Réseaux de convolution temporelle point par point pour la prédiction de la durée du séjour en unité de soins intensifs

La pression exercée par une demande de patients en constante augmentation et des restrictions budgétaires rend la gestion des lits d'hôpital un défi quotidien pour le personnel clinique. Le plus critique est l'allocation efficace des lits de l'Unité de Soins Intensifs (USI), qui nécessitent une grande quantité de ressources, aux patients ayant besoin d'un soutien vital. Au cœur de la résolution de ce problème se trouve la connaissance du temps probable que les patients actuellement hospitalisés dans l'USI passeront dans cette unité. Dans cette étude, nous proposons un nouveau modèle d'apprentissage profond basé sur la combinaison de convolutions temporelles et de convolutions ponctuelles (1x1), pour prédire la durée du séjour sur les jeux de données eICU et MIMIC-IV relatifs aux soins critiques. Ce modèle, que nous appelons Convolutions Temporelles Ponctuelles (CTP), est spécifiquement conçu pour atténuer les défis courants liés aux Dossiers Médicaux Électroniques, tels que la biaisabilité, l'échantillonnage irrégulier et les données manquantes. En faisant cela, nous avons obtenu des améliorations significatives des performances allant de 18 à 68 % (selon le métrique et le jeu de données) par rapport au réseau Long-Short Term Memory (LSTM) couramment utilisé, ainsi qu'au réseau à attention multi-têtes connu sous le nom de Transformer. En ajoutant la prédiction de la mortalité comme tâche secondaire, nous pouvons encore améliorer les performances, aboutissant à une déviation absolue moyenne de 1,55 jour (eICU) et 2,28 jours (MIMIC-IV) pour la prédiction de la durée restante du séjour.