Logo ANAP
Ce site requiert l'activation de javascript pour être utilisé, merci de l'activer.
S'abonner

Méthode ♦ Outil

Glossaire

SAU
 273 vues

3.1 Comment appliquer le principe du big-data à la gestion des lits ?

Le big-data se définit par des masses de données structurées et non-structurées, difficilement gérables avec des solutions classiques de stockage et de traitement1. Ces données proviennent de sources diverses et sont (pour la plupart) produites en temps réel.

L’organisation fédérale pour la recherche scientifique et industrielle australienne (CSIRO) a développé un logiciel permettant aux hôpitaux du Queensland (état du nord-est de l’Australie) de prévoir le nombre de patients qui vont être pris en charge aux urgences, leurs besoins en termes de soins et de déterminer combien d’entre eux vont finalement être admis en hospitalisation. Ce logiciel présente un taux d’exactitude de 90 %.

3.2 Comment l’outil fonctionne ?

Cet outil, appelé « Patient Admission Prediction Tool (PAPT) », croise et analyse les données des services d’urgences, les données d’admissions d’hôpitaux, les bases de données des services d’ambulances et les données des services régionaux de santé, parfois jusqu’à dix ans en arrière. L’outil ne prédit donc pas uniquement combien de patients vont se présenter tel jour aux urgences. Il précise aussi les motifs de recours probables et les spécialités dans lesquelles risquent d’être admis les patients.

Les établissements peuvent ainsi prévoir les admissions et les taux d’occupation du SAU, du bloc et des services de soins pour les prochaines heures, jours et semaines, et adapter le cas échéant les besoins en lits et personnels. Les prédictions de l’outil sont destinées à différents publics : les équipes de direction, les responsables des parcours-patients, les gestionnaires de lits, les services d’urgences, les services de soins, les ambulanciers, les services de l’État...

L’outil est paramétré (fréquence, ergonomie,…) en fonction des besoins du public concerné et de l’organisation mise en place pour suivre ses orientations. Très concrètement, les établissements peuvent par exemple programmer les interventions pendant les périodes plus creuses en fonction des préconisations de l’outil. Pour les services d’urgences, l’outil leur permet de savoir combien de patients vont arriver dans les prochaines heures, et pour quels motifs. Certains établissements l’utilisent également pour élaborer leurs plannings sur les six prochains mois.

3.3 Quels sont les impacts ? (organisationnels, économiques)

L’analyse de ces données est particulièrement intéressante lors des fortes affluences (épidémie de grippes ou de gastroentérites, événements spéciaux comme la fin des examens scolaires, etc.) puisqu’elle permet de cibler quelles sont les populations touchées (âge, zone géographique,…) et de préparer l’ensemble du système de santé à apporter une réponse adaptée (besoins en lits, ambulanciers et services d’urgences, stocks de médicaments mais aussi campagnes de prévention etc.). L’outil est paramétré pour identifier le plus en amont possible les signaux d’un futur pic d’activité. Pour les patients, cela se traduit par des temps d’attente fortement réduits et pour les personnels des hôpitaux, des conditions de travail forcément moins stressantes.

Plus d’informations :

https://publications.csiro.au/rpr/download?pid=csiro:EP1317 67&dsid=DS1

https://www.youtube.com/watch?v=Sxk_4cs5CbI

1 - Brasseur C. (2013), Enjeux et usages du big-data, ed. LAVOISIER, p. 30.

Cette réponse vous paraît-elle utile ?
Date de parution : 30/05/2016

Commentaires - Soyez le premier à déposer un commentaire

Pour ajouter un commentaire vous devez vous identifier

Inscription

Vous êtes actuellement sur la page consacrée à Gestion des lits : vers une nouvelle organisation - Tome 2 : Mise en œuvre et bilan (Méthode ♦ Outil).

Vous êtes perdu ?

Haut de page