Résumé

Face à la pandémie de Covid-19, l'infrastructure de soins de santé dans une grande partie des États-Unis a été confrontée à l'équivalent d'un ouragan imminent, mais sans service météorologique national pour nous avertir où et quand il frappera, et à quel point. Pour construire un modèle de prévision qui fonctionne au niveau local, le Beth Israel Deaconess Medical Center s'est appuyé sur un groupe de recherche intégré, le Center for Healthcare Delivery Science, qui relève du CMO et se consacre à l'application de méthodes de recherche rigoureuses pour étudier les questions de prestation de soins de santé

Comment un hôpital de Boston a construit un système de prévision Covid-19

Andriy Onufriyenko / Getty Images

Nous avons rendu notre couverture contre les coronavirus gratuite pour tous les lecteurs. Pour recevoir tout le contenu de HBR dans votre boîte de réception, inscrivez-vous à la newsletter Daily Alert.

La pandémie de Covid-19 a créé une pression sans précédent sur les systèmes de santé à travers le monde. Au-delà de l'impact clinique, financier et émotionnel de cette crise, les implications logistiques ont été intimidantes, avec des chaînes d'approvisionnement paralysées, une capacité réduite pour les procédures électives et les soins ambulatoires, et une main-d'œuvre vulnérable. L'un des aspects les plus difficiles de la pandémie a été de prédire sa propagation. L'infrastructure de prestation de soins de santé dans une grande partie des États-Unis a été confrontée à l'équivalent d'un ouragan imminent, mais sans service météorologique national pour nous avertir où et quand il frappera, et à quel point.

Pour construire un modèle de prévision qui fonctionne au niveau local - dans la zone de service d'un hôpital, par exemple - le Beth Israel Deaconess Medical Center (BIDMC), s'est appuyé sur un groupe de recherche intégré, le Center for Healthcare Delivery Science, qui relève du CMO et se consacre à l'application de méthodes de recherche rigoureuses pour étudier les questions de prestation de soins de santé. Nous avons utilisé une série de méthodes dérivées de l'épidémiologie, de l'apprentissage automatique et de l'inférence causale, pour adopter une approche focalisée localement pour prédire le moment et l'ampleur des demandes cliniques de Covid-19 pour notre hôpital. Cette prévision est un exemple d'une nouvelle opportunité dans les opérations de santé qui est particulièrement utile en période d'incertitude extrême.

Insight Center

Début février, alors que les États-Unis étaient aux prises avec la propagation rapide du SRAS-COV-2, le virus qui cause Covid-19, la communauté des soins de santé de Boston a commencé à se préparer pour les mois à venir. Plus tard dans le mois, des participants à une conférence sur la biotechnologie et d'autres résidents revenant d'un voyage à l'étranger ont été diagnostiqués avec la nouvelle maladie.

C'était le début d'une urgence de santé publique. Pour comprendre comment réagir, notre hôpital avait besoin d'un système d'alerte Covid, tout comme les villes côtières ont besoin de systèmes d'alerte aux ouragans. Notre hôpital est un centre médical universitaire avec plus de 670 lits autorisés, dont 77 lits de soins intensifs. Nous savions que c'était la saison des ouragans, mais quand la tempête arriverait-elle, et à quel point serait-elle violente? Nous n'étions pas certains de ce qui nous attendait.

Saison des ouragans - mais où est la tempête?

Leçon 1: Les modèles de prévision nationaux sont tombés en panne lors de la prévision de la capacité hospitalière des patients de Covid-19 car aucune variable locale n'a été incluse.

Notre institution s'est d'abord tournée vers les modèles nationaux. Le modèle national le plus utilisé a appliqué des méthodes d'ajustement de courbe (qui dessinent une courbe de meilleur ajustement sur une série de points de données) sur des données Covid-19 antérieures d'autres pays pour prédire les développements futurs aux États-Unis. Les modèles nationaux ne tenaient pas compte de la prise de décision des hôpitaux locaux ou des facteurs socioéconomiques au niveau local qui ont un impact considérable sur des variables clés telles que la densité de la population, l'état de santé préexistant et la dépendance aux transports publics. Par exemple, les données des médias sociaux ont montré que de nombreux quartiers à forte densité d'étudiants de Boston se vidaient après que les collèges aient annulé les cours en personne début mars, ce qui signifiait que moins de personnes étaient à Boston pour contracter le virus. Une autre variable critique dans les prévisions de capacité hospitalière, le taux d'hospitalisation des personnes atteintes de Covid-19, variait au fil des semaines, même si les modèles nationaux maintenaient cette variable constante. Par exemple, très tôt, notre hôpital a choisi d'admettre plutôt que de renvoyer chez lui de nombreux patients séropositifs pour le SRAS-COV-2, même avec des infections bénignes, car la trajectoire clinique de la maladie était si incertaine. Il nous fallait donc un modèle hyper-local dynamique.

Construire notre système d'alerte aux tempêtes

Leçon 2: La modélisation des infections locales a nécessité un éventail de méthodes de recherche différentes, ainsi que la confiance et l'engagement des chefs de file opérationnels qui ont reconnu la valeur du travail.

L'hôpital s'est tourné vers notre centre de recherche pour atteindre ces objectifs. Le centre, qui est intégré à l'hôpital et relève du médecin-chef (Dr Weiss), a apporté un apprentissage automatique appliqué et des approches épidémiologiques pour construire un système d'alerte hyper-local.

