Apport de l’analyse de clustering pour optimiser un algorithme défini à priori – Retour d’expérience et application en diabétologie sur une cohorte de patients issus de l’Échantillon Généraliste des Bénéficiaires (EGB)
Revue D Epidemiologie Et De Sante Publique(2021)
Abstract
Introduction La modelisation des parcours de soins est utile pour identifier des profils de patients diabetiques selon leurs consommations de soins afin d’optimiser leur prise en charge. Objectif Presenter et comparer differentes methodes de modelisation des parcours de soins chez des patients diabetiques identifies dans l’EGB et evaluer l’apport du clustering dans l’analyse des parcours de soins. Methodes Deux methodes de modelisation ont ete comparees : – « MultiChannel Sequence Analysis » (MCSA) qui etudie l’evolution des consommations de soins quantitativement sur une periode d’etude divisee en pas de temps reguliers (trimestres) ; – modelisation en « sequences de visites » (MSV) qui etudie qualitativement l’evolution des differentes consommations de soins des patients au cours de la periode d’etude. Chaque modelisation permet d’obtenir une matrice de distances (ou dissimilarites), qui indique la proximite entre les differents parcours de soins des patients etudies. Pour chacune de ces modelisations, une methode de clustering par Classification Ascendante Hierarchique (CAH) a ete appliquee pour classer les parcours de soins. Ces differentes methodes ont ete appliquees sur une cohorte de patients diabetiques identifies dans l’Echantillon Generaliste des Beneficiaires (EGB). Resultats Les parcours de soins de1964 patients insulino requerants et insulino dependants (DTi) ont ete modelises par les methodes MCSA et MSV et clusterises par CAH. Quelle que soit la methode utilisee, trois clusters de parcours de soins sont identifies avec des resultats comparables pour un des clusters, et variables pour les deux autres. Les deux modelisations des parcours de soins (MCSA et MSV) presentent chacune des avantages et inconvenients notables : – la modelisation MCSA permet de visualiser facilement l’evolution quantitative des differentes consommations de soins au sein de chaque cluster par trimestre. Elle est rapide d’execution mais manque cependant de precision sur la succession des differentes consommations de soins ; – la modelisation MSV considere l’enchainement des differentes consommations de soins sans prendre en compte le delai entre chacune d’elles. Elle apporte une precision plus importante sur la succession des consommations de soins etudiees, et permet de mieux visualiser leur evolution dans le temps. Elle necessite cependant un travail prealable important de categorisation des consommations de soins (etude qualitative), et demande des temps d’execution longs. Le clustering des parcours de soins permet ensuite d’obtenir des partitions dont l’interpretation est possible par la mise en œuvre d’outils de visualisation de type Sunburst, chronogrammes ou tapis de sequences. Conclusion Les deux methodes de modelisation generent des matrices de dissimilarites qui permettent d’appliquer des algorithmes de clustering. En raison de sa pertinence clinique et de son interpretabilite plus aisee, la methode MSCA semble la plus adaptee dans le cadre de l’analyse des parcours de soins des patients diabetiques. Les analyses de clustering permettent ensuite, en les categorisant, de mieux caracteriser les parcours de soins, et d’optimiser la prise en charge des patients.
MoreTranslated text
Key words
clustering
AI Read Science
Must-Reading Tree
Example
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined