Efficient management of hospitalized patients requires carefully planning each stay by taking into account patients' pathologies and hospital constraints. Therefore, the ability to accurately estimate length of stays allows for better interprofessional tasks coordination, improved patient flow management, and anticipated discharge preparation. This article presents how we built and evaluated a predictive model of length of stay based on clinical data available upon admission to a division of internal medicine. We show that Machine Learning-based approaches can predict lengths of stay with a similar level of accuracy as field experts.
Une prise en charge efficiente des patients nécessite une planification minutieuse des soins en fonction de la pathologie et des contraintes hospitalières. Dans ce contexte, une estimation de la durée de séjour permet de mieux coordonner les tâches interprofessionnelles, de gérer le flux des patients et d’anticiper la préparation à la sortie. Cet article présente la construction et l’évaluation d’un modèle prédictif de la durée de séjour à l’aide de données cliniques présentes à l’admission dans un service de médecine interne universitaire. Nous démontrons que les approches basées sur le Machine Learning sont capables de prédire des durées de séjour avec une performance similaire à celle des professionnels.