Le programme de médicalisation des systèmes d’information (PMSI) contient les données médico-administratives de plusieurs millions d’hospitalisations et de patients en France. Actuellement, la majorité des études menées sur ces données utilisent des méthodes statistiques classiques pour analyser les cohortes de patients. L’objectif de cette étude est d’évaluer la capacité d’un algorithme novateur, combinaison de techniques de « process mining » et de « data mining », à découvrir des interactions cachées entre les caractéristiques des patients. Un cas d’étude sur le parcours de soins long terme des patients implantés d’un défibrillateur cardiaque est utilisé.

À partir des données PMSI 2008, nous avons extrait l’ensemble des patients ayant eu une hospitalisation avec présence d’un acte d’implantation de défibrillateur cardiaque triple chambre (n=1602). Ces patients ont été chaînés entre 2006 et 2013 inclus pour repérer tous leurs séjours hospitaliers. Cela a permis d’identifier la présence éventuelle de cinq comorbidités (insuffisance rénale, hypertension, diabète, obésité, présence d’un cancer) et de retracer les parcours de soins des patients. À partir d’un algorithme de « process mining », nous avons construit un modèle synthétique des principaux parcours de soins. Nous avons ensuite utilisé une technique de « data mining » pour étudier les facteurs (comorbidités, âge et sexe) qui influencent localement le choix d’un parcours par rapport à un autre. In fine, la combinaison de ces deux méthodes permet d’évaluer l’impact de facteurs cliniques sur le cheminement du parcours d’un patient sur plusieurs années et ce avec une analyse de sensibilité.

L’analyse de sensibilité quantifie des interactions très fortes entre certains facteurs explicatifs et l’occurrence de certaines réhospitalisations postimplantation liées à des événements cardiaques (ex : l’âge et les séjours pour cardiomyopathie ou insuffisance cardiaque, malgré le défibrillateur). Elle met également en avant l’absence de lien avec certains types de séjours et l’impact d’un élargissement des indications de remplacements des dispositifs. Les résultats s’étendent à tous les déterminants du parcours de soins (durée, type de séjour, taux de rechute et de décès). Ces résultats sont obtenus de façon générique, ce qui montre une possible application de l’approche dans d’autres aires thérapeutiques.

Cette étude exploratoire montre que les nouvelles techniques d’analyse statistique (« process mining », « data mining ») sont pertinentes pour identifier des interactions inattendues entre les caractéristiques des patients et leur prise en charge, à partir de grandes bases de données médico-administratives. Cela peut permettre d’identifier des leviers d’amélioration de la prise en charge, notamment par la prévention. Des résultats toujours plus prometteurs pourraient également être mis en exergue en ajoutant des paramètres thérapeutiques et biologiques plus fins.