Les dossiers hospitaliers deviennent un moteur de prévision capable de simuler l’avenir des soins et d’évaluer les choix thérapeutiques

Découper le séjour : événements, intervalles et prédictions hiérarchisées

Un séjour hospitalier ne constitue pas un dossier unique et continu, mais un flux d’événements cliniques discrets. Une mesure tensionnelle, un résultat biologique, une prescription radiologique ou une note de sortie deviennent chacun des entrées distinctes. Chaque entrée se décompose en plusieurs niveaux : le premier identifie la grande catégorie de l’événement, le suivant précise les détails spécifiques, puis le modèle détermine la modalité ou la valeur associée à ce détail. La chronologie ne s’estime pas couche par couche. Elle émerge d’un état latent interne.

Ces niveaux se construisent séquentiellement : chaque choix ultérieur intègre les précédents, garantissant ainsi la cohérence des prédictions. Un résultat biologique ne sera jamais associé à un type d’imagerie incompatible. Lors de l’inférence, le système bloque toute combinaison inédite pour ce type d’événement. Les valeurs numériques sont encodées dans une représentation compacte et ondulatoire. Le modèle peut générer de nouvelles valeurs dans ce même format, réinjectant ainsi ses propres événements simulés comme entrées.

L’intervalle entre deux événements se décompose en deux questions distinctes, car de nombreux enregistrements partagent un même horodatage. D’abord, le système évalue s’il existe un délai réel. Ensuite, il prédit la durée de ce délai, mais uniquement si celui-ci est non nul. En l’absence d’intervalle prédit, la valeur est contrainte à zéro, évitant ainsi de confondre « aucun temps écoulé » et « un temps infime ».

Le modèle s’entraîne à reconstruire chaque composante de l’événement en comparant deux versions de sa prédiction : l’une ne voit que le passé, l’autre peut consulter l’événement courant. Cette comparaison, faible au début de l’apprentissage, s’intensifie progressivement pour forcer l’état latent à porter une information réelle sur la suite du séjour. Un second contrôle, fondé uniquement sur l’état latent passé, tente de reconstruire l’événement réel. Cela empêche le modèle de se contenter de copier ce qu’il voit déjà ou de se réfugier derrière des prédictions vagues et incertaines.

La documentation hospitalière n’est pas répartie uniformément : les événements sont denses à l’admission, s’espaçant au milieu du séjour avant de se densifier à nouveau près de la sortie. La diversité des types d’événements culmine également à l’entrée. En fin de séjour, les soins deviennent plus routiniers et les intervalles médians entre événements s’allongent : de quelques minutes initialement, ils passent à plusieurs dizaines avant de se stabiliser.

Prédire l’avenir clinique : avec ou sans horloge réelle

Prévoir l’avenir hospitalier revient à répondre à deux questions : que se passe-t-il ensuite, et quand ? Le modèle peut être évalué avec ou sans accès à l’horloge réelle. En prévision libre, il choisit lui-même le type d’événement et son moment. En prévision contrôlée dans le temps, l’instant du prochain événement est imposé par un calendrier externe. Cette distinction permet de mesurer quelle part de la précision provient du contenu et laquelle du timing.

Le test démarre 24 heures après la dernière admission d’un patient. Il génère ensuite des événements futurs jusqu’à épuisement d’un nombre fixe de jetons de sortie. Les performances sont vérifiées à une, deux, quatre, six, douze, vingt-quatre, quarante-huit et soixante-douze heures. Deux références fixent le plancher. La première est un niveau de hasard basé sur la prévalence : elle devine simplement ce qui est courant dans les données. La seconde suppose une récurrence : elle affirme qu’un type d’événement ou une modalité reviendra s’il a déjà apparu dans la même fenêtre antérieure.

L’AUROC mesure à quel point un modèle sépare bien les événements probables des improbables. Un score de 0,5 correspondrait à un classement aléatoire. Des scores proches de 1 indiquent une forte séparation. Le score de Brier mesure à quel point les probabilités prédites se rapprochent des résultats observés. La prévision libre atteint des valeurs d’AUROC macro d’environ 0,75 à 0,83 pour les types d’événements. Pour les modalités, la fourchette est d’environ 0,76 à 0,82. Ces chiffres couvrent des horizons allant d’une heure à soixante-douze heures. L’AUROC macro traite chaque type d’événement de manière égale, si bien que les événements rares comptent autant que les courants. Les scores de Brier sont généralement bien meilleurs que la référence de persistance. Cette dernière se dégrade fortement sur des horizons plus longs.

Lorsque le modèle reçoit le timing réel, la discrimination s’améliore surtout à court terme. À une heure, l’AUROC pour les types d’événements atteint environ 0,87 et celui des modalités environ 0,95. À soixante-douze heures, cet avantage se réduit. La prévision libre conserve toutefois une calibration légèrement meilleure pour le nombre de types d’événements, même si son AUROC est plus bas. La calibration signifie que les probabilités prédites correspondent aux taux observés.

