{"id":42183,"date":"2020-09-01T11:39:58","date_gmt":"2020-09-01T09:39:58","guid":{"rendered":"https:\/\/gestions-hospitalieres.fr\/?p=42183"},"modified":"2020-09-15T14:15:03","modified_gmt":"2020-09-15T12:15:03","slug":"prevision-dactivite-aux-urgences-un-modele-dintelligence-artificielle","status":"publish","type":"post","link":"https:\/\/www.ricom-web8.com\/gestions\/prevision-dactivite-aux-urgences-un-modele-dintelligence-artificielle\/","title":{"rendered":"Pr\u00e9vision d\u2019activit\u00e9 aux urgences"},"content":{"rendered":"Temps de lecture\u00a0: <\/span> 5<\/span> minutes<\/span><\/span>

La probl\u00e9matique de la pr\u00e9diction d\u2019activit\u00e9\u00a0 <\/span>a d\u00e9j\u00e0 \u00e9t\u00e9 abord\u00e9e mais, le plus souvent, ce sont des mod\u00e8les classiques d\u2019analyse de s\u00e9ries temporelles (mod\u00e8le Arimax) qui ont \u00e9t\u00e9 utilis\u00e9s pour y r\u00e9pondre. Ces mod\u00e8les font l\u2019hypoth\u00e8se que les relations entre les variables sont lin\u00e9aires, ce qui peut s\u2019av\u00e9rer trop contraignant, voire irr\u00e9aliste. Pour illustrer cette id\u00e9e, prenons l\u2019exemple des \u00e9pisodes de canicule au cours desquels une recrudescence d\u2019activit\u00e9 aux urgences peut \u00eatre envisag\u00e9e. La relation entre la variable des temp\u00e9ratures et le nombre d\u2019admissions n\u2019est clairement pas lin\u00e9aire\u2009: ce n\u2019est pas l\u2019augmentation des temp\u00e9ratures qui d\u00e9crit un \u00e9pisode de canicule, mais le fait que celles-ci stagnent \u00e0 des niveaux \u00e9lev\u00e9s. Pour s\u2019affranchir de ces hypoth\u00e8ses, nous avons utilis\u00e9 des techniques d\u2019apprentissage profond, des r\u00e9seaux de neurones artificiels capables de conserver en m\u00e9moire les observations pass\u00e9es et de mod\u00e9liser leur impact sur le pr\u00e9sent selon des sch\u00e9mas complexes et non lin\u00e9aires. Notre objectif, dans le cadre de cette exp\u00e9rimentation avec le CHIC, est donc de faire des pr\u00e9visions les plus pr\u00e9cises possible en int\u00e9grant dans le mod\u00e8le un maximum d\u2019informations pouvant contribuer \u00e0 anticiper un surcro\u00eet d\u2019activit\u00e9.<\/p>\n

Avec les mod\u00e8les d\u2019intelligence artificielle (IA), il est tout \u00e0 fait possible de construire ce type de mod\u00e8les complexes\u00a0 <\/span>pour mettre en relation un grand nombre de variables de tout type (m\u00e9t\u00e9o, qualit\u00e9 de l\u2019air, \u00e9v\u00e9nements culturels, trafic\u2026).<\/p>\n

Un r\u00e9seau de neurones artificiel est compos\u00e9 de diff\u00e9rentes couches qui s\u2019articulent selon une architecture qu\u2019il faut d\u00e9finir et qui va d\u00e9terminer la qualit\u00e9 du mod\u00e8le. Il n\u2019existe pas de mod\u00e8le pr\u00e9\u00e9tabli\u00a0 <\/span>et chaque cas d\u2019usage n\u00e9cessite de concevoir une architecture qui sera capable d\u2019apprendre et de tirer profit de l\u2019information qui lui est donn\u00e9e en entr\u00e9e. Le type de couches utilis\u00e9es dans le r\u00e9seau est fonction du type de variables en entr\u00e9e.\u00a0<\/span><\/p>\n

Pour la pr\u00e9vision des urgences, les donn\u00e9es en entr\u00e9e sont des donn\u00e9es temporelles. Dans un r\u00e9seau de neurones r\u00e9currents, ce sont les couches Long Short-Term Memory (LSTM) ou Gated Recurrent Unit (GRU), \u00ab\u2009avec une m\u00e9moire\u2009\u00bb, qui permettent de mod\u00e9liser les relations entre les observations pass\u00e9es et les observations futures. Toute la difficult\u00e9 est de parvenir \u00e0 d\u00e9finir une architecture de r\u00e9seau optimale. En effet, il ne suffit pas d\u2019ajouter de l\u2019information en entr\u00e9e pour augmenter la qualit\u00e9 des pr\u00e9visions\u2009: plus le mod\u00e8le est complexe et plus il faut veiller \u00e0 ce que les donn\u00e9es soient correctement trait\u00e9es \u00e0 l\u2019int\u00e9rieur du r\u00e9seau. Un r\u00e9seau n\u2019est pas compl\u00e8tement intelligent, mais il est capable d\u2019apprendre en suivant les r\u00e8gles d\u2019action que nous lui donnons.<\/p>\n

Exemple pratique<\/h1>\n

Con\u00e7u en partenariat avec le CHIC, cet exemple a pour objectif d\u2019\u00e9tayer l\u2019importance de l\u2019\u00e9tape de conception du r\u00e9seau.\u00a0<\/span><\/p>\n

Nous avons construit trois mod\u00e8les. Chacun cherche \u00e0 faire une pr\u00e9vision \u00e0 j+1 du nombre d\u2019admissions aux urgences \u00e0 partir des observations disponibles sur les quinze jours pr\u00e9c\u00e9dents.<\/p>\n

Un premier mod\u00e8le (M1) re\u00e7oit en entr\u00e9e les observations pass\u00e9es de la s\u00e9rie du nombre journalier des admissions. Dans les deux autres (M2 et M3), nous ajoutons de l\u2019information sur les caract\u00e9ristiques des jours (jour de la semaine, mois, jour f\u00e9ri\u00e9, vacances scolaires), ainsi que des donn\u00e9es m\u00e9t\u00e9o (temp\u00e9rature min\/max, taux d\u2019humidit\u00e9 et mesure des pr\u00e9cipitations).<\/p>\n

Les variables en entr\u00e9e pour M2 et M3 sont identiques, mais leur architecture est diff\u00e9rente (figure 1<\/i>).<\/p>\n