Prédiction par apprentissage automatique de la destination de sortie chez les patients atteints de la maladie de Parkinson ; une étude de cohorte nationale

Pourquoi la sortie d’hôpital compte pour les personnes atteintes de Parkinson

Pour les familles vivant avec la maladie de Parkinson, une hospitalisation suscite souvent une question angoissante : leur proche pourra-t-il rentrer chez lui, devra-t-il être transféré dans un établissement de soins ou risque-t-il des complications mettant la vie en danger ? Cette étude utilise des outils informatiques modernes pour estimer ces probabilités tôt durant le séjour hospitalier, offrant aux médecins, aux patients et aux aidants plus de temps pour planifier la suite.

Analyse à l’échelle nationale des hôpitaux

Les chercheurs ont analysé les dossiers d’une vaste base de données hospitalière américaine qui couvre environ un quart de toutes les admissions au niveau national. Ils se sont concentrés sur plus de 280 000 personnes âgées de 50 ans et plus hospitalisées pour la maladie de Parkinson entre la fin 2017 et la mi‑2023. Pour chaque personne, ils n’ont pris en compte que le premier séjour hospitalier de cette période et ont regroupé les issues finales en trois catégories simples : retour à domicile, transfert dans un type d’établissement de soins, ou décès à l’hôpital. Près de la moitié des patients sont rentrés chez eux, presque autant sont allés en établissement, et environ un sur quatorze est décédé avant la sortie.

Schémas de qui rentre chez soi et qui ne rentre pas

Les personnes transférées en établissement avaient tendance à être plus âgées et plus fragiles sur le plan médical que celles qui rentraient chez elles. Elles présentaient plus fréquemment une démence, des troubles de la déglutition, une pneumonie d’aspiration, ou une fracture ou chute récente. Elles étaient aussi plus susceptibles d’être non mariées et d’avoir été admises depuis un autre établissement de soins, plutôt que directement depuis leur domicile. Leurs séjours hospitaliers étaient plus longs et elles recevaient plus de rééducation. Les patients décédés à l’hôpital avaient les taux les plus élevés de démence et d’infection pulmonaire grave, soulignant comment la maladie avancée et les complications influent sur ces résultats.

Apprendre aux ordinateurs à reconnaître les risques

Pour transformer ces schémas en outils pratiques, l’équipe a entraîné des modèles d’apprentissage automatique, un type de programme informatique qui apprend à partir des données, pour prédire chacune des trois issues de sortie. En utilisant la plupart des admissions pour entraîner les modèles et le reste pour les tester, les programmes ont atteint une bonne précision pour les trois catégories. Par exemple, le modèle prédisant qui rentrerait chez lui a correctement distingué les retours à domicile des autres issues environ trois fois sur quatre. Un modèle similaire pour les transferts en établissement a obtenu des performances comparables, et le modèle prédisant le décès à l’hôpital a fait légèrement mieux. Ces modèles ont été vérifiés sur différentes périodes et avec de légères variations dans le regroupement des types d’assurance, et leurs performances se sont maintenues, ce qui suggère une certaine stabilité.

Un score simple au chevet pour le risque d’entrée en établissement

Parce que les médecins et les infirmiers ont besoin d’outils rapidement compréhensibles, les chercheurs ont également construit un score de risque plus simple et plus transparent axé sur la prédiction du transfert en établissement. Ce score utilise sept caractéristiques faciles à repérer : antécédent de fracture, démence, admission comme transfert depuis un autre établissement, antécédent de chutes, type d’assurance, état civil et région du pays où se trouve l’hôpital. Chaque facteur ajoute ou soustrait des points, et le score total classe les patients en groupes à faible, moyen ou fort risque. Dans cette étude, les personnes du groupe à faible risque avaient environ quarante pour cent de chances d’être transférées en établissement, tandis que celles du groupe à haut risque avaient près de trois chances sur quatre.

Ce que cela signifie pour les patients et les familles

Ces outils ne déterminent pas où une personne doit aller après une hospitalisation, mais ils peuvent servir d’alerte précoce. En mettant en évidence les patients atteints de Parkinson plus susceptibles d’avoir besoin d’un soutien intensif ou de faire face à des complications graves, les modèles et le score en sept items peuvent inciter à entamer plus tôt des discussions sur la rééducation, l’aide à domicile ou les soins de longue durée. Utilisés conjointement avec le jugement clinique et les préférences familiales, ces approches fondées sur les données peuvent aider les hôpitaux à organiser des plans de sortie plus sûrs et plus personnalisés et à mieux adapter des ressources de soins limitées aux personnes qui en ont le plus besoin.

Citation: Kamo, H., Mehta, T.R., Remz, M. et al. Machine learning prediction of discharge destination in patients with Parkinson’s disease; a nationwide cohort study. npj Parkinsons Dis. 12, 120 (2026). https://doi.org/10.1038/s41531-026-01309-8

Mots-clés: Maladie de Parkinson, sortie d’hôpital, apprentissage automatique, prévision du risque, soins post-aigus