Apport du Data Mining pour prédire la facture de patients hospitalisés

Présentation au sujet: "Apport du Data Mining pour prédire la facture de patients hospitalisés"— Transcription de la présentation:

1 Apport du Data Mining pour prédire la facture de patients hospitalisés
Dr Alex Gnaegi, Mathieu Giotta, René Bonvin Réseau Santé Valais Institut Central des Hôpitaux Valaisans Journées annuelles SSIM 2008

2 Description du problème
Lors des bouclements comptables, on doit évaluer les recettes avant la facturation effective La facturation des séjours hospitaliers valaisans se base sur les AP-DRG  nécessité de disposer des codes diagnostics La codification effective des diagnostics et interventions se réalise plusieurs semaines après le séjour Méthode actuelle, appelée « RSV », est basée sur le montant moyen des types de cas (=discipline médicale). SSIM 2008 A. Gnaegi

3 Objectif Evaluation des techniques de Data Mining dans un contexte « médico-administratif » Estimation du montant facturable à la sortie du patient sur la base de données disponibles dans les systèmes opérationnels SSIM 2008 A. Gnaegi

4 Data Mining Analyse de données sans hypothèse préalable
Permet de trouver des corrélations mais non pas une relation de cause à effet Très utilisé dans le secteur de détail et les opérateurs téléphoniques (par exemple qui sont mes clients actuels susceptible de passer à la concurrence) Plusieurs algorithmes à disposition en fonction du type de données à rechercher SSIM 2008 A. Gnaegi

5 Méthodes Utilisation du logiciel Microsoft SQL Serveur 2005 Analysis Services Méthode classique de Data Mining SSIM 2008 A. Gnaegi

6 Source de données Système d’information administratif:
Données administratives: âge du patient, classe (privé, commun, etc.), type de cas (médecine, pédiatrie, etc.), etc. Données d’entrée: provenance, genre d’admission (maladie, accident, etc.) Données de sortie: destination, etc. Données sur le médecin hospitalier Prestations Tarmed SSIM 2008 A. Gnaegi

7 Procédures d’élaboration des modèles
27’000 cas pour l’apprentissage Données de validation: 160 cas 2006 et 160 cas 2007, dont: 80 cas Haut-Valais, 80 cas Valais central, dont 40 cas inliers, 20 low-outliers, 20 high-outliers Algorithmes utilisés: arbres de décision et réseaux neuronaux Plusieurs modèles combinant diverses variables sont élaborés Les modèles sont comparés Aux montants facturables réels A la méthode « RSV » par le coefficient de détermination R2 de la droite de régression linéaire SSIM 2008 A. Gnaegi

8 Résultats I Le meilleur modèle, basé sur les arbres de décisions
et les variables administratives, d’entrée et données du médecin, obtient un R2 de 0.86 (méthode RSV 0.04) Tous les modèles sous-estiment le montant total cas extrêmes ne peuvent pas être simulés SSIM 2008 A. Gnaegi

9 Résultats II Différence d’estimation en pourcent vs données réelles
SSIM 2008 A. Gnaegi

10 Résultats III Les 3 variables qui ont le plus grand « poids » dans l’algorithme sont: durée de séjour, type de cas, âge à l’entrée L’apport de données plus précises sur l’activité du séjour à savoir les prestations médicales Tarmed, n’a pas été utile, semble générer plus de bruit SSIM 2008 A. Gnaegi

11 Conclusions A partir de données « administratives » simples, on arrive à estimer précisément la facture du patient Les technologies de Data Mining sont désormais aisées à mettre en œuvre On peut espérer une utilisation plus large du Data Mining dans la médecine clinique, pour estimer l’issue « médicale » et non plus « financière » d’un séjour SSIM 2008 A. Gnaegi