Classification des trajectoires de patients

Fei, Hongying [FUCAM] Meskens, Nadine [UCL]

Dans cette recherche, nous allons classifier les trajectoires des patients afin de trouver un modèle formel de processus significatif pour analyser les performances des parcours de patients dans chaque groupe obtenu. En fait, les trajectoires de patients peuvent être considérées comme des séquences d’activités (passages aux services médicaux) et les méthodes qui classifient les séquences d’activités selon leurs similarités de structure (i.e. les méthodes de « sequence clustering ») sont capables de trouver des groupes de trajectoires très homogènes. Leur inconvénient est leur consommation excessive en temps d’exécution pour partitionner un grand nombre de séquences (plusieurs milliers) .Comme il y a toujours plusieurs milliers de patients par an à traiter dans un hôpital de taille moyenne, il vaut mieux développer des techniques pour améliorer l’efficacité des méthodes de « sequence clustering ». Pour cette raison, nous effectuons la classification des trajectoires de patients en deux étapes. Nous partitionnons tout d’abord les patients uniquement selon des sous-trajectoires : leurs parcours pré-opératoires (les visites en consultation). Ensuite, chaque groupe obtenu est re-partitionné, en prenant en compte cette fois les trajectoires globales, sur base de la similarité de celles-ci. Ces deux problèmes de classification successifs sont résolus par la méthode de Bi-section K-Means et la seule différence réside dans le calcul des distances (indicateur de la similarité entre deux objets). Dans la première étape, une distance euclidienne (pour les objets dans un espace de vecteurs) est utilisée tandis que dans la deuxième, nous utilisons la distance SAM qui est habituellement utilisée pour représenter la similarité entre deux séquences avec éléments non-numériques