IDEAS home Printed from https://ideas.repec.org/p/hal/journl/hal-03198124.html
   My bibliography  Save this paper

Apprentissage automatique dans la prédiction des durées de séjour hospitalier

Author

Listed:
  • Rachda Naila Mekhaldi

    (LAMIH - Laboratoire d'Automatique, de Mécanique et d'Informatique industrielles et Humaines - UMR 8201 - CNRS - Centre National de la Recherche Scientifique - UPHF - Université Polytechnique Hauts-de-France - INSA Hauts-De-France - INSA Institut National des Sciences Appliquées Hauts-de-France - INSA - Institut National des Sciences Appliquées)

  • Patrice Caulier

    (LAMIH - Laboratoire d'Automatique, de Mécanique et d'Informatique industrielles et Humaines - UMR 8201 - CNRS - Centre National de la Recherche Scientifique - UPHF - Université Polytechnique Hauts-de-France - INSA Hauts-De-France - INSA Institut National des Sciences Appliquées Hauts-de-France - INSA - Institut National des Sciences Appliquées)

  • Sondès Chaabane

    (LAMIH - Laboratoire d'Automatique, de Mécanique et d'Informatique industrielles et Humaines - UMR 8201 - CNRS - Centre National de la Recherche Scientifique - UPHF - Université Polytechnique Hauts-de-France - INSA Hauts-De-France - INSA Institut National des Sciences Appliquées Hauts-de-France - INSA - Institut National des Sciences Appliquées)

  • Sylvain Piechowiak

    (LAMIH - Laboratoire d'Automatique, de Mécanique et d'Informatique industrielles et Humaines - UMR 8201 - CNRS - Centre National de la Recherche Scientifique - UPHF - Université Polytechnique Hauts-de-France - INSA Hauts-De-France - INSA Institut National des Sciences Appliquées Hauts-de-France - INSA - Institut National des Sciences Appliquées)

  • Julien Taillard

    (Alicante [Seclin])

  • Arnaud Hansske

    (GHICL - Groupement des Hôpitaux de l'Institut Catholique de Lille - UCL - Université catholique de Lille)

Abstract

Au cours des dernières années, l'estimation de la durée de séjour hospitalier (DDS) au moment de l'admission du patient fait l'objet de plusieurs études. La DDS est un indicateur d'évaluation du rendement des établissements de soins et d'efficacité de la performance des services hospitaliers. La prédiction des DDS contribue à l'optimisation des ressources des hôpitaux, à l'amélioration de l'organisation des soins et à une meilleure planification des activités. Dans cette communication, nous exposons la démarche suivie pour implémenter un modèle de prédiction de durées de séjour hospitalier en exploitant des algorithmes d'apprentissage automatique. Pour chaque étape du processus de prédiction, les difficultés rencontrées sont soulevées et discutées. L'implication de l'expertise et son importance dans dans le projet sont également mises en évidence. Finalement, un exemple illustratif utilisant l'ensemble de données « Microsoft for length of stay prediction » est présenté. Mots clés : Durée de séjour hospitalier, exploration de données, apprentissage automatique, modèle de prédiction.

Suggested Citation

  • Rachda Naila Mekhaldi & Patrice Caulier & Sondès Chaabane & Sylvain Piechowiak & Julien Taillard & Arnaud Hansske, 2020. "Apprentissage automatique dans la prédiction des durées de séjour hospitalier," Post-Print hal-03198124, HAL.
    • Handle: RePEc:hal:journl:hal-03198124
    Note: View the original document on HAL open archive server: https://uphf.hal.science/hal-03198124
    as

    Download full text from publisher

    File URL: https://uphf.hal.science/hal-03198124/document
    Download Restriction: no
    ---><---

    References listed on IDEAS

    as
    1. Sofia Benbelkacem & Farid Kadri & Baghdad Atmani & Sondès Chaabane, 2019. "Machine Learning for Emergency Department Management," International Journal of Information Systems in the Service Sector (IJISSS), IGI Global, vol. 11(3), pages 19-36, July.
    Full references (including those not matched with items on IDEAS)

    Most related items

    These are the items that most often cite the same works as this one and are cited by the same works as this one.
    1. Harrou, Fouzi & Dairi, Abdelkader & Kadri, Farid & Sun, Ying, 2020. "Forecasting emergency department overcrowding: A deep learning framework," Chaos, Solitons & Fractals, Elsevier, vol. 139(C).

    More about this item

    Statistics

    Access and download statistics

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:hal:journl:hal-03198124. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    If CitEc recognized a bibliographic reference but did not link an item in RePEc to it, you can help with this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: CCSD (email available below). General contact details of provider: https://hal.archives-ouvertes.fr/ .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.