il les étudie (l'ensemble d'« entraînement ») et ont gardé les 30 % restants cachés (l'ensemble de « test »). Ils ont demandé à l'ordinateur d'essayer six méthodes d'apprentissage différentes, un peu comme si l'on essayait six méthodes d'étude différentes pour voir laquelle obtient les meilleures notes.

Les Résultats : Qui a gagné la course ?

L'ordinateur a essayé six différents « styles d'apprentissage » :

1. ElasticNet (une méthode qui équilibre différents indices)
2. Régression Logistique (une méthode mathématique classique)
3. Réseaux de Neurones (imitant le cerveau humain)
4. xGBoost (une méthode de boosting puissante)
5. Arbres de Décision (créant des choix oui/non comme un organigramme)
6. Forêt Aléatoire (Random Forest) (un ensemble de nombreux arbres de décision travaillant ensemble)

Lorsqu'ils ont testé ces méthodes sur les 30 % de patients cachés, les résultats étaient clairs. Quatre des modèles ont fait un travail plutôt satisfaisant, mais deux d'entre eux ont très mal échoué. Les modèles d'Arbres de Décision et de Forêt Aléatoire étaient comme des étudiants qui auraient oublié d'étudier ; ils ont si mal performé qu'ils étaient à peine meilleurs que de lancer une pièce de monnaie.

Les vainqueurs étaient ElasticNet, Régression Logistique, Réseaux de Neurones et xGBoost. Parmi eux, ElasticNet était le champion, obtenant la « précision » la plus élevée (techniquement appelée un AUC de 0,736). Ce score suggère que le modèle est assez bon pour faire la différence entre les patients qui survivront et ceux qui ne survivront pas, bien qu'il ne soit pas parfait.

Les Six Principaux Signes de Danger

Alors, qu'a appris ce cerveau d'ordinateur vainqueur ? Il a identifié les six types spécifiques de maladies qui sont les plus fortement liés à la mort dans cet hôpital. Si vous étiez un médecin à l'Hôpital Saint Joseph, ce sont les six conditions qui devraient vous faire appuyer sur le bouton d'« alerte maximale » :

1. États de choc : Quand les systèmes du corps s'effondrent (comme un moteur de voiture qui surchauffe et se bloque).
2. Septicémie : Une infection grave et généralisée dans tout le corps.
3. Tuberculose ou maladies pulmonaires : Problèmes de respiration et des poumons.
4. Coma : Un état d'inconscience profonde.
5. Méningo-encéphalite : Inflammation du cerveau et de ses enveloppes.
6. Cancer : Tumeurs et maladies apparentées.

Il est intéressant de noter que l'ordinateur a également découvert que la Malaria, qui est très courante dans cette partie du monde, était le septième prédicteur le plus important, même si les méthodes mathématiques traditionnelles ne pensaient pas qu'elle l'était autant. Il a aussi remarqué que les « autres traumatismes » (comme les accidents de voiture et les chutes) étaient significatifs, probablement parce que l'hôpital est situé juste à côté d'une route très fréquentée menant à l'aéroport.

Ce que cela signifie (et ce que cela ne signifie pas)

Les chercheurs prennent soin de préciser que ceci n'est pas une baguette magique qui résout tout. Ils admettent que leur étude présente des limites. Ils n'ont regardé qu'un seul hôpital, nous ne pouvons donc pas être sûrs à 100 % que ces règles exactes s'appliquent à tous les hôpitaux du monde. De plus, comme ils ont utilisé d'anciens dossiers papier, certaines informations ont pu être notées légèrement différemment par différents médecins, ce qui a pu un peu confondre l'ordinateur. L'ordinateur a également eu du mal à prédire les cas rares où les gens sont décédés, prédisant souvent la « survie » par simple mesure de prudence, ce qui est un problème courant lorsque la mort est un événement rare.

Cependant, l'étude suggère que l'utilisation de ces outils d'apprentissage statistique peut aider les médecins et les gestionnaires d'hôpitaux à prendre de meilleures décisions. En sachant que le choc, la septicémie et les problèmes pulmonaires sont les principaux tueurs, l'hôpital peut concentrer ses ressources limitées sur la surveillance étroite de ces patients. C'est comme avoir un système d'alarme intelligent qui vous dit exactement quelles portes verrouiller en premier lorsqu'une tempête approche. Les auteurs espèrent qu'à l'avenir, d'autres études confirmeront ces résultats, aidant ainsi les médecins dans les endroits disposant de moins de ressources à sauver plus de vies.