Détection des infections du site opératoire par datamining : apport des données médicales issues des systèmes d’information hospitaliers sur la performance d’un modèle de détection - Nancy, France

Introduction La surveillance des infections du site operatoire (ISO) est primordiale en etablissements de sante mais reste consommatrices en ressources et en temps. L’informatisation des surveillances est primordiale pour ameliorer l’efficience de ces dernieres car de nombreuses donnees sont deja presentes dans nos systemes d’information hospitaliers. Notre etude a pour objectif d’evaluer l’apport, par rapport au systeme actuel, des methodes de datamining (DM) et des donnees issues du Programme de medicalisation des systemes d’information (PMSI) pour detecter les ISO. Methodes Une etude de cohorte historique a ete etablie, incluant 3900 patients ayant ete operes pour une intervention cible entre le 1er janvier et le 31 aout 2015. Le gold standard etait le diagnostic d’ISO posee par les chirurgiens dans les 30 jours post-operatoires. Les modeles de prediction d’ISO ont ete construits grâce a deux methodes de DM : les forets aleatoires et les modeles adaptatifs (AdaBoost). Nous avons utilise differentes sources de donnees (biologiques, microbiologiques et medico-administratives) pour alimenter les modeles. Les performances des modeles ont ete comparees en determinant les sensibilites, specificites, les aires sous la courbe ROC (AUC) et l’indice NRI (« Net re–classification improvment »). Resultats Pour les dix specialites chirurgicales incluses, la prevalence moyenne des ISO etait de 4,9 %. La chirurgie thoracique presentait la prevalence la plus haute (13,5 %) contrairement la chirurgie gynecologique dont la prevalence etait la plus faible (0,47 %). Les modeles ont ete construits a partir de 2500 variables explicatives environ. Les sensibilites et specificites des modeles etaient respectivement de 76 % [CI95 : 69,7–81,7] et 93 % [92,2–93,8] pour l’algorithme actuel, 81,4 % [68,7–89,9] et 97,8 % [96,8–98,6] pour le modele de forets aleatoires, 79,7 % [66,8–88,6] et 97,9 % [96,9–98,7] pour le modele AdaBoost. Les deux modeles de DM sont plus performants que l’actuel tant pour l’AUC ( p −5 ) que pour le NRI ( p −3 ). Discussion/conclusion Les modeles de detection, construits par DM, ont montre une meilleure performance en terme de detection des ISO. Leur utilisation en routine est possible mais necessite au prealable leur validation sur un echantillon independant.