Jason Brinkley , PhD, chercheur principal, American Institutes for Research
Elizabeth Horner , PhD, chercheuse principale, American Institutes for Research
Les schémas d'utilisation des services hospitaliers sont complexes et leurs mécanismes causaux sont aussi divers que les populations de patients. Il est nécessaire d'identifier les patients présentant une utilisation élevée des services hospitaliers qui pourrait être évitée. La plupart des recherches utilisent une modélisation directe des statistiques d'utilisation. Cette stratégie identifie principalement des facteurs immuables (tels que l'origine ethnique et l'âge) et fournit peu d'indications sur les changements de politique. Nous proposons un cadre alternatif : segmenter la population utilisatrice en groupes et établir qu'un groupe « utilise » les services hospitaliers plus fréquemment que les autres. À partir de données administratives, nous utilisons la modélisation prédictive pour déterminer si les individus sont susceptibles d'appartenir à un segment particulier. Nous appliquons ce cadre aux données d'un hôpital rural, en examinant les transitions du domicile vers les soins de longue durée chez les patients âgés à risque. Ce segment représentait environ 20 % des hospitalisations à forte utilisation, 15 % des passages aux urgences et 11 % des réadmissions à 30 jours. La modélisation prédictive a ensuite identifié des groupes de codes CIM-9 spécifiques présentant une probabilité accrue de transition ultérieure. Ces groupes offrent des possibilités d'intervention, soit en prévenant une utilisation accrue des services hospitaliers, soit en fournissant des indications sur un transfert ultérieur probable. Bien que cette technique soit courante en analyse de données, elle est moins répandue dans le domaine de la santé. Nous démontrons que l'application de ce cadre permet d'aborder les changements et les interventions politiques.
