Approche basée sur les réseaux de neurones récurrents pour la prévision de la demande de soins aux urgences hospitalières

Au cours des dernières années, les besoins en soins d'urgences ont considérablement augmenté dans les services des urgences (SU). La gestion du flux de patients est l'un des principaux défis auxquels sont confrontés de nombreux SU. À cet égard, il est essentiel de prédire les demandes de soins afin de mieux adapter les ressources aux demandes de soins et d'atténuer les problèmes de surpopulation dans ces établissements. Les modèles de régression et de série chronologique existants, sont principalement des modèles linéaires et ne peuvent pas décrire la nature stochastique et non linéaire des données. Les approches basées sur l'apprentissage par réseaux de neurones sont considérées comme une nouvelle alternative pour la prévision dans divers domaines. Cet article présente une approche d'apprentissage par réseaux de neurones profonds basée sur le modèle GRU (Gated Recurrent Unit) pour prédire les demandes de soins dans un SU. Les données issues du service des urgences pédiatriques (SUP) du centre hospitalier régional de Lille (CHRU), sont utilisées pour tester et valider l'approche proposée. Les résultats montrent une bonne performance de prévision des admissions au SUP.