Detaillierte Beitrags-Information

Zurück zur Liste

Beitragstitel Prédire l’hospitalisation psychiatrique à l’aide d’algorithmes de Machine Learning
Autoren
  1. Benedetta Silva CHUV & Université de Lausanne Vortragender
  2. Mehdi Gholam EPFL - Ecole Polytechnique fédérale de Lausanne
  3. Philippe Golay CHUV & Université de Lausanne
  4. Charles Bonsack CHUV & Université de Lausanne
  5. Stéphane Morandi CHUV & Université de Lausanne
Präsentationsform Poster
Themengebiete
  • D1 Zukunft der Psychiatrie
Abstract Introduction : La contrainte en psychiatrie est une question largement débattue et controversée. Jusqu’ici, la plupart des études visant à identifier les facteurs associés à la contrainte se sont appuyées sur des méthodes statistiques traditionnelles, ce qui a rendu l'interaction entre les nombreux prédicteurs impliqués difficile à modéliser et à interpréter. L'objectif de cette étude est d’identifier un modèle simple mais fiable de prédiction de l'admission involontaire dans un large échantillon de patients psychiatriques en utilisant des méthodes de Machine Learning (ML).
Méthodes : Nous avons analysé rétrospectivement les caractéristiques sociodémographiques, cliniques et procédurales collectées de routine pour toutes les admissions psychiatriques survenues entre 2013 et 2017 dans le canton de Vaud, en Suisse (N = 25’584). Les prédicteurs principaux de l'hospitalisation involontaire ont été identifiés à l'aide de deux algorithmes de ML : CART (Classification and Regression Tree) et RFs (Random Forests). Leur pouvoir prédictif a été comparé avec celui obtenu à l’aide d’un modèle de régression logistique traditionnelle. Des analyses de sensibilité ont également été réalisées et les données manquantes ont été complétées par imputations multiples.
Résultats : Les trois modèles ont atteint une précision prédictive pondérée similaire (entre 68% et 72%). Le CART a montré le pouvoir prédictif le plus faible mais aussi le modèle le plus parcimonieux, permettant d'estimer la probabilité d'être hospitalisé sous contrainte avec seulement trois facteurs : le niveau d’agressivité du patient, qui a adressé le patient à l'hôpital et le diagnostic principal. Les résultats de CART et RFs sur les données imputées étaient presque identiques à ceux obtenus sur les données originales, confirmant la robustesse des modèles.
Conclusions : Identifier les prédicteurs de la contrainte est primordial. Ceci permet de sensibiliser les professionnels à certains facteurs prédictifs et de développer des stratégies préventives et des interventions limitant l’utilisation de la contrainte. Les méthodes de ML offrent de nouveaux outils pour atteindre cet objectif, en fournissant des modèles précis mais simples qui pourraient être utilisés dans la pratique clinique.