DREES – Les modèles prédictifs de santé

English version available here.

La DREES (Direction de la Recherche, des Etudes, de l’Evaluation et des statistiques) a publié en juillet 2017 un rapport « Etudes et Résultats » intitulé « L’essor des modèles prédictifs dans les systèmes de santé internationaux ». Il s’intéresse de près à ces nouvelles méthodes d’anticipation des événements relatifs au système de soins, associées à des techniques de scoring des individus selon la probabilité d’occurrence de risque de santé particuliers.

La quantité et la multiplication des données disponibles permettent aujourd’hui de développer des modèles statistiques performants d’analyse des risques. Ceux-ci ne sont plus uniquement appuyés sur des données simples comme l’âge ou le sexe de l’individu, mais peuvent prendre en compte de nombreux autres paramètres. Cela permet alors de mieux anticiper les risques de santé, mieux dimensionner le système de santé (pour les soins), mais aussi mieux réguler cet environnement. Par exemple, des actions de prévention peuvent être mises en place de manière ciblée et des méthodes de rémunération innovantes ou incitatives pour les acteurs peuvent être définies. Ceci se développe depuis une dizaine d’année au niveau international.

Définition des modèles prédictifs

L’objectif de ces modèles est simple, il s’agit de déterminer la probabilité qu’un individu donné voie l’occurrence d’un risque particulier à 30 jours, 6 mois ou 1 an. Trois cas sont envisagés :

  • Hospitalisation : La probabilité de connaître (subir) une hospitalisation non programmée souvent à l’horizon 1 an.
  • Dépendance : Probabilité de perdre son autonomie et d’être transféré en EHPAD ou de devenir consommateur d’aide à domicile
  • Modèles de coûts : Probabilité de devenir très consommateur de soins.

Les données disponibles et collectées diffèrent grandement selon les pays / modèles. Ils peuvent contenir notamment des données :

  • Socio-économiques : très utilisés pour le suivi de maladies type cancer ou diabète ou comme facteurs des risque d’obésité ou de tabagisme.
  • Eléments de diagnostic médical (codes hospitaliers)
  • Prescription et consommation médicamenteuse

La difficulté est de pouvoir rassembler des échantillons de données structurées et suffisamment importantes pour en déterminer des règles. Par exemple, établir des corrélations entre facteurs de risques, diagnostics et consommation de médicaments. Il s’agit alors par la suite de constituer des groupes d’individus présentant des risques similaires.

La performance de ces modèles peut être modeste comme pour les consommations de médicaments (20 à 25% de cas anticipés correctement) mais peuvent être plus efficaces comme pour l’hospitalisation (entre 50% et 80% de Valeurs Prédictives Positives – VPP). Certains cas particuliers (maladies cardio-vasculaires par exemple) montrent une fiabilité étonnante (+ de 85% des cas correctement anticipés).

Pour cela des techniques habituelles d’analyse statistique (régression linéaire notamment) sont couramment utilisées. Les techniques du big-data, les arbres de décision et le machine learning font leur apparition également pour le développement de modèles.

Champ d’application des modèles prédictifs

Le principe de base de tous les modèles vise donc à définir des groupes d’individus présentant des risques équivalents. Cela permet évidemment, d’un point de vue macroéconomique de mieux organiser le système de santé. Cela modifie surtout profondément la logique de prise en charge, d’un fonctionnement réactif à un fonctionnement préventif. L’application à une personne en particulier pose toutefois des problèmes de confidentialité.

modeles predictifs

Allocations aux assureurs : modèles allemand et néerlandais

Les organismes d’assurance maladie publiques fonctionnent sur la base d’une cotisation proportionnelle, non corrélée à l’état de santé. En Allemagne, depuis 1996 les budgets alloués à chaque caisse régionale sont donc modulés en fonctions des risques réels de la population couverte. Cela se fait grâce à la création de 80 groupes de risques homogènes.

Aux Pays-Bas, la réforme de 2006 a rendu l’assurance maladie obligatoire pour tous. Les fonds publics sont redistribués à chaque assureur selon des modèles utilisant les mêmes techniques, tout en évitant la sélection médicale à l’entrée.

Modèles anglais et américains : les réseaux de soins

Le NHS (système de santé britannique) a imposé depuis 2013 la création de réseaux de soins locaux (les Clinical Commissionning Groups), chargés de planifier et gérer les soins sur une zone géographique donnée. Cette décentralisation s’est faite en parallèle d’une exigence de stratification des populations pour mieux prévoir les parcours de soins.

Côté états-unien, le système de réseaux est également déployé. Les prestataires de soins sont rémunérés par un forfait prospectif annuel provenant de fonds publics ou privés (Medicaid, Medicare et compagnies d’assurance privées). C’est le principe du Managed Care Organisation, instauré dans les années 1980. Dans l’Obamacare, instauré en 2010, des Accountables Care Organizations sont mises en place. Ce sont également des réseaux, avec un budget virtuel défini à l’avance, mais solidaire des dépassements ou des économies réalisées. Cela permet d’inciter chacun à la modération des coûts.

Dans les 2 cas, la prise en compte d’un certain nombre de données permet d’affiner ces budgets.

Améliorer le parcours de soins grâce aux modèles prédictifs

Les actions de prévention sont bien souvent trop tardives et uniquement mises en place suite à un premier passage à l’hôpital. Tout l’enjeu étant d’anticiper les risques et de mettre en place la prévention sur les risques émergents.

Le NHS a mis en place successivement un modèle prédictif de ré-hospitalisation à un an (Patients at risk of re-hospitalisation – PARR), puis d’hospitalisation à un an (Combined Predictive Model – CPR). Puis, en combinant avec des données provenant des services sociaux, un modèle de perte d’autonomie à un an a également été développé. Des mêmes programmes ont aussi été développés au Canada et en Australie.

Les bénéfices apparaissent à plusieurs niveaux :

  • Limiter les hospitalisations non programmées
  • Prévenir les risques
  • Améliorer la prise en charge de patients à risques de ré-hospitalisation
  • Mettre en place des programmes d’accompagnement à domicile
  • Communication de liste de patients à risques aux médecins généralistes (par le Welsh Predictive Risk Service)
  • Déploiement de ressources de contrôle post-opératoire (télésurveillance, passage d’infirmières, etc.)

Côté assureurs, ces modèles s’avèrent particulièrement intéressants pour mieux anticiper les risques et les coûts. Plus spécifiquement, cela permettrait de mieux prendre en charge les patients atteints de maladies chroniques et ceux nécessitant la mise en place de Case management avec une prise en charge personnalisée.

Etudes et évaluation

De manière plus globale, le recours aux profils de risques permet de mettre en place des comparaisons de performance des opérateurs de santé entre différentes régions ou entités, en utilisant des indicateurs similaires.

Les groupes de risques sont également utilisés pour évaluer l’efficacité de nouvelles prises en charge (télémédecine, programmes spécifiques de prévention, etc.). Cela se fait grâce au suivi de groupes témoins et de scores de risque. Les modèles ainsi déterminés montrent une VPP de l’ordre de 50%.

En France, par le biais des données médico-administratives collectées, de tels modèles prédictifs pourraient être développés dans un avenir proche afin d’appuyer les actions d’amélioration des parcours de santé ou leur évaluation.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *