Défense de mémoire de Monsieur Luis Dierick

Machine Learning-Based Prediction of Inpatient Length of Stay at CNRFR - Rehazenter Rehabilitation Center

 

La durée de séjour (Length of Stay, LoS) est un indicateur essentiel en santé, car elle reflète la progression du patient et guide la planification des ressources. Bien que la prédiction de la LoS ait été largement étudiée dans les services de soins aigus, son application en rééducation reste limitée. Ce mémoire explore le potentiel des modèles d’apprentissage automatique (Machine Learning, ML) pour prédire la LoS dès l’admission dans un centre de rééducation, à partir de données réelles issues du Centre National de Rééducation Fonctionnelle et de Réadaptation (CNRFR – Rehazenter) au Luxembourg. Ce travail examine différentes stratégies de prétraitement, des algorithmes de régression et des techniques visant à corriger la distribution asymétrique des données de LoS. Une attention particulière est portée à l’explicabilité des modèles, à l’aide de SHapley Additive exPlanations (SHAP), afin de garantir leur interprétabilité clinique. L’étude distingue deux groupes de patients : neurologiques et traumatologiques. Les résultats montrent que les méthodes d’arbres ensemblistes, en particulier Random Forest (RF) et Categorical Boosting (CatBoost), surpassent la régression linéaire multiple (MLR), avec un coefficient de détermination R2 atteignant 0,51 pour les cas traumatologiques et 0,25 pour les cas neurologiques. Les principaux prédicteurs de la LoS incluent le score de Mesure d’Indépendance Fonctionnelle (FIM) et le nombre de maladies chroniques pour les deux groupes, ainsi que des facteurs socioéconomiques et de comorbidité pour les patients neurologiques.

Mots-clés : Durée de séjour, Rééducation, Apprentissage automatique, Intelligence artificielle explicable, Mesure d’Indépendance Fonctionnelle

 

Contact : Benjamine Lurquin - secretariat.info@unamur.be
Télecharger : vCal