Thesis, FRANZEN Rachelle

Abstract

Garantir une qualité de soins adéquate pour l’ensemble des patients constitue un enjeu majeur à l’hôpital, d’autant plus que la détection précoce de la dégradation clinique est essentielle pour prévenir des issues défavorables telles qu’une admission en USI ou un décès. Cette détection repose habituellement sur le jugement clinique, parfois appuyé par des scores empiriques, mais la charge de travail élevée et la fatigue peuvent diminuer la vigilance et accroître le risque d’évènements indésirables. Dans ce contexte, un outil permettant de prioriser les patients à risque apparaît particulièrement pertinent afin de soutenir une surveillance ciblée et une meilleure allocation de l’attention. Ce travail vise donc à développer un score de stratification du risque basé sur des méthodes de machine learning afin de soutenir la décision clinique et d’améliorer la sécurité des patients. La dégradation clinique a été définie ici par une admission en USI ou un décès, et le score a été construit sur cinq niveaux à partir de données rétrospectives issues du CHU de Liège. Les données concernaient des patients admis via les urgences, dont l’hospitalisation s’est poursuivie en salle classique, sur la période de janvier 2024 à juin 2025. Les variables utilisées incluaient des signes vitaux, des résultats de laboratoire et des paramètres administratifs. Le projet s’articule autour de deux approches. La première repose sur une régression logistique avec pénalisation Elastic net, utilisée comme modèle de référence en raison de sa simplicité et de sa facilité d’interprétation. Les prédictions ont ensuite été transformées en score, et les résultats montrent une augmentation du taux d’évènements lorsque le score augmente. Son évaluation a mis en évidence une capacité de discrimination satisfaisante, mais limitée par la nature intrinsèque de cette méthode. La seconde adopte une démarche plus parcimonieuse : un modèle Random Forest a d’abord permis de réduire le nombre de variables prédictives, puis plusieurs modèles ont été comparés, conduisant à la sélection d’un LightGBM. Les résultats obtenus sont particulièrement prometteurs et la transformation des prédictions en score suggère que le modèle stratifie correctement le risque, avec une concentration des évènements dans la catégorie de risque la plus élevée. L’évaluation de ce dernier suggère ainsi un intérêt clinique potentiel pour la stratification du risque et l’aide à la surveillance.