Levi Monteiro Martins

Impact de la pollution de l’air sur les admissions hospitalières : analyse et prédiction: La variabilité et la demande croissante de soins hospitaliers, conjuguées à la réduction de la capacité hospitalière disponible, soulignent la nécessité de disposer d’outils précis permettant d’optimiser l’allocation des ressources, la répartition du personnel et la gestion des lits. Anticiper les admissions hospitalières offre aux gestionnaires de santé la possibilité de mieux se préparer aux pics de demande et d’atténuer le risque de surpopulation. De nombreuses études mettent en évidence la capacité de l’apprentissage automatique (Machine Learning, ML) à extraire et structurer de grandes quantités de données complexes et non structurées, offrant ainsi une approche robuste pour l’analyse de données hétérogènes. L’intelligence artificielle (IA), incluant le ML et l’apprentissage profond (Deep Learning, DL), propose des approches prometteuses pour le développement de modèles de prévision. Parmi les facteurs influençant les admissions hospitalières, les déterminants environnementaux tels que la pollution de l’air et les conditions météorologiques figurent parmi les plus influents, en particulier pour les maladies circulatoires et respiratoires. Compte tenu du poids important des maladies circulatoires et respiratoires sur les admissions hospitalières, ainsi que de leur sensibilité aux expositions environnementales, cette thèse vise à évaluer la contribution des expositions environnementales, notamment la pollution de l’air et les conditions météorologiques, à la prévision des admissions hospitalières via les services d’urgence, en se concentrant sur les maladies circulatoires et respiratoires dans la métropole de Lyon. La contribution de cette thèse réside dans la compréhension et l’application du ML à la prévision des admissions hospitalières, avec une attention particulière portée aux prédicteurs environnementaux. Pour ce faire, nous synthétisons les preuves existantes sur les approches de ML utilisées pour la prévision des admissions hospitalières, en identifiant les méthodes employées et les prédicteurs les plus courants. De plus, nous avons analysé les associations entre les expositions environnementales et les admissions hospitalières à Lyon, en actualisant les estimations précédentes et en apportant de nouvelles preuves sur l’impact des facteurs environnementaux. Enfin, nous avons évalué les performances des approches de prévision les plus utilisées, en comparant les modèles de séries temporelles traditionnels, univariés et multivariés, avec les méthodes d’apprentissage automatique.

Many studies have demonstrated a correlation between environmental predictors and hospital attendance, particularly air pollution, a significant risk to health. One important factor that affects air pollution concentration is meteorology. Both factors contribute to an increase in the healthcare demand, which can lead to the global problem of Emergency Department Crowding. To address this problem, forecasting models are essential in resources allocation and general management to improve patient outcomes. Machine Learning (ML), especially Deep Learning (DL), techniques offer considerable promise for patient volume forecasting of hospital visits and in-hospital mortality. In this work, we present a systematic review of the use of ML to predict patient volume hospital attendance and in-hospital mortality with the use of environmental predictors. We focus on answering how have ML been applied and what are the major environmental predictors. Using the Preferred Reporting Items for Systematic reviews and Meta-Analyses (PRISMA), 21 studies were retained from three databases PubMed, Embase, and IEEE Explore. The search included studies from 2012 to 2022. Data extraction and Risk of Bias assessment were done by using standardized tools Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modeling Studies (CHARMS), and Prediction model Risk Of Bias ASsessment Tool (PROBAST). The study protocol for this review was registered on PROSPERO, assigned registration code CRD42023390400.