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

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

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

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

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

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

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

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

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

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

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