| Titre : |
Plateforme prédictive des réadmissions hospitalières |
| Type de document : |
texte imprimé |
| Auteurs : |
Amdy GUEYE, Auteur |
| Editeur : |
Université Cheikh Anta Diop de Dakar : Faculté des Sciences et Techniques : Département de Mathématiques-Informatique |
| Année de publication : |
2026 |
| Importance : |
1vol.(81p.) |
| Présentation : |
30cm. |
| Format : |
PDF |
| Langues : |
Français (fre) |
| Mots-clés : |
Plateforme prédictive Machine learning Data Science Suivi post-hospitalier Power BI Guide Patient Action préventive tableau de bord interactif Réadmission hospitalière Business Intelligence Databricks Lakehouse Delta Lake MLflow Analyse de données de santé Aide à la décision médicale. |
| Résumé : |
Ce mémoire présente la conception et la mise en oeuvre d’une plateforme prédictive des réadmissions
hospitalières reposant sur les technologies de Business Intelligence, de Machine
Learning et sur une architecture Lakehouse. L’objectif principal de ce travail est d’anticiper
les réadmissions non planifiées des patients après leur sortie hospitalière afin d’améliorer la
qualité des soins, d’optimiser l’utilisation des ressources hospitalières et de réduire les coûts
associés aux hospitalisations répétées. Dans un contexte où les systèmes de santé génèrent
une quantité croissante de données cliniques et administratives, l’exploitation intelligente de
ces données constitue un levier stratégique pour soutenir la prise de décision médicale et organisationnelle.
Les réadmissions hospitalières représentent en effet un indicateur majeur de
performance des établissements de santé et sont souvent influencées par des facteurs médicaux,
sociaux et organisationnels complexes.
Le travail réalisé s’appuie sur une approche data-driven combinant plusieurs étapes méthodologiques.
Une première phase d’exploration et de préparation des données a permis d’identifier
les variables cliniques et socio-économiques les plus pertinentes influençant le risque de réadmission.
Cette étape comprend notamment le nettoyage des données, la gestion des valeurs
manquantes ainsi que le feature engineering afin d’améliorer la qualité et la pertinence des variables
utilisées dans la modélisation. Par la suite, plusieurs modèles de Machine Learning ont
été développés et comparés dans le but de prédire la probabilité de réadmission des patients. Les
modèles ont été évalués à l’aide de différentes métriques de performance telles que l’AUC-ROC,
la précision, le rappel et le F1-score, afin d’identifier l’algorithme le plus performant pour cette
tâche prédictive.
L’architecture technique de la plateforme repose sur un environnement Databricks Lakehouse,
intégrant des outils modernes tels que Delta Lake pour la gestion et la fiabilité des données,
MLflow pour le suivi et la gestion du cycle de vie des modèles de Machine Learning, ainsi que
Power BI pour la visualisation et l’analyse des résultats. Cette architecture permet de mettre
en place un pipeline de données robuste et scalable, capable de traiter de grands volumes de
données hospitalières tout en facilitant leur exploitation analytique. Les résultats obtenus ont
été valorisés à travers des tableaux de bord interactifs développés avec Power BI, permettant
aux décideurs hospitaliers de visualiser les indicateurs clés et d’identifier rapidement les profils
de patients présentant un risque élevé de réadmission. Ces outils contribuent ainsi à la mise
en place d’actions préventives ciblées, telles que le renforcement du suivi post-hospitalier ou
l’adaptation du parcours de soins.
