Évaluation comparative de modèles de séries temporelles pour prévoir les décès d’hospitalisation et les sorties contre l’avis médical

Pourquoi les chiffres hospitaliers comptent

Lorsque nous entrons à l’hôpital, nous faisons confiance aux médecins et aux infirmières pour tout mettre en œuvre afin de nous protéger. Deux signaux d’alerte indiquant qu’il peut y avoir un problème sont le nombre de patients qui décèdent à l’hôpital et le nombre de patients qui quittent contre l’avis médical, s’en allant malgré les recommandations de rester. Pouvoir prévoir ces chiffres quelques mois à l’avance aide les hôpitaux à détecter les difficultés tôt, à préparer suffisamment de personnel et de lits, et à améliorer les soins avant que les problèmes ne s’aggravent.

Deux hôpitaux, deux signaux d’alerte

Cette étude s’est concentrée sur deux grands hôpitaux de référence situés dans différentes régions de Chine. Pour chaque hôpital, les chercheurs ont suivi deux indicateurs clés chaque mois de 2018 à 2024 : les décès en hospitalisation (patients décédés pendant leur séjour) et les sorties contre avis médical (patients ayant choisi de partir prématurément malgré les avertissements médicaux). Ces mesures sont largement utilisées comme indicateurs de la qualité des soins et de la tension du système. L’équipe a sciemment évité un nettoyage ou des ajustements lourds des données afin que les prévisions reflètent les informations réelles et désordonnées que les gestionnaires hospitaliers voient effectivement.

Mettre les outils de prévision à l’épreuve

Les auteurs ont comparé six approches de prévision différentes, souvent citées en statistique et en intelligence artificielle. Certaines, comme l’ARIMA et le modèle Grey, sont des outils statistiques traditionnels. D’autres, tels que NNETAR et LSTM, utilisent des réseaux de neurones qui cherchent à apprendre des motifs dans les données passées. Prophet modélise les tendances et les cycles saisonniers, comme des variations annuelles régulières. Le nouveau venu, Chronos, est un grand modèle pré-entraîné qui a déjà appris sur d’importantes collections de séries temporelles et peut être appliqué à de nouveaux problèmes avec peu d’ajustement. Les six méthodes ont été entraînées sur les données de 2018 à 2023, puis invitées à prédire ce qui s’est réellement passé en 2024, l’exactitude étant évaluée par l’écart entre les prévisions et les chiffres mensuels réels.

Ce qui a le mieux fonctionné, et quand

Dans les deux hôpitaux, Chronos a fourni les prévisions les plus fiables pour les décès en hospitalisation. Ses erreurs étaient plus faibles que celles des autres approches, et des tests statistiques ont confirmé que ces gains étaient peu susceptibles d’être dus au hasard, notamment en comparaison avec un modèle d’apprentissage profond populaire, le LSTM. Pour les sorties contre avis médical, la situation était plus nuancée. Dans l’hôpital où ces sorties étaient fréquentes et assez stables dans le temps, Chronos a encore une fois été le plus performant. Mais dans l’hôpital où ces sorties étaient moins fréquentes et variaient de façon imprévisible d’un mois à l’autre, un réseau neuronal plus simple, NNETAR, a produit des prévisions plus précises que les modèles plus complexes.

Pourquoi la complexité n’est pas toujours reine

Une leçon marquante de l’étude est que l’ajout de complexité n’assure pas de meilleures prévisions. Le modèle LSTM, puissant en théorie mais doté de nombreux paramètres ajustables, a peiné avec les jeux de données relativement petits disponibles ici et s’est souvent surajusté — saisissant le bruit plutôt que les véritables motifs. Chronos, en revanche, a bénéficié de la vaste expérience acquise lors de son pré-entraînement sur d’autres séries temporelles, ce qui lui a permis de rester robuste même lorsque chaque hôpital ne fournissait que quelques années de données. Parallèlement, le succès de NNETAR sur les données de sorties plus bruyantes montre que, dans certains contextes, des modèles plus légers et formulant moins d’hypothèses peuvent mieux gérer des signaux instables et de faible volume.

Ce que cela signifie pour les patients et les hôpitaux

Pour les non-spécialistes, la conclusion est simple : des outils de prévision plus intelligents peuvent aider les hôpitaux à mieux anticiper. En choisissant des modèles adaptés à la forme de leurs données — des systèmes pré-entraînés comme Chronos pour des indicateurs stables, et des réseaux plus simples comme NNETAR lorsque les chiffres sont faibles et volatils — les dirigeants hospitaliers peuvent obtenir des alertes plus précoces sur l’augmentation des décès ou des changements soudains dans les sorties contre avis médical. Ces prévisions ne sont pas des boules de cristal, surtout avec des nombres petits et volatils, mais elles constituent des tableaux de bord précieux. Bien utilisées, elles peuvent déclencher des revues plus approfondies des pratiques de soins, une gestion plus agile du personnel et des lits, et des réponses plus rapides aux problèmes émergents, soutenant en dernier ressort des soins plus sûrs et plus fiables pour les patients.

Citation: Pang, C., Jiayong, D., Jiang, D. et al. A comparative evaluation of time-series models for forecasting inpatient deaths and discharges against medical advice. Sci Rep 16, 6607 (2026). https://doi.org/10.1038/s41598-026-37913-0

Mots-clés: prévision hospitalière, mortalité en hospitalisation, sortie contre avis médical, modèles de séries temporelles, qualité des soins