Lectures complémentaires

Pour démontrer la faisabilité de prévoir les besoins locaux en capacité hospitalière pour gérer les patients Covid-19, nous avons construit un modèle SIR préliminaire (un cadre épidémiologique traditionnel qui modélise le nombre de personnes sensibles, infectées et rétablies dans une population), qui a été intégré à notre structure de commandement des incidents de l'établissement, une équipe ad hoc créée avec des membres de l'hôpital et des responsables de la gestion des catastrophes pour répondre à la pandémie. Cependant, la précision des modèles SIR dépend de la précision des estimations des caractéristiques de la maladie telles que le temps d'incubation, la période infectieuse et la transmissibilité, variables qui ne sont pas encore bien comprises. Par conséquent, nous nous sommes tournés vers les approches d'apprentissage automatique, en exploitant les données en temps réel de notre dossier médical électronique pour déterminer ces variables directement à partir de patients réels. Nous avons également collecté simultanément les données du recensement des patients Covid de plusieurs hôpitaux, en utilisant une technique d'apprentissage automatique commune appelée apprentissage multi-tâches pour capitaliser sur des données limitées. Ces méthodes nous ont permis d'estimer le moment où la demande de capacité hospitalière pour traiter les patients Covid-19 atteindrait un pic et un plateau - prédisant le moment dans les cinq jours suivant le pic réel et modélisant plus précisément la pente du pic et du déclin que les modèles nationaux.

Si les dirigeants s'étaient appuyés sur des modèles nationaux, ils se seraient attendus à un pic et à un déclin plus marqués, et à un pic deux semaines plus tôt que le pic réel. Notre modélisation a affecté les décisions clés, notamment la nécessité de renforcer les fournitures d'équipement de protection individuelle (EPI); évaluer la nécessité de procédures même urgentes, et les reporter si nécessaire afin de nous assurer que nous avions la capacité d'absorber le pic; et d'établir des calendriers de dotation qui se sont poursuivis plus loin dans l'avenir que ceux initialement prévus.

Prédire le prochain ouragan

Leçon 3: Une modélisation efficace en période de confusion peut nécessiter le développement rapide de nouvelles méthodes pour prédire la prochaine tempête.

Les hôpitaux sont désormais confrontés à un défi difficile. Nous devons ouvrir nos portes aux patients sans Covid-19 qui n'ont pas demandé de soins ou dont les soins ont été différés. Mais comment s'assurer d'avoir suffisamment d'équipement de protection pour ramener en toute sécurité les procédures ambulatoires? Et quand les infirmières qui avaient été redéployées dans nos unités de soins intensifs peuvent-elles retourner aux étages et dans les zones d'intervention comme la salle d'endoscopie et le laboratoire de cathétérisme cardiaque? Pour compliquer ces questions, il faut savoir si nous assisterons à une nouvelle augmentation des infections avec des changements dans les politiques à l'échelle de l'État, la réouverture des écoles et des entreprises ou une prochaine saison de la grippe.

Dans cette nouvelle phase, nous devons maintenant développer des méthodes pour comprendre comment les gens vont se déplacer dans une communauté (aller à l'école et visiter les magasins, par exemple) et combien ils vont interagir les uns avec les autres et, par conséquent, affecter le risque d'infection temps. À cette fin, nous avons construit un indice de risque pour les entreprises locales en comparant le trafic pré-pandémique au trafic lors de leur réouverture, et si elles sont à l'intérieur ou partiellement ou entièrement à l'extérieur. Les entreprises où les visiteurs sont densément emballés dans des espaces intérieurs, en particulier pendant de longues périodes, ont un indice de risque plus élevé, ce qui signifie qu'ils sont plus susceptibles d'être le site de propagation de l'infection. À l'aide de notre indice de risque, nous avons créé et validé un modèle pour identifier ces entreprises potentielles de «super-spreader» dans notre zone de service. Cette analyse fait partie d'un autre corpus de recherche qui fera l'objet d'un examen par les pairs et d'une publication et, par conséquent, ses résultats sont provisoires. Pendant ce temps, nous pouvons utiliser notre travail avec les entreprises pour éclairer davantage notre modèle de prévision en examinant le trafic dans les emplacements commerciaux que nous avons identifiés comme à haut risque et en évaluant si l'intégration de ces données améliore la capacité de notre modèle à prédire la demande de capacité hospitalière.

Intégrer des méthodes de recherche rigoureuses dans les opérations hospitalières

Leçon 4: Compte tenu de la profonde incertitude future des soins de santé, de petits investissements dans des groupes de recherche internes de confiance qui peuvent répondre aux questions opérationnelles avec de nouvelles méthodes peuvent générer des rendements substantiels.

Notre établissement a fait un investissement prémonitoire dans la création d'un groupe de recherche intégré et de confiance composé de cliniciens, d'économistes et d'épidémiologistes étudiant les opérations de soins de santé. L'équipe a apporté des méthodes d'apprentissage automatique spécialisées et une expertise dans l'extraction de conclusions à partir de données en désordre pour résoudre rapidement et avec précision les problèmes émergents du monde réel - des capacités que les groupes d'analyse commerciale traditionnels sont moins susceptibles d'avoir. D'autres organisations peuvent de même associer la rigueur et la flexibilité des experts méthodologiques à la nécessité de répondre rapidement aux questions opérationnelles dans des environnements dynamiques et même chaotiques.

Les auteurs remercient Manu Tandon, Venkat Jegadeesan, Lawrence Markson, Tenzin Dechen, Karla Pollick et Joseph Wright pour leurs précieuses contributions à ce travail.

Si notre contenu gratuit vous aide à relever ces défis, pensez à vous abonner à HBR. Un achat par abonnement est le meilleur moyen de soutenir la création de ces ressources.