Un cadre conforme hiérarchique pour la prédiction du temps de séjour sensible à l'incertitude en milieu multi-hospitalier

Pourquoi les prédictions de durée de séjour sont importantes

Lorsqu'une personne est admise à l'hôpital, l'une des premières questions que se posent les familles et le personnel est : « Combien de temps va-t-elle rester ? » La réponse influe bien au-delà de la simple curiosité : elle conditionne la disponibilité des lits, les plannings du personnel, l'organisation des blocs opératoires et même la décision de savoir si un patient peut rentrer à domicile en toute sécurité ou nécessite un soutien supplémentaire. Cet article décrit une nouvelle façon de prédire la durée de séjour qui ne fournit pas seulement un unique chiffre, mais aussi un intervalle réaliste reflétant l'incertitude de la prédiction — essentiel pour des soins sûrs et efficaces.

Le défi de prédire la durée de séjour

Prédire la durée de séjour est plus difficile qu'il n'y paraît. Les hôpitaux prennent en charge un large éventail de patients, des cas de routine aux urgences complexes, et leurs pratiques varient selon la taille, la forme de gestion, le statut universitaire et la région. Cela signifie que les patients sont « regroupés » au sein d'hôpitaux et de régions, de sorte que leurs résultats ne sont pas indépendants. Beaucoup de modèles d'apprentissage automatique actuels donnent une meilleure estimation possible mais fournissent peu d'informations fiables sur l'ampleur de l'erreur possible. Pour les responsables hospitaliers qui doivent éviter des services surchargés ou des lits vides, cette incertitude manquante peut mener à des sorties prématurées dangereuses, des annulations inutiles ou des marges de sécurité coûteuses prises « au cas où ».

Combiner deux approches de l'incertitude

Les auteurs ont étudié deux méthodes populaires pour quantifier l'incertitude et ont constaté que chacune présente des limites importantes isolément. Les méthodes bayésiennes modélisent l'incertitude directement et peuvent refléter des structures complexes comme des hôpitaux imbriqués dans des régions, mais en pratique leurs intervalles peuvent être excessivement confiants dès que les hypothèses du modèle sont légèrement violées. Les méthodes de prédiction conforme, en revanche, font presque aucune hypothèse sur les données et peuvent garantir que leurs intervalles contiennent la vraie valeur un pourcentage choisi du temps, mais elles donnent généralement des intervalles d'une même largeur pour tous les patients, en ignorant la difficulté propre à chaque cas. L'idée clé de ce travail est de créer un hybride qui exploite chaque approche pour ce qu'elle sait faire de mieux : la modélisation bayésienne pour estimer quels patients sont plus ou moins incertains, et la prédiction conforme pour contrôler la fiabilité globale des intervalles.

Comment le système hybride fonctionne en pratique

Le système commence par une « forêt aléatoire hiérarchique », un modèle d'apprentissage par arbres qui apprend des motifs à trois niveaux : patients individuels, hôpitaux et régions plus larges auxquelles appartiennent ces hôpitaux. À partir de cette base, une couche bayésienne examine les erreurs résiduelles et estime l'incertitude propre à chaque nouvelle prédiction, en tenant compte des particularités hospitalières et régionales. Séparément, une étape de calibration conforme analyse les erreurs passées sur des milliers de patients et détermine quelle largeur d'intervalle est nécessaire pour atteindre un niveau de fiabilité souhaité — environ 95 % dans cette étude. L'hybride ajuste ensuite ces corrections conformes à la hausse pour les cas que la couche bayésienne juge risqués et à la baisse pour les cas qu'elle considère simples, produisant des intervalles spécifiques au patient à la fois prudents et de taille efficace.

Que disent les données sur les performances

Les auteurs ont testé leur cadre sur plus de 61 000 séjours hospitaliers issus de près de 3 800 hôpitaux américains dans une base de données nationale d'hospitalisations. La prédiction conforme pure a atteint l'objectif de 95 % quasiment à l'exact, mais a utilisé pratiquement la même large fourchette pour tout le monde. Un ajout purement bayésien a produit des intervalles très étroits mais ne contenait la vraie durée de séjour qu'environ 14 % du temps — bien trop faible pour un usage sûr. L'approche hybride s'est rapprochée de la cible, couvrant environ 94,3 % des cas, tout en réduisant modestement l'intervalle moyen et, plus important, en redistribuant la largeur : environ 21 % d'intervalles plus étroits pour les patients les moins incertains et environ 6 % plus larges pour les plus incertains. Ces intervalles adaptatifs sont demeurés stables selon les types d'hôpitaux et même lorsque le modèle a été testé sur des établissements complètement non vus lors de l'entraînement.

Ce que cela signifie pour les patients et les hôpitaux

Pour un public non spécialiste, l'essentiel est que cette méthode transforme des prédictions en boîte noire en outils avec des marges d'erreur compréhensibles et dignes de confiance. Plutôt qu'un nombre fragile, les hôpitaux disposent d'intervalles statistiquement fondés qui s'ajustent à la difficulté du cas : plus serrés pour les patients de routine, plus larges pour ceux qui peuvent surprendre les cliniciens. Cela facilite une planification réaliste des lits et des effectifs tout en signalant quels patients méritent une attention et des plans de contingence supplémentaires. Bien que les intervalles actuels restent relativement larges en jours calendaires, le cadre montre comment des méthodes statistiques rigoureuses peuvent faire passer les hôpitaux d'approximations à des décisions plus fiables et conscientes de l'incertitude, soutenant à la fois la sécurité et l'efficacité.

Citation: Shahbazi, M.A., Baheri, A. & Azadeh-Fard, N. A hierarchical conformal framework for uncertainty-aware length of stay prediction in multi-hospital settings. Sci Rep 16, 6564 (2026). https://doi.org/10.1038/s41598-026-37450-w

Mots-clés: durée du séjour hospitalier, quantification de l'incertitude, prédiction conforme, modélisation bayésienne, analyse en santé