“Évaluer la gravité de l’état des patients pris en charge pour certaines pathologies à l’hôpital est un enjeu de santé publique, particulièrement dans le cadre des actes chirurgicaux. Pour estimer les chances de survie de leurs patients, les praticiens ont à leur disposition différents outils d’aide à la décision dont l’un des plus courants est l’indice de comorbidité de Charlson (Charlson 1987). Trop généraliste, ce dernier peut cependant manquer de précision, car il est déterminé à partir de comorbidités pas nécessairement spécifiques à une pathologie. De plus, il évalue le risque de décès à l’horizon d’un an ce qui n’est pas toujours pertinent dans le domaine chirurgical.
En particulier en chirurgie digestive, il est plus courant de réduire la fenêtre d’observation à 90 jours pour évaluer au mieux l’impact réel d’un acte chirurgical comme une hépatectomie, et donc le risque de mortalité associé. En outre, le chirurgien cherche en priorité à minimiser les risques encourus par tout patient candidat à une opération. Pour cela, il dresse un bilan pré-opératoire reflétant l’état de santé à partir, notamment, des comorbidités et des caractéristiques du patient. Ce bilan doit lui permettre de répondre à la question suivante : quel risque fait-on courir au patient s’il doit être opéré ?
Dès lors, comment évaluer l’impact des comorbidités sur les risques de mortalité intra- hospitalière d’un patient dans les 90 jours suivant une opération hépatobiliaire ? Comment s’adapter aux données issues d’une source administrative et définir une méthodologie pour rendre reproductible la construction d’indicateurs de mortalité ? Quel modèle prédictif serait le plus performant
Dans le cadre de ce projet, nous allons définir un nouvel indice de comorbidité, à partir de la base de données du Programme de Médicalisation des Systèmes d’Information (PMSI), afin de prédire le risque de mortalité intra-hospitalière des patients dans les 90 jours suivant leur hépatectomie. Puis, nous comparerons le potentiel prédictif de ce score aux différentes versions de l’indice de Charlson (versions originale, de Bannay et de Quan). Enfin, nous étudierons la pertinence d’autres modèles prédictifs issus du machine learning comme les forêts aléatoires.”