Global method for predicting the hospital length of stay using incremental and evolutionary data

Prédire la durée de séjour des patients est un enjeu important pour l'organisation des activités de soin dans les hôpitaux, notamment en termes de gestion des lits et de préparation de la sortie des patients. Faciliter l'organisation des activités de l'hôpital influence l'accès, la qualité et l'efficience des soins. Dans cette thèse, nous avons cherché à prédire la durée de séjour pour tous les patients de l'hôpital, à toutes les étapes qui composent leurs parcours de soins, à l'aide de données médico-administratives standardisées de Médecine, Chirurgie, Obstétrique qui sont collectées pour le remboursement des soins. Nous avons commencé par faire une revue systématique de la littérature sur les méthodes de prédiction des durées de séjours, afin de mieux comprendre la préparation des données, les différentes approches de prédiction et la façon de rapporter les résultats. Nous avons ensuite travaillé sur une méthode de prétraitement des données et déterminé si les embeddings peuvent représenter les concepts médicaux dans le cadre des prédictions de durées de séjours via un réseau de neurones. La capacité du réseau de neurones à correctement prédire la durée de séjour a été évaluée et comparée avec celle d'une forêt aléatoire et d'une régression logistique. Nos travaux montrent que la durée de séjour hospitalière peut être prédite au moyen d'un réseau de neurones avec des données médico-administratives standardisées disponibles pour tous les patients.Predicting patient length of stay is an important issue for the organization of care activities in hospitals, especially for beds management the and preparation for patients discharge. Facilitating the organization of hospital activities influences access, quality and efficiency of care. In this thesis, we sought to predict length of stay for all patients in the hospital, at all stages that make up their care pathways, using standardized Medical, Surgical, Obstetric medico-administrative data collected for reimbursement of care. We began by conducting a systematic review of the literature on methods for predicting lengths of stay, in order to better understand data preparation, the different prediction approaches, and how to report the results. We then worked on a data preprocessing method and investigated the ability of embeddings to represent medical concepts in the context of length of stay predictions via a neural network. The ability of the neural network to correctly predict length of stay was rigorously evaluated and compared with a random forest and a logistic regression. This work shows that hospital length of stay can be predicted by a neural network using standardized medical-administrative data available for all patients