Nous avons le plaisir de vous annoncer le séminaire de  

Chaima BEN ABDALLAH, MCF- Iut de Tremblay portant sur « Amélioration de la gestion des patients à domicile par apprentissage par ensemble : une approche intégrée de classification et de prédiction de l’orientation. »

Le 18/06/2026 à 13h15 via Teams. 

Résumé :

L’évaluation des patients à domicile est essentielle pour déterminer si ceux-ci nécessitent un transfert immédiat aux urgences ou peuvent rester chez eux en toute sécurité. Les méthodes traditionnelles reposant sur des jugements cliniques subjectifs peuvent engendrer des incohérences, une surcharge des services d’urgence et une augmentation des coûts de santé. Cette étude propose un modèle de soutien en deux phases intégrant une classification de la gravité à l’aide de l’Emergency Severity Index et une prédiction de l’orientation des patients par une approche d’apprentissage par ensemble par empilement (stacking ensemble learning). Notre modèle combine le Perceptron Multicouche (MLP), la Forêt Aléatoire (RF) et le Gradient Boosting Extrême (XGBoost) comme apprenants de base, avec RF comme méta-apprenant. Nous avons également développé et comparé un modèle d’ensemble par vote utilisant les mêmes apprenants de base. Pour évaluer davantage les performances, nous avons testé les modèles individuels ainsi que des approches d’apprentissage profond, notamment les réseaux de mémoire à long et court terme (LSTM) et les réseaux de neurones convolutifs profonds (DCNN). Les performances des modèles ont été évaluées sur un jeu de données réel à l’aide de la précision et de l’aire sous la courbe ROC (AUROC) comme métriques d’évaluation. Le modèle d’ensemble par empilement proposé a atteint une précision de 91,68 % et une AUROC de 97,04 %, surpassant les modèles individuels et l’ensemble par vote. L’intégration de la classification de la gravité avec la prédiction de l’orientation a amélioré la précision de 1,28 %. Les résultats soulignent l’efficacité de l’apprentissage par ensemble par empilement pour améliorer la précision de l’évaluation des patients, optimiser l’allocation des ressources de santé et réduire les visites aux urgences non nécessaires. De plus, la combinaison de la classification de la gravité et de la prédiction de l’orientation a contribué à l’amélioration des performances du modèle, démontrant l’avantage d’intégrer ces deux tâches dans un cadre unifié. L’analyse comparative des différents modèles a fourni des informations précieuses sur les compromis de performance, renforçant le potentiel de l’apprentissage par ensemble pour l’évaluation des patients à domicile.

Abstract :

Home-based patient evaluation is crucial for determining whether patients require immediate transfer to emergency departments (ED) or can safely remain at home. Traditional methods relying on subjective clinical judgments can lead to inconsistencies, ED overcrowding, and increased healthcare costs. This study proposes a dual-phase support model integrating severity classification using the Emergency Severity Index and patient disposition prediction through a stacking ensemble learning (EL) approach. Our model combines Multilayer Perceptron (MLP), Random Forest (RF), and Extreme Gradient Boosting (XGBoost) as base learners, with RF as the meta-learner. Additionally, we developed and compared a voting EL model using the same base learners. To further assess performance, we evaluated the individual models alongside deep learning approaches, including Long Short-Term Memory and Deep Convolutional Neural Networks. Model performance was assessed using a real-world dataset with accuracy and the area under the receiver operating characteristic curve (AUROC) as evaluation metrics. The proposed stacking ensemble model achieved 91.68% accuracy and an AUROC of 97.04%, outperforming individual models and the voting EL. Integrating severity classification with disposition prediction improved accuracy by 1.28%. The findings highlight the effectiveness of stacking ensemble learning in enhancing patient evaluation accuracy, optimizing healthcare resource allocation, and reducing unnecessary ED visits. Additionally, the combination of severity classification and disposition prediction contributed to improved model performance, demonstrating the advantage of integrating both tasks in a unified framework. Comparative analysis of different models provided valuable insights into performance tradeoffs, reinforcing the potential of ensemble learning for home-based patient assessment.

Cordialement,

Équipe de valorisation scientifique de QUARTZ.