À un horizon fixe de vingt-quatre heures, le test couvre 13 551 patients. L’AUROC en prévision libre reste stable selon les groupes de durée de séjour. Il est d’environ 0,83 pour les courts séjours et d’environ 0,84 pour les plus longs. Le score de Brier n’augmente que modérément, passant d’environ 0,084 à environ 0,110. Le timing réel améliore la discrimination à vingt-quatre heures. L’AUROC contrôlé dans le temps est d’environ 0,86 à 0,87 pour tous les groupes, contre environ 0,83 en prévision libre. Mais la prévision libre affiche un meilleur score de Brier lors des séjours les plus courts : environ 0,084 là-bas, contre environ 0,096 avec le timing fixe. Lors des séjours plus longs, la prévision contrôlée dans le temps obtient des scores de Brier légèrement meilleurs.

Certains événements sont plus faciles à prédire que d’autres. La sortie des urgences atteint un AUROC en prévision libre d’environ 0,98 à vingt-quatre heures. La sortie de l’unité de soins intensifs suit de près avec environ 0,97. Les événements liés aux sorties corporelles atteignent environ 0,96, et les signes vitaux ou apports courants environ 0,93. Ils sont prévisibles car ils suivent des schémas de soins réguliers. Les catégories documentaires et administratives sont plus difficiles. Les rapports d’imagerie se situent près de 0,69, les changements de service près de 0,70, les transferts près de 0,70, les diagnostics près de 0,71 et les résumés de sortie près de 0,72. Les tests de laboratoire sont aussi difficiles à compter précisément. L’erreur absolue moyenne est d’environ 13 événements par patient sur la fenêtre considérée. Pourtant, le fait qu’un test de laboratoire ait lieu ou non présente un AUROC d’environ 0,77.

La référence de persistance reste faible. Son AUROC pour les types d’événements est d’environ 0,58 à 0,63, et celui des modalités d’environ 0,57 à 0,66. Ses scores de Brier se dégradent lorsque l’horizon s’allonge. Cela signifie que se contenter de répéter ce qui s’est passé auparavant fournit peu de signal utile. La valeur du modèle réside dans sa capacité à apprendre comment les types d’événements, les modalités et le timing interagissent au fil du temps.

Simuler le choix d’un autre liquide en cas de sepsis chez des patients virtuels

La prise en charge de la sepsis débute souvent par l’administration de fluides intraveineux. Le sérum physiologique et les cristalloïdes équilibrés, comme le lactate de Ringer, constituent les options courantes. Une expérience sur une cohorte virtuelle a testé ce qui se passerait si chaque patient recevait l’autre solution. Pour cela, 1 085 épisodes éligibles ont été extraits d’un ensemble réservé à la validation.

Pour chacun de ces épisodes, deux futurs ont été simulés. L’un conservait le liquide réellement administré. L’autre substituait ce dernier par l’alternative. Le bruit aléatoire et les délais entre événements sont restés identiques dans les deux cas. De plus, les perfusions ultérieures de cristalloïdes ont été imposées pour correspondre au bras d’assignation. Cette contrainte a permis d’isoler le choix initial du liquide des déviations thérapeutiques survenant par la suite.

Les trajectoires simulées ont suivi trois critères sur 30 jours : le décès en cours de séjour, la durée hospitalisation et un critère rénal nommé MAKE-30. Ce dernier regroupe l’instauration d’une dialyse, le décès ou une dysfonction rénale persistante. Sur tous les indicateurs principaux, le lactate de Ringer s’est révélé supérieur au sérum physiologique.

Parmi les simulations ayant abouti à un résultat défini, la mortalité hospitalière à 30 jours était d’environ 44,9 % sous lactate de Ringer contre 49,2 % sous sérum physiologique. L’écart s’élevait ainsi à environ 4,3 points de pourcentage. En se limitant aux simulations qui se sont explicitement terminées par une issue, cet écart de mortalité s’est creusé jusqu’à environ 8,9 points de pourcentage.

La durée de séjour était également plus courte sous lactate de Ringer : environ 135,7 heures contre 174,3 heures, soit une différence d’environ 40,5 heures. Cette tendance est cohérente avec le sous-groupe sepsis de l’essai SMART. Dans cette comparaison en conditions réelles, les cristalloïdes équilibrés étaient associés à une mortalité inférieure à celle du sérum physiologique.

Toutefois, les taux absolus de décès simulés sont bien supérieurs aux taux cliniques observés. Il faut donc calibrer ces chiffres avant de pouvoir les interpréter comme des risques réels. Les prévisions de mortalité du modèle étaient en effet mal calibrées dans cette cohorte. Le risque prédit variait d’environ 3 % à 96 %, tandis que le risque observé restait compris entre environ 10 % et 46 % pour la plupart des déciles. L’erreur moyenne de calibration s’élevait à environ 27,7 points de pourcentage.