En somme, cette recherche démontre que l’intégration de la Business Intelligence et du Machine
Learning dans les systèmes d’information hospitaliers constitue une approche prometteuse pour
améliorer la gestion des réadmissions hospitalières. La plateforme proposée représente un outil
d’aide à la décision capable d’anticiper les risques, de soutenir les professionnels de santé
dans leurs décisions et de contribuer à une gestion plus efficace et proactive des ressources
hospitalières.
|
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=3752 |
Plateforme prédictive des réadmissions hospitalières [texte imprimé] / Amdy GUEYE, Auteur . - Université Cheikh Anta Diop de Dakar : Faculté des Sciences et Techniques : Département de Mathématiques-Informatique, 2026 . - 1vol.(81p.) : 30cm. ; PDF. Langues : Français ( fre)
| Mots-clés : |
Plateforme prédictive Machine learning Data Science Suivi post-hospitalier Power BI Guide Patient Action préventive tableau de bord interactif Réadmission hospitalière Business Intelligence Databricks Lakehouse Delta Lake MLflow Analyse de données de santé Aide à la décision médicale. |
| Résumé : |
Ce mémoire présente la conception et la mise en oeuvre d’une plateforme prédictive des réadmissions
hospitalières reposant sur les technologies de Business Intelligence, de Machine
Learning et sur une architecture Lakehouse. L’objectif principal de ce travail est d’anticiper
les réadmissions non planifiées des patients après leur sortie hospitalière afin d’améliorer la
qualité des soins, d’optimiser l’utilisation des ressources hospitalières et de réduire les coûts
associés aux hospitalisations répétées. Dans un contexte où les systèmes de santé génèrent
une quantité croissante de données cliniques et administratives, l’exploitation intelligente de
ces données constitue un levier stratégique pour soutenir la prise de décision médicale et organisationnelle.
Les réadmissions hospitalières représentent en effet un indicateur majeur de
performance des établissements de santé et sont souvent influencées par des facteurs médicaux,
sociaux et organisationnels complexes.
Le travail réalisé s’appuie sur une approche data-driven combinant plusieurs étapes méthodologiques.
Une première phase d’exploration et de préparation des données a permis d’identifier
les variables cliniques et socio-économiques les plus pertinentes influençant le risque de réadmission.
Cette étape comprend notamment le nettoyage des données, la gestion des valeurs
manquantes ainsi que le feature engineering afin d’améliorer la qualité et la pertinence des variables
utilisées dans la modélisation. Par la suite, plusieurs modèles de Machine Learning ont
été développés et comparés dans le but de prédire la probabilité de réadmission des patients. Les
modèles ont été évalués à l’aide de différentes métriques de performance telles que l’AUC-ROC,
la précision, le rappel et le F1-score, afin d’identifier l’algorithme le plus performant pour cette
tâche prédictive.
L’architecture technique de la plateforme repose sur un environnement Databricks Lakehouse,
intégrant des outils modernes tels que Delta Lake pour la gestion et la fiabilité des données,
MLflow pour le suivi et la gestion du cycle de vie des modèles de Machine Learning, ainsi que
Power BI pour la visualisation et l’analyse des résultats. Cette architecture permet de mettre
en place un pipeline de données robuste et scalable, capable de traiter de grands volumes de
données hospitalières tout en facilitant leur exploitation analytique. Les résultats obtenus ont
été valorisés à travers des tableaux de bord interactifs développés avec Power BI, permettant
aux décideurs hospitaliers de visualiser les indicateurs clés et d’identifier rapidement les profils
de patients présentant un risque élevé de réadmission. Ces outils contribuent ainsi à la mise
en place d’actions préventives ciblées, telles que le renforcement du suivi post-hospitalier ou
l’adaptation du parcours de soins.
En somme, cette recherche démontre que l’intégration de la Business Intelligence et du Machine
Learning dans les systèmes d’information hospitaliers constitue une approche prometteuse pour
améliorer la gestion des réadmissions hospitalières. La plateforme proposée représente un outil
d’aide à la décision capable d’anticiper les risques, de soutenir les professionnels de santé
dans leurs décisions et de contribuer à une gestion plus efficace et proactive des ressources
hospitalières.
|
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=3752 |
|  |
Accueil
Plateforme prédictive des réadmissions hospitalières (2026)
