Premier Datathon pour prédire les soins non-programmés

L’ARS Île-de-France a lancé le premier Datathon pour prédire les soins non-programmés sur le territoire francilien. Présentation.

Pendant trois jours, les principaux acteurs franciliens de la santé ont œuvré au développement d’un outil digital de prédiction des soins urgents et non programmés à court, moyen et long termes sur le territoire.

L’objectif ? Doter les professionnels de santé, les établissements de santé et l’ARS d’un outil permettant d’anticiper les flux d’activité afin d’optimiser l’organisation du système de santé et la mobilisation des ressources.

Du 25 au 27 novembre, experts en santé et en soins non programmés (professionnels des urgences, directeurs d’établissement de santé), codeurs, designers et data scientists se sont réunis au Liberté Living Lab pour élaborer les premières briques de cet outil digital. Une démarche inédite à l’échelle d’une région, qui vise aussi à coordonner les professionnels de santé et renforcer l’offre de soins. L’expérimentation et ses résultats prometteurs s’ancrent dans la stratégie nationale «Ma Santé 2022» de transformation numérique du système de santé et du Plan Régional de Santé d’Île-de-France.

Prédire les soins non-programmés grâce à l’intelligence artificielle

Ce projet a mobilisé des bases de données de santé volumineuses (activité des services d’urgence , dossiers de régulation médicale des SAMU, données Pompiers et données de SOS Médecins), enrichies par des données externes de climatologie, de qualité de l’air (Airparif), d’évènements culturels ou sociaux (Préfecture), des données des pharmacies (OSPHARM) ou encore des requêtes Google d’utilisateurs sur les symptômes liés aux épidémies et pathologies spécifiques.

Chaque équipe pluri-professionnelle s’est concentrée sur l’une des six problématiques suivantes :

Défi 1 – Comment prédire les flux d’activités en soins non-programmés à court, moyen et long termes en corrélation avec les évènements régionaux ?
Défi 2 – Comment prédire l’épidémiologie à court et moyen termes, en corrélation avec des facteurs environnementaux externes et l’audit de données pertinentes (Google trends) ?
Défi 3 – Comment prédire à court terme l’activité de soins non programmés sur la base des données épidémiologiques ?
Défi 4 – Comment prédire à long terme l’activité de soins non programmés sur la base des données épidémiologiques ?
Défi 5 – Comment prédire les flux d’activités en soins non-programmés à court terme sur la base des dossiers de régulation médicale des SAMU et des données externes mises à disposition (SDIS91, OSPHARM…) ?
Défi 6 – Focus : comment prédire les flux d’activités en soins non-programmés à court terme sur un territoire précis (le 91) avec l’ensemble des données disponibles ?

Avec l’objectif de proposer, pour chaque défi, un outil interactif permettant de modéliser à plusieurs échelles géographiques la prédiction des soins non programmés sur des estimations d’activité de 7 jours à 6 mois et ainsi, à terme, d’anticiper les impacts éventuels (besoins en ressources humaines, besoins en lits d’hospitalisation…).

Des résultats encourageants

En trois jours, des résultats intéressants ont pu être produits à partir de données pour certaines jamais croisées entre elles et qui présentaient des difficultés d’appropriation du fait de leurs natures différentes. Les prédictions obtenues constituent un premier point de référence, permettant l’approfondissement des recherches et l’amélioration des résultats au cours des prochains mois.

De manière générale, des axes prédictifs forts se dégagent de la seule étude de l’historique des données d’activité avec de faibles marges d’erreur (entre 6 et 10%). Certaines pistes et le croisement des différents résultats ont également ouvert la voie à des explorations ciblées qui pourraient améliorer les prédictions, notamment les effets des événements sociaux et météorologiques, à condition pour chaque défi de disposer d’un maillage de données plus fin.

A l’issue du datathon, l’ensemble des acteurs ont pu remplir deux objectifs inédits :

Recourir aux approches modernes d’analyse de données et de machine learning afin d’évaluer le potentiel de l’ensemble des jeux de données mobilisés et croisés
Poser les bases d’un outil d’aide à la décision ergonomique, à destination de l’ensemble des professionnels de l’urgence, des directions des établissements de santé et de l’ARS Île-de-France permettant d’anticiper les pics d’activité des services de soins non-programmés.

Source : Agence régionale de santé Île-de-France