Les plus grands écarts se situaient dans les groupes à risque moyen ou élevé. Pour un décile, la mortalité prédite était d’environ 52 % contre un taux observé d’environ 16 %. Pour un autre, elle atteignait environ 84 % contre un taux observé d’environ 26 %. Seules certaines simulations ont atteint une issue finale dans les 30 jours. Environ 68,5 % l’ont fait sous le bras apparié et sérum physiologique, tandis qu’environ 71,8 % l’ont fait sous lactate de Ringer. Le reste a épuisé son budget de simulation avant un décès, une sortie ou un critère rénal.

Le critère composite rénal était principalement dominé par le décès dans les simulations. Le MAKE-30 observé était d’environ 27 %, dont la majorité était due au décès. Les taux simulés étaient beaucoup plus élevés : environ 75 % sous sérum physiologique et environ 66 % sous lactate de Ringer. La différence entre les bras était presque entièrement un effet de mortalité. Les composantes rénales ne variaient que d’environ 0,1 à 0,2 point de pourcentage.

L’enjeu dépasse le simple classement des fluides. Il s’agit de vérifier si un modèle de patient virtuel peut reproduire une direction clinique connue tout en révélant ses propres faiblesses. La comparaison des liquides pointait vers les cristalloïdes équilibrés, conformément aux données réelles sur la sepsis. Cependant, les taux de décès gonflés et le calibrage faible montrent que les issues simulées ne sont pas encore prêtes pour un usage clinique direct.

Gravité de l’état et risque vital : ce qu’on peut lire dans un seul résumé de patient

Un instantané encodé du dossier hospitalier se prête à deux lectures distinctes. La première le convertit en un score de gravité de la maladie. La seconde évalue le risque que le décès survienne peu après ce moment. Les deux s’appuient sur le même résumé compact, sans recourir à des courbes brutes séparées. C’est une capacité essentielle pour les cliniciens, qui ont souvent besoin d’une idée rapide de l’état du patient et de savoir si son évolution est dangereuse.

La lecture de la gravité génère un score continu de type NEWS2, allant de 0 à 20. Elle suit les variations sur chaque fenêtre d’une heure. Son erreur moyenne s’élevait à environ 1,34 point par heure. C’est nettement meilleur que de deviner le score moyen ou médian, qui entraînait des erreurs comprises entre 2,8 et 3,0 points. L’utilisation de l’âge seul donnait également une erreur proche de 2,8 points. Une lecture linéaire plus simple sur le même résumé était légèrement moins performante, avec une erreur moyenne d’environ 1,51 point. La lecture neuronale se distinguait par sa capacité à séparer les fenêtres à haut risque, atteignant un AUROC d’environ 0,91 contre 0,89 pour le modèle linéaire.

Le score suit bien l’évolution au sein d’un même patient. Sa corrélation avec les scores réels de chaque heure était d’environ 0,86. Un modèle basé uniquement sur l’âge n’atteignait que 0,22. Cela signifie qu’il permet de détecter quand un patient s’aggrave ou s’améliore, et pas seulement d’estimer sa gravité moyenne. Les trois bandes de risque standard ne présentaient pas la même facilité d’identification. Les fenêtres à faible risque (scores de 0 à 4) étaient identifiées avec une précision et un rappel élevés, environ 89 % et 85 %. Les fenêtres à risque modéré (scores de 5 à 6) s’avéraient beaucoup plus difficiles, avec seulement environ 39 % de précision et 41 % de rappel. Les fenêtres à haut risque (score de 7 ou supérieur) étaient identifiées de manière correcte, avec environ 69 % de précision et 72 % de rappel.

Cette lecture présente une faiblesse prévisible : elle comprime les extrêmes. Pour des scores réels légers, elle a tendance à prédire légèrement trop haut. Pour des scores réels sévères, elle sous-estime la gravité. Cette sous-estimation s’accentue avec l’augmentation de la gravité, atteignant plusieurs points lorsque le score réel est de 10 ou plus. Les erreurs les plus importantes se concentrent dans les rares fenêtres aux scores très élevés.

Le risque de survie a été extrait du même type de résumé à l’aide d’un modèle de temps jusqu’à l’événement appelé DeepSurv. Ses hyperparamètres ont été optimisés sur des plages standard plutôt que fixés arbitrairement. À mesure qu’une plus grande partie du séjour devenait visible, la discrimination s’améliorait. À l’admission, l’indice C était d’environ 0,76. Vers la fin du séjour, il montait à environ 0,85. Le score de Brier intégré restait bas, entre 0,021 et 0,024. Les tests de calibration n’ont pas signalé de mauvaise calibration significative. Toutes les valeurs p rapportées étaient supérieures à 0,05 sur cinq plis.

Quels éléments d’un événement clinique pèsent le plus sur la prévision et l’effet de surprise ?

Un événement clinique ne se réduit pas à une étiquette. Il porte plusieurs niveaux d’information. Le type général précise la nature du document : un résultat biologique, un ECG ou une note de sortie constituent des catégories distinctes. Des détails plus fins indiquent quel examen a été prescrit ou quel diagnostic a été formulé. Les valeurs numériques et les images apportent le contenu mesuré, tandis que l’horodatage situe l’événement dans la chronologie du séjour.

La prédiction s’appuie sur ces éléments de façon inégale. L’horodatage constitue généralement l’indice le plus fort pour anticiper la suite : un court intervalle après l’admission signale souvent des contrôles de routine, alors qu’une longue période calme peut indiquer un changement dans les soins. Les détails textuels cliniques ou catégoriels arrivent souvent en deuxième position d’importance. Les valeurs numériques et visuelles prennent leur poids lorsque le type général est trop vague : un résultat biologique seul ne signifie pas grand-chose sans sa valeur, une trace ECG compte parce que la forme d’onde porte l’information rythmique, et un résumé de sortie reste difficile à prédire si son contenu textuel n’est pas connu.

La surprise suit le même schéma. Les mesures de routine sont faciles pour le modèle à anticiper : les constantes vitales et les analyses biologiques affichent une surprise quasi nulle, entre 0,02 et 0,03 sur l’échelle latente. Les événements d’imagerie sont beaucoup moins prévisibles, avec une surprise médiane d’environ 38 pour les ECG et 37 pour les radiographies. Les échocardiogrammes présentent également une difficulté notable, leur surprise médiane atteignant environ 22,5. Le décès constitue un cas particulier : sa surprise médiane est faible (environ 0,96), mais la queue supérieure de la distribution est large. Le 95e percentile atteint environ 21,5 et la moyenne s’élève à environ 4,24. Autrement dit, le décès n’est pas habituellement le type d’événement le plus surprenant. Mais lorsqu’il survient, le contexte antérieur peut rendre son anticipation difficile.

Un patient virtuel qui sait s’exercer, mais qu’on ne peut pas encore croire

Un dossier hospitalier n’est pas un simple amas de faits, c’est une cadence. Le modèle a appris à lire cette cadance au point d’accomplir plusieurs tâches complexes simultanément : anticiper l’événement suivant, évaluer la gravité apparente du patient, estimer le risque vital au fil du séjour, voire simuler les conséquences d’un changement thérapeutique en rejouant l’avenir.

L’enjeu dépasse la simple production de nouveaux indicateurs sur un tableau de bord. Il s’agit ici d’un patient virtuel dont le dossier peut être interrogé avant toute décision réelle. Le clinicien pourrait ainsi explorer ce qui se passerait si les soins étaient modifiés précocement, comparer des choix de perfusion, suivre l’évolution de la gravité ou vérifier si un événement rare était prévisible à partir du contexte. La prédiction devient alors une répétition générale.

Les obstacles sont tout aussi déterminants. Dans le test sur les fluides en cas de sepsis, les estimations de mortalité étaient très mal calibrées : certains risques prédits dépassaient largement les taux observés. Les issues rénales simulées dépendaient surtout du décès plutôt que d’une insuffisance rénale proprement dite. De nombreuses simulations s’interrompaient faute de jetons avant d’atteindre un point final clair, et les fenêtres à risque modéré restaient difficiles à distinguer. Enfin, les images et tracés rares sont beaucoup moins fréquents dans les données que les notes cliniques ou les résultats biologiques.

Ces limites ne sont pas des détails anecdotiques. Elles définissent ce qui peut être cru. Une prédiction juste dans sa direction mais mal calibrée peut induire en erreur. Un patient virtuel incapable de mener à bien une simulation sur 30 jours risque de manquer l’issue la plus importante. Le déséquilibre des données fait que le modèle maîtrise mieux les soins courants que les situations atypiques. La chronologie, les lacunes documentaires et la rareté des événements laissent toutes leur marque sur les performances.

L’étape suivante ne se résumera pas à de simples modèles plus volumineux. Il faudra une calibration fiable pour le clinicien, des simulations plus longues avec des points finaux stables, des données d’imagerie plus riches et des signaux d’incertitude plus clairs. Une validation prospective permettra de vérifier si cette répétition virtuelle correspond à la réalité hospitalière. Si c’est le cas, ce modèle pourrait devenir un outil discret au service de la planification, et non seulement du scoring.

La question profonde n’est pas de savoir si les machines savent prédire l’hôpital. Elles le font déjà par fragments. Le vrai défi est de savoir si elles peuvent apprendre assez pour rendre l’incertitude utile.