Covid 19 : l’analyse des données Big data comme aide à la décision

Dès la propagation de l’épidémie de SARS-CoV-2 sur le territoire français, en mars 2020, la question de l’anticipation des flux de patients dans les établissements hospitaliers s’est posée. C’est en effet un enjeu essentiel pour décider de l’allocation des ressources hospitalières, qu’elles soient humaines ou matérielles, à la prise en charge des patients positifs ou à l’accueil de patients souffrant d’autres pathologies. Par ailleurs, savoir déterminer, pour un patient Covid-19, les risques d’aggravation de la pathologie permet aux hôpitaux d’optimiser sa prise en charge, notamment en prévoyant le besoin d’un lit de soins intensifs. 

Dans un contexte de grande incertitude sur la pathologie, que ce soit sur sa contagiosité ou sur les modalités de traitement, le Centre Hospitalier Intercommunal de Créteil (CHIC), a mis en place, dès la première vague, une cellule d’analyse prédictive de données massives afin d’aider à la prise de décision. L’objectif est d’aider à la gestion de la pandémie à l’échelle de l’établissement, tant en termes d’analyse de la prise en charge et des facteurs prédictifs d’aggravation et de mortalité qu’en termes de besoins d’hospitalisations. 
 
Cette cellule d’analyse, regroupant médecins et pharmaciens du CHIC et une société d’analyse de donnée, Kaduceo, a exploité des bases de données médico-administratives disponibles, par ailleurs totalement anonymisées et en toute sécurité : la base PMSI (Programme de médicalisation des systèmes d’information), les Résumés d’Unité Médicale (RUM) et certains dossiers médicaux. Ces analyses ont permis d’aboutir à : 

• Une description détaillée de la population prise en charge au CHIC, intégrant des données sur l’âge, les taux d’admission, les comorbidités, les niveaux de soin requis, les traitements spécifiques entreprises, les durées de séjour, les modes de sortie.
• Un modèle de prédiction du nombre d’hospitalisations liées au Covid-19 dans l’établissement, permettant une prédiction fine (erreur moyenne de 7,5 %) des besoins à sept jours. 
• Un modèle de risque d’aggravation des patients lors de leur arrivée aux urgences. 

Les résultats d’analyse prédictive ont permis de confirmer et dans certains cas d’anticiper des prises de décisions pour l’adaptation du capacitaire par exemple. La prédiction de diminution continue du nombre d’hospitalisation a également contribué à éviter le maintien d’organisations dérogatoires sur une durée inutilement longue, en particulier sur la 2^èmevague au cours de laquelle l’objectif était de ne pas porter préjudice outre mesure aux patients nécessitant des soins hors Covid. Bénéficier de 48 h d’avance sur un changement de tendance a permis de ménager les organisations (encadrement soignant, équipes soignante et équipes de support logistique et technique) souvent très rudement sollicitées sur la période.